【摘 要】
:
需求工程是设计和编写工业软件的关键步骤。以人工为主的需求建模方式非常耗时且容易出错,现有的需求建模方法大多需要人工来完成,或者根据完整的形式化或半形式化需求规范文本进行建模,仍然需要项目工程师事先花费大量的时间和精力,将系统需求完全理解并编辑成规范化的需求文本。因此需要一种自动化的方式可以在极短的时间内建立精确的需求模型。为了实现快速、准确的需求建模,且适用于智能制造领域的功能性与非功能性需求,本
论文部分内容阅读
需求工程是设计和编写工业软件的关键步骤。以人工为主的需求建模方式非常耗时且容易出错,现有的需求建模方法大多需要人工来完成,或者根据完整的形式化或半形式化需求规范文本进行建模,仍然需要项目工程师事先花费大量的时间和精力,将系统需求完全理解并编辑成规范化的需求文本。因此需要一种自动化的方式可以在极短的时间内建立精确的需求模型。为了实现快速、准确的需求建模,且适用于智能制造领域的功能性与非功能性需求,本文设计了一种面向智能制造领域的通用需求模型描述语言。由于现有的UML需求建模语言需要专业人员人工进行建模,无法通过程序自动生成,且没有灵活的扩展性。针对这些问题,本文提出了一种基于面向对象的结构设计的新需求模型描述语言框架,具有流程描述、约束条件描述和很强扩展性。本方法提出的需求描述语言模型框架与UML语言相互转换的映射规则和算法,可以让项目工程师能在新的系统中沿用原先UML模型,为模型的扩展提供便利,方便将提出的需求描述语言与UML语言相融合。针对智能制造领域的需求多样性和需求变更频繁等问题,本文设计了一套算法用于将文本类需求和制造设计图纸需求的需求内容提取与融合,可以自动地将两种形式的原始需求转化为系统的需求模型。项目工程师可以方便地输入原始需求文本和图纸文档,并且很快地得到经算法融合的需求模型。面向智能制造的自动化需求建模的关键是如何确保由多种形式的原始需求材料构建出的模型的完整性、可行性与准确性。因此,本文提出了一种软件需求建模方法与需求模型完整性、可行性和准确性的自动化检查方法,根据提出的需求描述语言预定义设备的模板模型,在需求融合的过程中充实模板模型,通过模型填充完整度判断需求的完整性,通过知识库对模型进行可行性与准确性检查。为了确保模型的运行没有问题,还提出了需求模型到Event-B形式化模型的映射与转换方法,用于模型的状态死锁检测和不变式冲突检测。综上所述,本文提出并实现了智能制造领域需求的信息提取与融合、需求模型描述语言的定义与转换规则与映射方法、将融合的需求信息进行模型的构建和需求模型的验证与形式化验证方法。
其他文献
随着软件开发技术的不断进步,测试验证方法和手段也需要不断完善,常见的负载压力测试已被广泛应用于服务器、Web应用、各类信息系统、网络系统等领域。但是专门针对嵌入式实时操作系统的相应负载压力测试研究还不够广泛和深入。中电32所自主研发的ReWorks嵌入式实时操作系统已被广泛应用于轨道交通、信息系统和工业机器等多种行业中,并被国防军事领域的多型装备所采用,是装备国产化的典型代表。,没有考虑到该操作系
通常软件测试中大部分工作是耗时耗力,其中最代价最高的是错误的定位,而在错误定位上的技术改进能降低测试的工作负荷。目前程序错误定位的方法主要包含基于程序动静态切片,基于程序频谱的语句分析方法等。动态切片由于可以通过分析目标行变量在测试运行过程中的依赖关系,去除不影响目标行变量结果的语句,将关注点转移到相关程序语句以减少考察范围。而基于频谱的软件错误方法(SFL)源于聚类分析中的相似一致性原理,相似性
面部肌肉、神经损伤的患者会出现表情扭曲现象,严重影响了患者的日常生活。对于患者而言,长期定时前往医院进行康复状况检查,需花费大量时间金钱。并且患者面对医生时可能由于紧张、害怕等心理因素导致无法表现出最好的状态,使康复状况评估不够准确。对于医生而言,为病人评估康复状况属于重复性基础工作,占用大量门诊时间,减少接诊病人数量。另外,目前诊疗以医生主观判断为主,尚没有一套客观评价体系能够对病人训练效果进行
人体三维重建作为计算机视觉的一个子领域在最近几年发展迅速,其应用领域也愈发广泛。一方面,这项研究对人们日常生活和工作的方方面面都提供了非常多的帮助。另一方面,这项工作在科研领域也为计算机理解人体三维信息,认知三维世界提供了可能,是未来计算机视觉变革的前沿。为了解决现有的人体三维重建方法存在的耗时长,精度低等问题,本课题在已有的基于深度信息的人体三维点云重建算法的基础上提出了新的基于单目相机的人体稠
显著性检测是指通过模拟人的视觉特征提取图像中的显著区域,是计算机进一步理解和处理图像的重要预处理方式。关于显著性检测的研究已经有很多,但是关于人类视觉系统是如何捕捉到显著性区域尚未有明确的的解释。同时因为大量图像也蕴含着丰富的前后景信息,显著性检测仍然有很大的进步空间。特别是当图像包含一个复杂的场景,如何高效准确地将显著性物体提取出来仍然是一个待解决的问题。随着卷积神经网络的快速发展,显著性检测已
随着移动终端和定位技术的发展,服务端存储能力提升,越来越多的时空数据可以被精确地采集和存储,为基于时空数据的应用发展提供了坚实的基础。其中,轨迹数据是由移动物体产生的一系列时空数据,对于轨迹数据的分析和挖掘能够给人们日常的出行带来一系列便利,比如导航、路径推荐、智能交通等等。其中,对于轨迹数据的异常检测能够从海量的数据当中发现可能存在的异常行为,对于规范轨迹数据产生方的行为具有积极意义。目前,关于
在计算机视觉领域的诸多研究方向中,视觉目标检测与跟踪是最基础也是最重要的研究方向之一,同时也具有广泛的工业应用场景。视觉目标检测与跟踪是计算机对环境物体进行感知理解最基础也是最重要的步骤,为进一步的高层级的理解任务奠定了基础。而在众多的目标检测与跟踪的算法中,对目标的定位准确度是其算法整体性能的关键所在。针对视觉目标检测任务,本文着眼于目标定位准确度,通过分析检测结果,发现了当前的视觉目标检测算法
红外图像凭借其被动探测成像和全天候不间断工作的特性,在以科技对抗为主导的现代军事对抗中发挥着重要的作用。由于红外图像的广泛使用,一系列军事方面的红外图像目标检测问题成为科研人员们研究的热点之一。其中远方舰船、导弹、鱼雷等军事设备因为目标距离远、信号弱、小范围等固有属性,在红外成像系统中呈现出弱小目标的特性,该类目标的检测问题成为学者们在该领域长期关注的难题。高辐射的海杂波信号使得目标若隐若现,由于
随着人工智能技术的发展,表情识别的研究取得了突飞猛进的进展。大多数算法的良好表现依赖于训练集和测试集的分布一致性条件,但是诸如图像采集条件、个体属性等因素的不同会使得数据间存在较大的分布差异。因此当把模型应用到新的未知分布的数据上时,其识别精度会有一定程度的下降。跨数据集的表情识别问题具有重要的学术价值,该问题的解决有利于推动表情识别的广泛应用。现有的跨数据集的表情识别方法缺乏对干扰信息的有效排除