前言

2020届“信息学部优秀毕业设计作品展”如期和大家见面了，本次展览汇集了软件工程、计算机科学与技术、物联网工程、信息管理与信息系统、交通工程、车辆工程、工业设计、通信工程、电子信息工程9个专业14件优秀作品。

毕业设计优秀作品展是毕业生展示设计和创作成果、汇报学术思想的大舞台，是毕业生对大学四年的总体汇报，同时也能够全面反映学部总体的本科教学水平，体现学部立足首都、服务北京，全面深化教学改革，推动内涵发展，注重提升质量等方面的努力。“不息为体， 日新为道”，校训中的“改革探索”与“开拓前进”的人文精神正是学部造就和培养工科人才的育人理念。

长期以来，学部一直重视学生的培养质量，结合首都功能定位的需求，突出立德树人，不断调整人才培养尺度和规格，努力培养适应社会需求的工科人才，依托学科竞赛、创新工场等四大平台提升学生的创新意识、提高创新能力，对毕业生的毕业设计作品有着严格的要求。本次展出的14件优秀作品，是从学部9个专业585名作品挑选的大约2%的优秀作品，旨在凸显学部对毕业设计展示环节中每件作品更加严格的品质要求，激励同学们能够更加严肃认真地对待毕业设计作品、对待毕业设计环节的相关任务。

每一件优秀作品都凝聚着同学们的辛勤汗水、凝聚着大学四年所有老师的心血，在此向所有老师表示深深的敬意！并由衷祝愿全体毕业生前程似锦、新的人生阶段一帆风顺！

信息学部

2020年6月

接下来我们将分七期，依次介绍14件2020届优秀毕设作品，请欣赏~~

NO.1：基于招聘网站数据的计算机类专业企业人才需求分析--- <<张艺>>  

16信本 张艺

指导教师：康瑶

项目特色

本论文围绕数据仓库中多维数据分析的应用，旨在研究计算机类专业相关招聘岗位的具体需求，具有鲜明的观点和独特的创新点：

1．创新性

在查阅文献过程中发现，国内外学者对于以计算机类相关专业的招聘信息作为重点进行的研究较少，且大多以人工分类、建立数据字典的方式对招聘信息数据进行研究，研究方法较为单一、工程量大并且速度较慢，在对从互联网上获取到的海量招聘信息进行数据分析时有一定难度。因此，本论文通过分析获取到的计算机类相关专业的招聘信息数据的主题建立了星型多维数据模型，而后利用SQL Server 2012 Data Tools实现多维数据模型的建立，最终实现了更准确、快速地对计算机类相关专业的招聘数据进行多维分析并对结果可视化展示。

项目照片1

2．实践性

本研究利用SQL Server 2012 Data Tools实现了对计算机类专业相关招聘信息数据的多维数据模型的建立，该方案具有较强的实践性和较高的应用价值。在分析其他专业的招聘信息数据时，也可利用相同的研究思路及方式，根据岗位的发布数量、招聘人数、薪酬水平、技术需求和所属公司的性质、规模及行业等维度可以进行深度挖掘、分析。对于多维分析出的结论，从学校层面来看，老师们可以依据招聘需求的不同特征将招聘信息推荐给与之符合的学生。另外，对于制订计算机类专业的学生培养方案有着借鉴意义，为培养出能力、素质兼备的人才提供便利。对于学生群体来说，可以根据自己的职业规划方向针对某一类行业、企业或某一岗位需求进行对自身能力的培养与提升。

3．原创性

在研究对象方面，国内学者对于与岗位需求匹配度较高的专业的招聘信息的分析较多，例如教育学专业、财务会计类专业等。在研究方法方面，国内学者更多的通过简单的数据统计分析等方式对招聘数据进行研究，而本研究是通过建立星型维多数据模型，利用数据仓库中的联机分析技术对招聘数据进行多维度、深层次的分析、挖掘，并且扩展了国内对于招聘信息数据研究的专业范围，为以后研究计算机类专业相关的招聘岗位信息提供了更多的研究思路和方法。

4．专业水平

本论文的研究思路主要包括梳理文献阶段、获取招聘数据阶段、数据预处理阶段、构建多维数据模型阶段和最终的分析数据并可视化结果阶段，严谨的研究流程保证了最终数据分析的可靠性与真实性。本论文运用的联机分析技术是用不同的维度和模块化的操作整合数据，条理清晰的将各项数据展现在使用者面前，不仅能够有效率的整合数据，还能让人们在多个维度看到数据的变化。

NO.2：动态场景下的行人检测与身份验证研究---<<常佳逸>>  

16物联网本 常佳逸

指导教师：刘亚军，吕彦锋

项目特色

作品围绕安防机器人在城市公共安全中的应用，旨在研究动态背景下的行人检测和身份验证，具有鲜明的观点，在目标检测方面进行突破，具有独特的创新点。

1．创新性

在整个研究中发现，所选用的目标检测YOLOv3算法在小目标人脸检测过程中准确率较差，这是由于拍摄距离较远导致输入图像分辨率较低，YOLOv3检测算法无法获得充分的上下文语义信息，具有较差的细粒度特征，使得算法在小目标检测方面的鲁棒性较差。为解决远距离检测人脸中存在的问题，提出YOLOv3-C算法，旨在针对YOLOv3网络框架进行改进，结合特征金字塔和特征复用的思想，调整输出特征图，提高YOLOv3-C算法对于小目标人脸的敏感程度，最终提高在远距离、高密度人群中人脸检测的准确率。实验结果表明，改进后YOLOv3-C算法较原算法在WIDERFACE数据集上提升了7.2%的精确度，较Faster R-CNN算法提升了8.09%的精确度；在NWPU VHR-10数据集上YOLOv3-C算法较原算法提升了6.1%的精确度。

2．实践性

本研究进行调研最后确定采用YOLOv3实施目标检测算法进行行人检测，采用人脸识别FACE NET、Face++、LBP算法进行身份验证的实验方案，该方案具有较强的实践性和较高的应用价值。在行人检测方面，利用计算机视觉技术判断图像或者视频流中是否存在行人。该技术可与行人跟踪，行人重识别等技术结合，应用于人工智能系统，车辆辅助驾驶系统，智能机器人、智能视频监控、智能交通等领域。在人脸识别方面，采用了基于卷积神经网络的算法和传统算法进行实验。该研究可应用于行人身份验证等方面，在金融、公安、交通、社区等领域均有广泛的应用价值。

3．原创性

本项目将动态背景下的行人检测和使用人脸识别进行的身份验证相结合，并选用各自较为有代表性的算法，最后将算法模型进行改进，大幅提升准确率，具有很强的原创性。在中国，将行人检测和身份验证结合的思想和算法初具模型，正处在研究期。但从国际经验看来，相关研究和算法已经相对成熟，能够有效的利用在人群密集程度较大的公共场所，进行异常行为的分析。而本项目弥补了国内使用YOLOv3目标检测算法进行远距离小人脸检测的研究，并为以后的人脸检测和人脸识别应用提供了基础。

4．专业水平

该项目研究将行人检测和身份验证有机结合，并在动态背景下进行应用。主要包括实验方案的确定、算法环境的配置、数据集的构建、网络模型的训练，最后进行实验结果的测试，严谨的设计流程保证了最终实验的可靠性与真实性。本项目所提出的YOLOv3-C算法，在一定程度上弥补了原YOLOv3算法在小目标检测方面存在的漏检、误检现象，在小人脸、车辆、油桶、海口等物体方面，在农业、资源勘探等方面具有广泛的应用需求。在撰写高质量的毕业设计报告之外，还就项目相关研究撰写了3篇Ei检索的英文论文，充分体现了项目研究的专业性。