20171218-学习日记

JSR303与Hibernate Validator详解
本文详细介绍了JSR303及其配套的Hibernate Validator框架,包括各种注解的功能与应用场景,如@NotNull、@Email等。还介绍了如何在Spring MVC中配置并使用这些工具来验证用户输入。
JSR303框架-用于对Java Bean中的字段的值进行验证,使得验证逻辑从业务代码中脱离出来;是一个运行时的数据验证框架,在验证之后验证的错误信息会被马上返回;一般用于表单提交页面
@NotNull 注解元素必须是非空
@Null 注解元素必须是空
@Digits 验证数字构成是否合法
@Future 验证是否在当前系统时间之后
@Past 验证是否在当前系统时间之前
@Max 验证值是否小于等于最大指定整数值
@Min 验证值是否大于等于最小指定整数值
@Pattern 验证字符串是否匹配指定的正则表达式
@Size 验证元素大小是否在指定范围内
@DecimalMax 验证值是否小于等于最大指定小数值
@DecimalMin 验证值是否大于等于最小指定小数值
@AssertTrue 被注释的元素必须为true
@AssertFalse 被注释的元素必须为false
以上注解可以标注在方法、构造函数、字段、方法入参上当约束被定义在字段上的时候,这个字段的值是通过字段访问策略进行定义验证的


Hibernate Validator 扩展注解类:
@Email 被注释的元素必须是电子邮箱地址
@Length 被注解的字符串的大小必须在指定的范围内-min、max两个属性
@NotEmpty 被注释的字符串的必须非空
@NotBlank 被注释的字符串的必须非空,且长度需要大于0
@Range 被注释的元素必须在核实的范围内

Hibernate Validator Maven依赖:
hibernate-validator-5.2.2.Final.jar
validation-api-1.1.0.Final.jar
slf4j-api-1.7.12.jar
slf4j-log4j12-1.7.12.jar
Maven只需要引入hibernate-validator(引入这个jar包时会自动引入validation)、slf4j-api、slf4j-log4j12


在Constraint所标注,message、groups、payload这三个属性是必须的


配置Spring MVC校验框架:

在/WEB-INF/springmvc.xml中进行配置:
<mvc:annotation-driven validator = "validator" />


在Java Bean中进行配置
在Controller中进行配置


校验结果保存在BindingResult或Errors对象中:

这两个类都位于org.springframework.validation包中
需校验的表单对象和其绑定结果对象或错误对象是成对出现的
Errors接口提供了获取错误信息的方法,如getErrorCount()获取错误的数量,getFieldError(String field)得到成员属性的校验错误列表
BindingResult接口扩展了Errors接口,以便可以使用Spring的org.springframework.validation.Validator对数据进行校验,同时获取数据绑定结果对象的信息


在JSP中显示错误信息:
格式:例:${ERR_userName}


国际化错误信息:
在class下新建i18n文件夹,并新建messages.properties和messages_zh_CN.properties文件
在/WEB-INF/springmvc.xml中配置国际化


自定义校验规则:

定义注解类,并使用Constraint注解标注,属性validatedBy指定校验实现类
@Constraint(validatedBy = {xxxValidator.class})


定义实现类,需要集成ConstraintValidator接口,isValid方法负责校验、
提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
评论
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