RxJava学习(一)

一.概述

从今天开始好好研究一下RxJava,最近好像很流行,好多开源项目都使用到了。RxJava最核心的两个东西是Observable(被观察者,事件源)和Subscriber(观察者)

二.代码

创建Observable
调用Observable对象的静态create方法
这里写图片描述
重写call方法

 Observable<String> observable = Observable.create(new Observable.OnSubscribe<String>() {
            @Override
            public void call(Subscriber<? super String> subscriber) {
            //相当于调用了Subscriber对应的方法
                subscriber.onNext("hellorxjava");
                subscriber.onCompleted();
            }
        });

创建Subscriber

   Subscriber<String> subscriber = new Subscriber<String>() {
            @Override
            public void onCompleted() {
            }
            @Override
            public void onError(Throwable e) {
            }
            @Override
            public void onNext(String s) {
                mTextView.setText(s);
            }
        };

将两者关联起来
调用subscribe函数,构造方法如下
这里写图片描述

 observable.subscribe(subscriber);

我们一般只关心onNext函数,这时可以这样写
这里写图片描述

调用just函数,参数为传递给onNext函数的值,然后调用subscribe方法,我们可以看到这个方法可以接收三个参数,Action1,Action1,Action0,分别对应onNext,onError,onCompelete.

  //只实现onNext
        Observable.just("first").subscribe(new Action1<String>() {
            @Override
            public void call(String s) {

            }
        });
   //全部实现
        Observable.just("helloandrid").subscribe(new Action1<String>() {
            @Override
            public void call(String s) {
                Log.d(TAG, "call: onNext");
            }
        }, new Action1<Throwable>() {
            @Override
            public void call(Throwable throwable) {
                Log.d(TAG, "call: onError");
            }
        }, new Action0() {
            @Override
            public void call() {
                Log.d(TAG, "call: onComplete");
            }
        });

关于just操作符这里还要说一点,不管我们是否进行了订阅,just中的函数都会执行,比如下面的例子。

  protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);
        Observable.just(add(1,2));
    }
    public int add(int a,int b){
        Toast.makeText(this, "执行了", Toast.LENGTH_SHORT).show();
        return a+b;
    }

我们并没有进行订阅,但是还是会执行方法。

结果转换

主要使用map操作符
先看看map方法的定义

这里写图片描述

接收两个参数,第一个参数的类型是just函数中内容所对应的类型,比如“hello”对应String,数字对应Integer,一旦我们确定了just函数的内容,这个参数的类型就不能变了。

第二个参数的值是最终结果的类型,

用法一
我们要把输入的hello变为hello android

 Observable.just("hello").map(new Func1<String, String>() {
            @Override
            public String call(String s) {
                return s+" android";
            }
        }).subscribe(new Action1<String>() {
            @Override
            public void call(String s) {
                mTextView.setText(s);//s = "hello android"
            }
        });
  //类型变换
        Observable.just("adf").map(new Func1<String, Integer>() {
            @Override
            public Integer call(String s) {
                return s.hashCode();
            }
        }).subscribe(new Action1<Integer>() {
            @Override
            public void call(Integer result) {
                mTextView.setText(result);
            }
        });
MATLAB代码实现了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)。 数据归化:使用mapminmax将输入和输出归化到[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