JSTL

本文介绍标准标记库JSTL的基本使用方法,包括如何配置JAR文件、引入JSTL到JSP页面,以及如何利用JSTL进行变量操作、流程控制、条件判断和循环等。此外还介绍了如何用JSTL处理URL信息。

标准标记库JSTL

这里写图片描述

需要两个JAR文件。第一个文件是jstl.jar,它为JSTL标记库提供API类。第二个文件是standard.jar,它提供了标记库的实现类 。复制到WEB-INF目录下的lib子目录下。
通过<%@ taglib uri=“http://java.sun.com/jsp/jstl/core” prefix=“c” %>引入到JSP

JSTL通用标记

使不使用JSP脚本执行Java程序成为可能

<c:catch var="e">
   会抛出异常的代码
</c:catch>
<c:out value="${number}" />
支持变量
<c:set var="num" value="${4*4}" /> 
<c:set var="num">
  ${8*2}
</c:set>
<c:set var="num">
  <c:out value="${8+8}" />
</c:set>
设置对象属性
<c:set target="customer1" property="zipcode">
  55501
</c:set>
或者
<c:set target="customer1" property="zipcode" value="55501">

JSTL流程控制
JSTL条件处理

<c:if test="${x == '9'}">
  ${x}
</c:if>

----------------------------
<c:choose>
  <c:when test="${color == 'white'}">
    Light!
  </c:when>
  <c:when test="${color == 'black'}">
    Dark!
  </c:when>
  <c:otherwise>
    Colors!
  </c:otherwise>
</c:choose>

循环

<%@ taglib uri="http://java.sun.com/jsp/jstl/core" prefix="c" %>
<html><body>
  <c:forEach var="x" begin="0" end="30" step="3">
    ${x}
  </c:forEach>
</body></html>
------------------------
循环赋值
<c:forEach var="num" items="${numArray}">
  <c:set var="num" value="100" />
</c:forEach>

-----------------------------
<c:forTokens>标记用于循环处理字符串中由分隔符分隔的各成员。其语法形式为:
<c:forTokens items=".." delims=".." 
[var=".."] [varStatus=".."] [begin=".."] [end=".."] [step=".."]>
  内容体
</c:forTokens> 

用JSTL访问URL信息

< c:url > 用于URL重写

<c:url value="/page.html" var="pagename"/>
<c:url value="/page.html" var="pagename">
  <c:param name="param1" value="${2*2}"/>
  <c:param name="param2" value="${3*3}"/>
</c:url> 

< c:import>用于访问Servlet容器外的内容

<c:import url="/content.html" var="newstuff" scope="session">
  <c:param name="par1" value="val1"/>
  <c:param name="par2" value="val2"/>
</c:import> 

< c:redirect> 与sendRedirect()方法相同

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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