Java -----------类和对象

Java 类和对象

   Java作为一种面向对象语言。支持以下基本概念:
   ·封装
   ·继承
   ·多态
   ·类
   ·对象
   ·方法
   ·重载
   ·重写

   这里我们重点研究对象和类的概念。

   对象:对象是类的实例化  

   类 :类是对象的抽象化 

Java中的对象

   现在让我们深入了解什么是对象。看看周围真实的世界,会发现身边有很多对象,例如姚明就是一个对象,而我们自己也是一个对象,虽然我们都会打篮球,(我们都属于会打篮球的这一类人) 显然姚明打篮球 和 我们打篮球的结果时截然不同的,所以,对象作为类的实列,会具有类中所描述的状态和行为,但是不同的对象个体,可能会呈现出
来不同的结果。

   对比现实对象和软件对象,它们之间十分相似。

Java中的类

   类可以看成是创建Java对象的模板。因为某些对象具有相同的状态(属性)与行为(方法),所以我们将他们抽象为同一类。

   通过下面一个简单的类来理解下Java中类的定义:

class Calculator {
	//实例变量
    public int num1;
    public int num2;
    
    //类变量
    public static num;
	//这个构造方法没有参数 
    public Calculator() { 
    }
    //一个普通的成员方法(加法运算 返回和)
    public int add() {
    	return this.num1+this.num2+Calculator.num;
    }
}

一个类可以包含以下类型变量:

   成员变量之实列变量:实例变量是定义在类中,方法体之外的变量。这种变量在创建对象的时候实例化。实列变量可以被类中方法、构造方法和特定类的语句块访问。 使用时通过: 引用.  的方式访问。

   成员变量之类变量:类变量也声明在类中,方法体之外,但必须声明为static类型。
使用时通过 :  类名.  的方式访问

   局部变量:在方法、构造方法或者语句块中定义的变量被称为局部变量。变量声明和初始化都是在方法中,作用域在于本方法体,方法结束后,变量就会自动销毁。

构造方法

   每个类都有构造方法。如果没有显式地为类定义构造方法,Java编译器将会为该类提供一个默认构造方法。

   在创建一个对象的时候,至少要调用一个构造方法。构造方法的名称必须与类名相同,一个类可以有多个构造方法。

   下面是一个构造方法示例:

class Calculator {
    private int num1;
    private int num2;
    
	//这个构造方法没有参数 
    public Calculator() { 
    }
    
    //这个构造方法有两个参数 (可以构成构造方法的重载 )
    public Calculator(int num1, int num2) {
        this.num1 = num1;
        this.num2 = num2;
    }
    /*当自身不需要额外的构造方法时 可以不用创建空的构造参数,
    Java编译器会为该类提供一个默认构造方法,
    但是,当自身显式的创建了额外的构造参数,
    那么Java编译器就不会再为该类提供默认构造方法,
    如果后续需要使用空的构造方法,那么得自己显式的创建出来,
    否则编译器就会报错。*/

创建对象

   对象是根据类创建的。在Java中,使用关键字new来创建一个新的对象。创建对象需要以下三步:

   声明:声明一个对象,包括对象名称和对象类型。

   实例化:使用关键字new来创建一个对象。

   初始化:使用new创建对象时,会调用构造方法初始化对象。

下面是一个创建对象的例子:

class Calculator {
    private int num1;
    private int num2;
    
	//这个构造方法没有参数 
    public Calculator() { 
    }
    
    //这个构造方法有两个参数 (可以构成构造方法的重载 )
    public Calculator(int num1, int num2) {
        this.num1 = num1;
        this.num2 = num2;
    }
    public static void main(String[] args) {
    	Calculator cal = new Calculator(10,20);
    	System.out.println("数字num1 = "+cal.num1);
    	System.out.println("数字num2 = "+cal.num2);
    }

   编译并运行上面的程序,会打印出下面的结果:
       数字num1 = 10
       数字num2 = 20

   访问实例变量和方法:

   通过已创建的对象来访问成员变量和成员方法,如下所示:

/* 实例化对象 */    Object referenceVariable = new Constructor();

/* 访问类中的变量*/   referenceVariable.variableName;

/* 访问类中的方法 */   referenceVariable.methodName();

   下面的例子展示如何访问实例变量和调用成员方法:

public class Puppy{ int puppyAge; public Puppy(String name){
// 这个构造器仅有一个参数:name
System.out.println("小狗的名字是 : " + name ); }
public void setAge( int age ){
puppyAge = age; }
public int getAge( ){
System.out.println("小狗的年龄为 : " + puppyAge );
return puppyAge; }
public static void main(String[] args){
/* 创建对象 /
Puppy myPuppy = new Puppy( “tommy” );
/
通过方法来设定age /
myPuppy.setAge( 2 );
/
调用另一个方法获取age */
myPuppy.getAge( );
/*你也可以像下面这样访问成员变量 */
System.out.println("变量值 : " + myPuppy.puppyAge ); } }
编译并运行上面的程序,产生如下结果:

小狗的名字是 : tommy 小狗的年龄为 : 2 变量值 : 2

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分模型,同借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对本数据的分或回归分析。该算法擅长处理小规模本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分指标展开,从而定量验证PSO算法在提升SVM模型分能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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