JAVA声明圆锥体类,实现Area和Volume接口,计算表面积和体积,按体积比较大小

java实现计算圆锥体的表面积和体积(实验文档) 没有bug的程序,实现接口内部类和包,计算圆锥体的表面积和体积,包括运行的截图等 立即下载
public class 圆锥体 {
    public static void main(String[] args) {
        Cone c1 = new Cone(3, 4);
        Cone c2 = new Cone(6, 8);
        System.out.println(c1.compare_size(c2));
        System.out.println(c1.Height());
        System.out.println(c1.Radius());
        System.out.println(c1.GetArea());
        System.out.println(c1.GetVolume());
        System.out.println(c1.toString());
    }
}

interface Area {
    public abstract double GetArea(double r, double h);
}

interface Volume {
    public abstract double GetVolume(double r, double h);
}

class Cone implements Area, Volume {
    private double r, h;

    public Cone() {
    }

    public Cone(double r, double h) {
        this.h = h;
        this.r = r;
    }

    public double Radius() {
        return r;
    }

    public double Height() {
        return h;
    }

    public double GetArea(double r, double h) {
        return Math.PI * r * Math.sqrt(h * h + r * r) + Math.PI * r * r;
    }

    public double GetArea() {
        return GetArea(this.r, this.h);
    }

    public double GetVolume(double r, double h) {
        return Math.PI * r * r * h / 3;
    }

    public double GetVolume() {
        return GetVolume(this.r, this.h);
    }

    public boolean compare_size(Cone c) {
        return this.GetVolume(this.r, this.h) > c.GetVolume(c.r, c.h);
    }

    public String toString() {
         return "底面半径为:"+r+","+"高为:"+h+","+"母线长为:"+Math.sqrt(h*h+r*r);
    }
}
java中Area程序 java程序,编写area的程序,小程序,喜欢的朋友下下看 立即下载

相关推荐

JAVA实现计算立体图形体积、面积,通过接口类实现

一样,老师布置的实验………………包括计算圆锥体、圆柱体、长方体的面积和体积……

声明圆锥体类,实现Area和Volume接口,计算表面积和体积,按体积比较大小。

声明圆锥体类,实现Area和Volume接口,计算表面积和体积,按体积比较大小。

qq_68577316的博客 2520

从零搭建自动驾驶仿真环境:我的Nuplan-devkit实战笔记(含PyCharm配置技巧)

本文详细记录了从零搭建Nuplan-devkit自动驾驶仿真环境的完整流程,包括conda环境配置、pip版本控制、PyCharm专业版集成等关键步骤。特别针对Ubuntu系统下的依赖管理、数据目录优化和性能调优提供了实用技巧,帮助开发者高效构建稳定的自动驾驶仿真开发环境。

weixin_30505225的博客 478

Java接口练习:求圆柱体和圆锥体的表面积和体积

接口试验。设计立体图形接口,包括计算表面积和体积的方法;设计圆柱体类和圆锥体类,分别实现立体图形接口,计算表面积和体积。 package src2; interface 立体图形{ double sarea(); double volume(); } class cylinder implements 立体图形{ double r,h; public cylinder(double r,double h){ this.r=r; this.h=h; } public double

weixin_49652196的博客 4254

Oracle到金仓数据库信创改造迁移实施规划方案

**性能测试和优化**:对金仓数据库的性能进行测试,根据业务负载情况进行必要的调优,确保系统能够稳定高效运行。- **数据兼容性**:评估Oracle数据库中的数据结构和金仓数据库的兼容性,明确需要重构的数据模型。- **性能测试**:通过对金仓数据库的性能测试,预估在实际业务环境下的表现,是否能达到业务需求。- **工具选择**:选择适合的迁移工具,如金仓数据库提供的迁移工具,能够提升迁移效率和准确性。- **全面迁移**:在初步迁移成功后,进行全面数据迁移,确保所有数据完整迁移到金仓数据库上。

hdrhdrjdididrr的博客 480

快衰落、慢衰落,平坦衰落、频率选择性衰落

目录一、大尺度衰落和小尺度衰落二、平坦衰落和频率选择性衰落1.反射墙、固定天线模型2.相干带宽和时延扩展三、快衰落和慢衰落1.反射墙、运动天线模型2.相干时间和多普勒扩展四、联系总结 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。 提示:以下是本篇文章正文内容,下面案例可供参考 一、大尺度衰落和小尺度衰落 移动无线信道的主要特征是信道强度关于时间和频率的变化,大致分两种: 大尺度衰落: .

weixin_45662974的博客 3万+

java solid接口 计算表面积_Java 程序改错 声明圆锥体类,实现Area和Volume接口,计算表面积和体积...

publicclassyuanzhuiextendsRectangleimplementsArea,Volume{privatedoubleradius;privatedoublelength;privatedoubleheight;publicyuanzhui(doubleradius,doublelength,doubleheight...public class yuanzhui exten...

weixin_29053073的博客 661

NA400与昆仑通态MODBUS/TCP通讯调试说明

点击增加设备通道,弹出窗口进行设置,通道类型选择“0区输出继电器”,通道地址为1,通道个数为1,读写方式为读写。点击增加设备通道,弹出窗口进行设置,通道类型选择“4区输出寄存器”,数据类型选择“16位 无符号二进制”,通道地址为21001,通道个数为1,读写方式为读写。5.添加设备通道:双击莫迪康MODBUSTCP子设备,点击添加设备通道,根据Modbus规约地址表进行参数的设置,表格可在NAPro软件帮助中查看,如下图所示。然后可以在设备通道调试数据中观察到Q1的值为1,NW1的值678,表示通讯成功。

weixin_44281509的博客 2490

用Java实现圆锥的体积公式_圆锥的体积公式及其推导

圆锥的体积公式是V=1/3Sh,S是圆柱的底面积,h是圆柱的高,r是圆柱的底面半径。1、一个圆锥所占空间的大小,叫做这个圆锥的体积。2、一个圆锥的体积等于与它等底等高的圆柱的体积的1/3。3、一个圆锥表面的面积叫做这个圆锥的表面积。圆锥的表面积由侧面积和底面积两部分组成。全面积(S)=S侧+S底。扩展资料:1、圆锥有1个顶...

计算机毕业论文源码,学生个人网页制作html源码。贴近用户做网络推广和互联网优化。 2253

【ARM CoreLink 系列 3 -- CCI-550 控制器介绍 】

Arm CoreLink CCI-550 Cache Coherent Interconnect 扩展了 CoreLink CCI-500。它在 big.LITTLE 处理器集群之间提供完整的缓存一致性,并为其他代理(如 Mali GPU、网络接口或加速器)提供 I/O 一致性。CoreLink CCI-550 提供可扩展和可配置的互连,使 SoC 设计人员能够以尽可能小的面积和功耗满足性能目标,并且还增加了可降低整体系统延迟的监听滤波器。

CodingCos的博客 2210

74、刀具磨损监测与寿命预测分析

本文综述了刀具磨损监测与寿命预测的研究现状,分析了力信号、功率信号、振动信号和声发射信号在刀具状态监测中的应用及其优缺点。介绍了当前常用的刀具寿命模型及故障诊断流程,并总结了基于不同信号的监测方法。文章指出,尽管已有多种方法在理论上取得进展,但在实际应用中仍面临挑战。未来研究方向包括采用更先进的神经网络、深入探索多信号融合技术以及有效利用工业大数据,以提升刀具状态识别的准确性与可靠性。

lstm7chronicler的博客 275

八.声明圆锥体类,实现Area和vloume接口计算表面积和体积,按体积大小进行比较...

一.源代码 二.运行结果 三.心得体会 刚开始不会编代码,经过网上查找资料完成了作业。 转载于:https://www.cnblogs.com/Morbid/p/10896747.html...

705

在 SAP 中修改 Profile 文件中的主机名需要谨慎操作,需需确保所有相关配置保持一致

在SAP系统中修改Profile文件主机名需谨慎操作,主要步骤包括:1)停止相关SAP服务;2)重命名并编辑实例级Profile文件(如ER1_D00_OLDHOST改为ER1_D00_LRPSAP),修改所有含旧主机名的参数;3)可选更新默认Profile文件;4)在Windows系统中调整注册表配置;5)验证一致性后重启服务。关键注意:保持大小写统一、修改前备份文件、集群环境需同步所有节点。通过系统日志确认新主机名生效且无报错。

金牌架构师 1049

实验八 接口与实现接口的类

声明圆锥体类,实现Area和Volume接口,计算表面积和体积,按体积比较大小 一.程序代码 public class yuanzhui extends Rectangle implements Area,Volume { private double radius; private double length; private double height; public yuanz...

weixin_30867015的博客 475

基于 OpenCVSharp 的晶圆缺口自动检测与旋正方案

在半导体制造过程中,晶圆(Wafer)需要精确定位才能进行后续加工。每个晶圆边缘都有一个特定的缺口,这个缺口就像 "箭头" 一样,帮助机器确定晶圆的方向。我们的任务就是通过摄像头拍摄的图片,自动找到这个缺口的位置,计算出需要旋转多少角度才能让晶圆对准正确方向。简单来说,这个技术就像给晶圆 "找方向",确保它在生产线上始终保持正确的姿态。

品质生活,极致编程。 1210

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

实验八--————接口

  摘要:接口是类的膜模板   问题: 1、声明圆锥体类,实现Area和Volume接口,计算表面积和体积,按体积比较大小。 2、写心得。 3、给前一位同学评阅。 预期结果: 实施想法:   1.打开编译器   2.敲代码   3.运行 以下是对实施步骤2详细说明!!!     忠心建议:直接复制以下代码,运行就完事了 ...

dbdwexo8680的博客 399

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

接口和实现接口的类

源程序: import java.util.*;interface Volume{public double Volume();}interface Area{public double Area();}public class yuanzhui extends Object implements Area,Volume {private double radius;private double...

weixin_30631587的博客 544

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

八、声明圆锥体类,实现Area和Volume接口,计算表面积和体积,按体积比较大小。...

一、代码 二、运行结果 三、心得体会 刚开始写程序的时候使用函数直接使用对象调用了函数,写接口的时候出现层次错误的问题,在同学的帮助下完成代码。 转载于:https://www.cnblogs.com/zy2023/p/10889292.html...

weixin_34087503的博客 1710

java area类用法_java反射

一、类的加载连接初始化1)JVM和类当我们调用java命令运行某个java程序时,该命令将会启动一个java虚拟机进程,该程序启动的多个线程,都处于该java虚拟机进程,当系统出现一下几种情况,JVM进程终止1.程序运行到最后正常结束2.程序运行到使用System.exit()或Runtime.getRuntime().exit代码处结束程序3.程序执行过程中,遇到未捕获的异常或错误而接受4.程序...

weixin_42517623的博客 1693

JAVA题目~圆锥类Cone Exp03-2

定义一个圆锥类Cone,为其设置私有成员变量:radius(底面半径)和height(高)。添加两个参数的构造方法,用两个参数分别初始化两个成员变量;添加无参构造方法,无参构造方法的方法体为空。 公有的方法getVolume()返回圆锥的体积,方法getArea()返回圆锥的底面积;一个参数的方法setRadius()和setHeight()分别用参数设定圆锥的底面半径和高;getRadius()和getHeight()分别返回圆锥的底面半径和高。

qq_39953607的博客 1684

8-3-1 类的组合应用——第1关:圆锥类

本关任务:1. 定义一个圆类Circle,数据成员包括半径和面积;方法成员包括设置圆的信息(参数为半径)、显示圆的半径和面积。方法成员包括设置圆锥的信息(参数为半径和高度)、不带参数的构造方法、显示圆锥信息的方法disaplay(). 显示格式:(保留2位小数) 圆的半径:3.00底面积:28.26高:5.00体积:47.10。预期输出: 圆的半径:3.00底面积:28.26高:5.00体积:47.10。为了完成本关任务,你需要掌握:1. 类和对象的定义,2. 构造方法,3.设置对象4.显示对象。

m0_73614626的博客 2577

Java利用接口计算立体图形的表面积和体积

利用接口计算立体图形的表面积和体积 import java.util.Scanner; interface 立体图形 { double area(); double volume(); } class Cone implements 立体图形{ int r; int h; public void SetCone(int r,int h) { ...

不爱赖床的懒虫博客 3595

java实验——设计圆柱体类和圆锥体类,继承圆类Circle并实现Volume接口,计算体积。

设计圆柱体类和圆锥体类,继承圆类Circle并实现Volume接口,计算体积。

m0_52474147的博客 4044

Java 圆锥类 圆类 面积 体积

Java 圆锥类 【实验内容】 一、基础性题目 引入:写一个圆锥类,可以实现打印体积的功能。(10分钟完成) 讲解。 主题:对象的组合 • 抽象一个圆类 成员变量:半径; 成员方法:求面积; • 抽象一个圆锥类 成员变量:圆锥的底为圆类的对象; 成员变量:高 成员方法:求体积。 • 主类 主方法main:通过赋值,打印圆锥体积。 • 三个类放在一个java文件中。 【实验问题与解决】 (含代码运行结果截屏与备注说明) 一、写一个圆锥类 源代码如下: class Yuan { //抽象一个圆类 dou

SKPrimin的博客 3712
下一篇: C++中数字与字符串转换
益生菌冻干粉
博客等级 码龄8年 55粉丝 88原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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