Advertisement

QAC工具介绍及使用说明(包含三种可量化措施的代码度量值属性:33项基于功能,32项基于文件,以及4项项目级别)

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
本文档详细介绍了QAC工具及其应用,并阐述了三种关键量化措施:涵盖33个功能相关、32个文件相关及4个项目级代码质量度量属性。 QAC介绍及使用指南概述 1. QAC提供了一套详细的代码度量值属性: - 33种基于功能的测量指标; - 32种文件级的分析结果; - 四个项目的整体评估。 2. 功能结构关系图,帮助用户洞察控制流。 3. 展示全局调用函数的关系图、引用以及文件树结构。 4. 提供统计分析以全面评价代码质量。 5. 跨模块分析能力(CMA)、递归功能和全局标识符的多种问题解析。 2 规划 2.1 自动文档生成步骤: - 从菜单中选择Auto-Create Project - 输入根文件夹名称 - 设定源代码目录及其与工程的关系 - 指定输出路径,最好使用独立于项目根目录的专用目录。 - 决策是否复制源树结构到输出路径,并决定其布局方式(平行或嵌入)。 - 选择文件扩展名以加入项目中,默认为.C和.H文件。 - 配置个性设置 - 确认并创建工程,保存外部扩展名为.prj的配置文件。 2.2 手动文档生成步骤: 相似于自动过程但需要手动输入更多参数,并且可以自定义每个子文件夹的具体设置。同样使用.prj格式存储项目信息。 2.3 输出文件选择 - 左边显示目录层次结构,右边则列出所有可选的输出文件列表。 - 使用Browse和Reports菜单进行具体操作。 2.4 报告生成与环境变量应用: 通过GUI界面创建相对路径及环境变量,并应用于项目中以简化路径配置。选择适当的选项可以实现这些设置的应用或撤销。 3 配置QAC为应用程序 主要通过Configuration > Options选项卡来调整,包括但不限于以下方面: - Annotated Source: 添加源代码注释; - Cross-Module Analysis:跨模块分析功能的启用与定制; - Custom Reports: 生成自定义报告以适应特定需求; - Default Personalities: 设置默认特性配置。 3.1 编译器特性的设置: 包括系统头文件路径、宏定义以及类型实施等。例如,可以通过Suppress Output选项来忽略某些系统的头文件输出,在System Macro Defines菜单中设定与编译环境一致的宏,并在Data Types下的Intrinsic Types条目控制特定类型的实现方式以匹配实际使用的编译器配置。 3.1.4 编译器扩展支持 许多制造商实施了ISO C之外的语言定义,这些非标准特性可能影响代码可移植性。QAC可以分析多种语言变体和扩展,但需要用户进行相应配置来忽略或处理特定的非标准关键字及其他语法结构。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • QAC使33324
    优质
    本文档详细介绍了QAC工具及其应用,并阐述了三种关键量化措施:涵盖33个功能相关、32个文件相关及4个项目级代码质量度量属性。 QAC介绍及使用指南概述 1. QAC提供了一套详细的代码度量值属性: - 33种基于功能的测量指标; - 32种文件级的分析结果; - 四个项目的整体评估。 2. 功能结构关系图,帮助用户洞察控制流。 3. 展示全局调用函数的关系图、引用以及文件树结构。 4. 提供统计分析以全面评价代码质量。 5. 跨模块分析能力(CMA)、递归功能和全局标识符的多种问题解析。 2 规划 2.1 自动文档生成步骤: - 从菜单中选择Auto-Create Project - 输入根文件夹名称 - 设定源代码目录及其与工程的关系 - 指定输出路径,最好使用独立于项目根目录的专用目录。 - 决策是否复制源树结构到输出路径,并决定其布局方式(平行或嵌入)。 - 选择文件扩展名以加入项目中,默认为.C和.H文件。 - 配置个性设置 - 确认并创建工程,保存外部扩展名为.prj的配置文件。 2.2 手动文档生成步骤: 相似于自动过程但需要手动输入更多参数,并且可以自定义每个子文件夹的具体设置。同样使用.prj格式存储项目信息。 2.3 输出文件选择 - 左边显示目录层次结构,右边则列出所有可选的输出文件列表。 - 使用Browse和Reports菜单进行具体操作。 2.4 报告生成与环境变量应用: 通过GUI界面创建相对路径及环境变量,并应用于项目中以简化路径配置。选择适当的选项可以实现这些设置的应用或撤销。 3 配置QAC为应用程序 主要通过Configuration > Options选项卡来调整,包括但不限于以下方面: - Annotated Source: 添加源代码注释; - Cross-Module Analysis:跨模块分析功能的启用与定制; - Custom Reports: 生成自定义报告以适应特定需求; - Default Personalities: 设置默认特性配置。 3.1 编译器特性的设置: 包括系统头文件路径、宏定义以及类型实施等。例如,可以通过Suppress Output选项来忽略某些系统的头文件输出,在System Macro Defines菜单中设定与编译环境一致的宏,并在Data Types下的Intrinsic Types条目控制特定类型的实现方式以匹配实际使用的编译器配置。 3.1.4 编译器扩展支持 许多制造商实施了ISO C之外的语言定义,这些非标准特性可能影响代码可移植性。QAC可以分析多种语言变体和扩展,但需要用户进行相应配置来忽略或处理特定的非标准关键字及其他语法结构。
  • TensorFlow花卉识使.zip
    优质
    本资源提供了一个利用TensorFlow进行花卉分类的完整项目,包括训练好的模型、标签数据以及详细的使用指南。通过下载此压缩包,用户可以快速上手实现花卉图像的自动识别和分类功能,适用于机器学习初学者和爱好者研究与实践。 基于TensorFlow实现的花卉识别项目代码包含两个模块:finish 和 start。其中,finish模块是已经完成的项目部分,而start则是需要你进行实践的部分。 首先,在第一次编译项目时会弹出“Gradle Sync”,此时你需要下载相应的gradle wrapper。接着,请确保手机已连接到电脑,并且在手机上开启了开发者模式和相关开发权限。 接下来的操作步骤如下: 1. 选择“start”模块,右键点击该模块或通过File菜单选择New>Other>TensorFlow Lite Model来开始导入模型。 2. 在此过程中,你需要选择一个自定义的训练模型。对于本项目而言,在finish模块中的ml文件夹内可以找到名为FlowerModel.tflite的预训练模型(请注意确保该项目已完成相应的训练任务)。 3. 导入成功后,请查看并确认摘要信息。 在代码中查找所有标记为TODO的部分,这些部分需要根据具体需求进行进一步开发和完善。默认情况下,项目会列出所有的TODO项,并允许你按照模块分组来查看视图以方便定位和解决问题。 为了使APP能够运行成功,“sta”(可能是指start)这部分的代码还需要进一步完善或调试,请仔细检查并处理其中的相关问题。
  • STM32F103DS1820温资料
    优质
    本项目提供基于STM32F103微控制器与DS1820温度传感器的温度测量解决方案。包括详细的代码和相关文档,适用于嵌入式系统开发学习。 DS18b20与Stm32f103c8t8的接线方式如下: - DQ连接到PB9引脚 - VCC连接到3.3V电源 - GND接地 主程序代码如下: ```c int main(void) { char buf[10]; unsigned int temper; delay_init(); NVIC_PriorityGroupConfig(NVIC_PriorityGroup_2); uart_init(115200); // 初始化串口,波特率为115200 LED_GPIO_Configuration(); // 初始化LED灯 USART_SendStr(USART1, 温度测量:); while (1) { temper = DS18B20_Read_Temp(); sprintf(buf, %d.%d, temper / 10, temper % 10); USART_SendStr(USART1,当前温度为:); USART_SendStr(USART1,buf); USART_SendStr(USART1, C\n); LEDToggle(1000); // 指示灯闪烁,每1s打印一次温度 } } ```
  • 学习CNN果蔬识
    优质
    本项目采用深度学习中的卷积神经网络(CNN)技术,旨在实现高效精准的果蔬图像识别。包含详尽源代码与文档指导。 本项目为基于深度学习CNN的果蔬识别系统卷积神经网络果蔬识别项目源码及文档说明,由导师指导并认可通过的高分毕业设计成果,在评审中获得了98分的好成绩。所有提供的代码均已在本地编译并通过严格调试确保可以运行。 该项目主要面向正在从事毕设或需要实战练习的计算机相关专业学生,同样适用于课程设计和期末大作业等学习需求。项目难度适中,并经过助教老师的审定以满足学习者的需求,因此大家可以放心使用这些资源。
  • STM32G031失真
    优质
    本项目为一款基于STM32G031微控制器设计的失真度测量仪工程文件。涵盖硬件电路设计、软件编程及信号处理算法,适用于音频设备品质检测与研究开发。 基于STM32G031的失真度测量仪工程文件包括CubeMX配置IOC文件及Keil工程文件。相关文章可参考博客中的详细内容(虽然这里不直接提供链接,但原文中提到了具体的文章位置)。
  • YOLOv8AI自瞄Python源
    优质
    本项目提供基于YOLOv8的AI自瞄系统完整Python源码与详尽文档,旨在实现高效目标检测与自动瞄准功能,适用于游戏辅助开发研究。 关注我的Instagram账号@eng_zakaria_karim。我分享了一个绕过EAC的yolov8系列AI自瞄项目,支持yolov5、yolov7、yolov8和yolox,并使用tensorrt技术。该项目包括目标检测+yolov8+源码+运行调试等内容,获得了很多好评。此外,我还会分享有关yolov8源代码的信息和其他相关内容。
  • 电力系统同步相.zip
    优质
    本资源包包含电力系统中用于同步相量测量的核心代码和详细的项目文档,适用于科研与工程实践。 该资源包含项目的全部源码,下载后可以直接使用!本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和毕业设计项目,可作为参考资料学习借鉴。若将其用作“参考资料”,希望使用者能够看懂代码,并且热爱钻研,自行调试以实现其他功能。资源名为《电力系统同步相量测量源码+项目说明.zip》。
  • Vision Transformer图像去雾算法研究与实现(Python源使).zip
    优质
    本项目探讨并实现了利用Vision Transformer技术进行图像去雾处理的方法。提供了详细的Python代码、项目文档以及操作指南,便于研究和应用。 基于Vision Transformer的图像去雾算法研究与实现(包含Python源码、项目介绍及使用说明)。 若需继续对模型进行训练,请设置预训练权重路径: --pretrain_weights 设置为 My_best_model 文件夹下的路径。 关于所有参数的具体配置,详见 option.py 文件。主要参数含义如下: - --train_ps:设定输入到模型中的训练样本补丁大小,默认值为128。 更多详细信息请参阅项目文档或访问相关博客文章。
  • osate2所需示例
    优质
    Osate2项目源代码文件集合了实现语言工程所需的各种功能模块和实用工具,并附带详尽示例以指导用户快速上手开发。 osate2项目源文件包含了傲寒osate2所必需的功能和样例。
  • PyTorch人脸表情识CNN、VGG和ResNet).zip
    优质
    本资源提供了一个使用Python深度学习框架PyTorch实现人脸表情识别的完整项目,包括CNN、VGG和ResNet模型。内附详细文档与源码,适合初学者快速上手实践人脸识别技术。 本项目使用PyTorch实现人脸表情识别功能,仅涵盖深度学习模型训练的一部分内容。数据集可在Kaggle上下载,但因文件大小限制,这里不上传相关数据集与模型文件。 使用的模型包括: - CNN(卷积神经网络) - VGG - ResNet 项目支持在CPU或GPU环境下运行,推荐使用GPU以提高训练效率。