java反射总结

反射:基于Class类信息及java.lang.reflect包提供的类对运行时字节码(.class文件)进行字段操作、对象创建、方法调用等进行动态操作。

反射的基石:Class类信息

当类的class字节码加载到JVM内存时,会在内存的方法区保存类的基本信息(包括类名,方法,字段,接口,父类等信息),并会在堆中创建类的唯一Class实例对象,方法区保存对该对象的引用。

通过三种方式可以获取Class对象的引用:

以java.lang.String类为例

1,Class clazz1 = String.class;

2,Class clazz2 = Class.forName("java.lang.String");

3,Class clazz3= new String("abc").getClass();

其中clazz1 ==clazz2 返回true,clazz1 ==clazz3返回true,引用指向唯一对象。

java.lang.reflect包

反射构造函数

//获取String构造函数参数为StringBuffer的构造器

Constructor<String> c= String.class.getConstructor(StringBuffer.class)

//调用构造方法,创建String对象

String s = c.newInstance(new StringBuffer("abc"));

以上是有参构造方法创建对象的过程(无参构造方法创建对象也可以这样创建),另外还有一种无参构造方法创建对象的简单方式:

String s = String.class.newInstance();//通过class对象的newIntance方法创建无参的String对象

反射字段

class Person{

    public String name = "master";

    private int age = 22;

}

通过反射读取Person对象成员变量的值:

Person p = new Person();

Field nameField = p.getClass().getField("name");

String name =(String) nameField .get(p);//通过get方法获取p对象中的name字段

Field ageField = p.getClass().getDeclaredField("age");//age字段被private修饰,必须通过getDeclaredField方法获取

ageField.setAccessible(true);//设置private字段可访问

int age = ageField .getInt(p);//对基本数据类型使用对应的get方法获取字段的值


反射方法

String str =  "abcd";

//反射String的charAt(int index)方法

Method meh = str.getClass().getMethod("charAt", int.class);
char ch = (char)meh.invoke(str, 3)
;//返回字符d,其中str为调用方法的对象,3为传入方法的参数


反射数组

int[] arr = new int[]{1,2,3};

int[]表示一个数组对象,类型及纬度相同的数组为同一Class对象:

int[][] a1 = new int[2][3];

int[][] a2 = new int[3][4];

int[] a3 = new int[3];

String[] a4 = new String[4];

a1.getClass()==a2.getClass(),返回true

a1.getClass()==a3.getClass(),编译失败

a3.getClass()==a4.getClass();编译失败

数组和Object:

通过java.lang.reflect.Array

boolean b = a3.getClass().isArray();//返回true

int len = Array.getLenth(a3);//返回3

Object obj = Array.get(a3,1 );//返回a3数组中角标为1的元素对象







基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制方法。通过结合数据驱动技术与Koopman算子理论,将非线性系统动态近似为高维线性系统,进而利用递归神经网络(RNN)建模并实现系统行为的精确预测。文中详细阐述了模型构建流程、线性化策略及在预测控制中的集成应用,并提供了完整的Matlab代码实现,便于科研人员复现实验、优化算法并拓展至其他精密控制系统。该方法有效提升了纳米级定位系统的控制精度与动态响应性能。; 适合人群:具备自动控制、机器学习或信号处理背景,熟悉Matlab编程,从事精密仪器控制、智能制造或先进控制算法研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①实现非线性动态系统的数据驱动线性化建模;②提升纳米定位平台的轨迹跟踪与预测控制性能;③为高精度控制系统提供可复现的Koopman-RNN融合解决方案; 阅读建议:建议结合Matlab代码逐段理解算法实现细节,重点关注Koopman观测矩阵构造、RNN训练流程与模型预测控制器(MPC)的集成方式,鼓励在实际硬件平台上验证并调整参数以适应具体应用场景。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值