自定义Annotation

本文介绍如何自定义Java Annotation,并展示了其在运行时的应用。通过创建自定义注解`MyAnnotation`,并应用到类和方法上,实现了元数据传递及接口实现类的实例化过程。此外,还提供了通过反射获取注解信息的具体示例。
//自定义Annotation
@Retention(RetentionPolicy.RUNTIME)	//此Annotation在运行时生效
@interface MyAnnotation {	
//	定义属性
	public String name();
	public int age() default 10;	//默认值
}
//测试类
@MyAnnotation(name = "test")
class Member implements Serializable {
//	@Override
//	@Deprecated
//	public String toString() {
//		return super.toString();
//	}
}

public class TestDemo {
    public static void main(String[] args) throws Exception {
//    	Annotation[] ant = Member.class.getMethod("toString").getAnnotations();
    	MyAnnotation ant = Member.class.getDeclaredAnnotation(MyAnnotation.class);
    	System.out.println("Name:" + ant.name());
    	System.out.println("Age:" + ant.age());
    }
} 
//Annotation的应用
//接口
interface IFruit {
    public void eat();
}
//接口实现类
class Apple implements IFruit {
    public void eat() {
        System.out.println("吃苹果");
    }
}
//工厂类
@MyAnnotation(target = Apple.class)    //默认注释属性
class Factory {
    public static <T> T getInstance() throws InstantiationException, IllegalAccessException {
        MyAnnotation ant = Factory.class.getAnnotation(MyAnnotation.class);    //获取指定的注释信息
        return (T) ant.target().newInstance();    //返回实例化的注释信息
    }
}
//自定义Annotation
@Retention(RetentionPolicy.RUNTIME)    //此Annotation在运行时生效
@interface MyAnnotation {    
//    定义属性
    public Class<?> target();
}

public class TestDemo {
    public static void main(String[] args) throws Exception {
        IFruit fruit = Factory.getInstance();
        fruit.eat();
    }
} 

 

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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