关于作者

MCU Learn微控制器教学平台工程摘要

MCU Learn是基于现代Web技术栈构建的微控制器教学平台，采用前后端分离架构。前端使用HTML5、CSS3和原生JavaScript开发，实现了响应式布局设计，确保在不同设备上的良好体验。系统集成了AOS滚动动画库和Font Awesome图标库，提升用户界面交互体验。项目采用模块化开发方法，将CSS和JavaScript代码分离存放于z_css和z_js目录，便于维护和扩展。

核心功能模块包括：多语言支持系统（中英双语切换）、深色/浅色主题切换、元器件搜索引擎（支持多维度筛选和排序）、学习资源管理和社区互动系统。搜索引擎实现了高级筛选功能，支持按类别、制造商、封装类型等条件精确查询，并提供语音搜索和热门搜索标签功能。

项目结构清晰，通过统一的样式规范和交互逻辑，构建了一个功能完备、用户友好的微控制器学习生态系统，为不同层次的用户提供从入门到专业的全方位技术支持。

摘要

ETC大数据可视化监控平台是一个基于Next.js 13等现代前端技术栈开发的交通数据智能监控系统，旨在实现ETC（电子不停车收费）多维度数据的实时监控、可视化、交互查询与智能分析。平台主要包含监控大厅、交互查询和分析报告三大功能模块。监控大厅以丰富的可视化组件实时呈现流量、设备状态等关键指标，支持多站点对比和异常预警。交互查询模块实现了灵活的多条件组合检索，支持按车牌、车型、时间、收费站等多维度高效筛选和数据导出，并通过智能输入校验提升了用户体验。分析报告模块集成了天气信息、流量预测、时间序列分析等能力，为管理决策提供多角度、数据驱动的支持。系统采用REST API和WebSocket混合数据通信架构，结合Mycat分布式数据库方案，保障高并发和实时性。平台注重安全（如JWT认证、权限控制和数据脱敏）、性能优化（如缓存、批量请求和异步处理）及未来可扩展性。创新点包括实时智能预测、现代化UI/UX、多维交互与可扩展的数据分析框架，为智慧交通管理提供了全面的数字化解决方案。

参与工作

独立设计与开发了ETC大数据可视化监控平台，采用Next.js 13（App Router）、TypeScript、React 18与TailwindCSS，实现前端响应式UI与动态主题切换。集成高德地图API和ECharts，实现交通数据的实时可视化和多维度分析。后端通过REST API与WebSocket实现混合通信，结合Mycat分布式数据库与Redis缓存，支持高并发实时数据处理。设计了灵活的多条件查询、智能流量预测、数据脱敏和基于JWT的权限控制，全面提升了系统安全性与性能，为智慧交通管理提供了高效、可扩展的数字化解决方案。

Abstract

In response to the problem of bearing fault diagnosis, a deep learning method based on the combination of GWO-AlexNet group optimization algorithm and convolutional neural network, and the use of Grad-CAM for decision interpretability, is proposed. Firstly, the original vibration signal data of the bearing is transformed into images for preprocessing, and the corresponding target dataset is generated; Then train and fine tune the pre trained GWO-AlexNet model on the generated target dataset; Finally, the fine-tuned GWO-AlexNet model will be applied to fault diagnosis training and decision interpretation. The method was validated on the bearing dataset of Case Western Reserve University, and the results showed that it can achieve nearly 100% accuracy in bearing fault diagnosis and can effectively interpret diagnostic decisions, with good application prospects.

© 2023 IEEE.

摘要

本项目为基于课堂作业的大数据可视化实践项目，旨在通过整合多源异构数据，应用主流大数据处理与可视化技术，提升数据分析与可视化能力。项目首先对原始数据进行了预处理，包括数据清洗、缺失值填补与格式标准化等步骤，确保数据质量。随后，采用Hadoop、Spark等分布式计算平台实现大数据的高效存储与处理，在保证数据规模可扩展的同时，大幅提高了处理速度。针对数据分析环节，项目结合Python的数据分析库（如Pandas、NumPy）完成了数据统计分析与特征提取。可视化部分则采用了Echarts、Tableau和D3.js等前端可视化工具，设计并实现了多种交互式数据可视化界面，包括柱状图、折线图、热力图及地图等，帮助用户直观洞察数据背后的规律与趋势。此外，项目还特别注重用户体验和系统可扩展性，前后端分离架构方便后续功能扩展与维护。通过本项目的实施，团队成员不仅提升了大数据技术的综合运用能力，还深化了对数据可视化方法和实践的理解。最终成果为一套可拓展、易操作且交互友好的大数据可视化系统，能够为数据驱动的决策提供有力支持。

参与工作

- 参与了一个基于课堂作业的大数据可视化项目，负责数据预处理、分析以及前端可视化模块的开发。

- 独立设计并实现了多种交互式可视化组件（如 Echarts、D3.js），支持柱状图、热力图、地理可视化等多种展示方式，有效提升了用户对数据的洞察能力。

- 协作开发了前后端分离架构，提升了系统的可维护性和可扩展性。

- 通过本项目，显著提升了大数据处理、Web 开发和数据可视化等综合能力，为实际数据驱动决策提供了有力的技术支持。