ES6的let,const,var简单介绍

本文详细解析了ES6中let和const关键字的特性和使用方法,包括它们的作用域、变量提升特性及与var的区别,并通过示例展示了如何正确使用这些关键字来避免常见的错误。

let

es6新增的语法,用于声明变量,类似于var,但是所声明的变量只在let命令所在的代码块内有效。意思就是只在当前声明的{ }的内部有效,在大括号外面在引用大括号内部变量的话,就会报错了。

//let
for (let i = 0; i < 10; i++) {

}
console.log(i);


//var​
for (var i = 0; i < 10; i++) {

}
console.log(i);

​

let结果:ReferenceError: i is not defined

var结果:10

大多数情况下,我会使用第一种方式,因为一般我们都会在for循环里面进行操作。let每循环一次,都是重新声明一个变量,所以每一个变量都是在不同的内存地址里面,但是var不一样,每次循环,都是指向相同的内存地址,而且这个地址是在栈内存中,而栈遵循后进先出的原则,所以最先出现的是10,那么i是指向的值为10。那下面的例子就会很好理解了。

//let
var arr = [];
for (let i = 0; i < 10; i++) {
    arr[i] = function() {
        return i
    }
}
console.log(arr[1]());   //1


//var 
var arr = [];
for (var i = 0; i < 10; i++) {
    arr[i] = function() {
        return i
    }
}
console.log(arr[1]());   //10

let声明时候,我们知道,每次循环都是指向不同的内存地址,arr[1](),就会指向i为1的内存地址,所有结果为1。var的时候,所有的循环i的值都会指向相同的内存地址,即最终的那个值,所以你不论arr[i]()中的i为多少,都会指向10,你也可以这样理解,var在他所在"{}"内循环的时候,他会将他所有的值全部循环完结束,将最终的值作为一个全局变量,进入下一个"{}"。

变量提升

解释:变量提升就是在声明前去使用。var支持l变量提升,但是let,const没有变量提升。这里的提升是指的是提升的变量声明,但是不提升变量赋值。以下面的var为例,在声明a之前使用打印出a的值,这时候我们打印出undefined,代表我们已经定义了a,但是这个时候没有拿到a的值,因为值不存在提升。

console.log(a)
var a = 1    //undefined

//上面的等价于
var a;
console.log(a)
a = 1    

console.log(b)
let b = 1    //ReferenceError: b is not defined


console.log(c)
const c = 1    //ReferenceError: b is not defined

const
const通常我们声明一个常量,但是也不仅仅是声明一个常量,他声明的变量所指向的内存地址是唯一的,所以我们一旦用const声明了一个变量,就不能重新给他赋值新的变量,即不能改变他的内存指向。而且不初始化或者说不赋值,就会报错。

const a=1;
console.log(a)  //1


a=2;
console.log(a)  //Assignment to constant variable.


const c;
console.log(c)  //Missing initializer in const declaration

在我们平常的代码中,let和const,还是优先选择const,这个涉及到多线程的问题,多线程对常量更加友好,他会对常量进行优化。

附注:声明一个对象的时候,我们还是乖乖的使用var,不要纠结太多太细~~~~~~~~~~

【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文研究了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号去噪与特征提取能力;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的长期依赖关系,最终实现高精度的轴承故障识别。整个流程充分结合了智能优化、信号处理与深度学习技术,显著提升了复杂工况下故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选择的问题,实现自适应优化;②构建高效准确的轴承故障诊断模型,适用于旋转机械设备的智能运维与状态监测;③为类似机电系统故障诊断提供可借鉴的技术路线与代码实现参考。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点关注OCSSA算法的设计机制、VMD参数优化过程以及CNN-BiLSTM网络结构的搭建与训练细节,同时可尝试在其他故障数据集上迁移应用以加深理解。
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
 
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