EventBus

1、概述
(Android EventBus)事件总线,简化了活动、碎片、线程、服务等之间的通信,代码少、效率高。
2、EventBus是一种优化了的发布/接受事件的总线。
3、EventBus的优点
(1)简化了组件之间的通信:
解耦事件的发布者和接受者
使得在Activities 、Fragments、 background threads之间的通信更加高效。
避免复杂和易出错的依赖关系和生命周期问题。
(2)使得你的代码更加简洁
(3)很高效
(4)jar包很小
(5)在1亿App中实践过
(6)EventBus有很多特性,例如事件在传递的过程中可以跨线程,还可以定义事件接受者的优先级。
4、使用
使用EventBus有三个步骤:
(1)定义事件类
public static class MessageEvent { /* Additional fields if needed */ }
(2)定义你的接受事件的方法,使用注解的方式定义 thread mode。
@Subscribe(threadMode = ThreadMode.MAIN)
public void onMessageEvent(MessageEvent event) {/* Do something */};
在合适的方法中注册和注销你的事件接受者,例如在Activities或者是Fragment是之间通信,通常的做法是:
@Override
public void onStart() {
super.onStart();
EventBus.getDefault().register(this);
}

@Override
public void onStop() {
super.onStop();
EventBus.getDefault().unregister(this);
}
5、发布事件
EventBus.getDefault().post(new MessageEvent());

6、ThreadMode
(1)ThreadMode: POSTING:
事件的执行者将执行和事件的发布者在同一个线程中。
(2)ThreadMode: MAIN
事件的执行者将在主线程中执行
(3)ThreadMode: BACKGROUND
事件的发布者如果是子线程则事件的执行者将执行和事件的发布者在同一个线程中,如果是主线程,执行者将在一个子线程中执行。
(4)ThreadMode: ASYNC
事件的执行者将异步执行

事件在主线程发出:
02-04 11:37:41.908: I/DD(31326): onMessageEventFour——ThreadMode.POSTING main
02-04 11:37:41.908: I/DD(31326): onMessageEventOne——ThreadMode.MAIN main
02-04 11:37:41.908: I/DD(31326): onMessageEventThress——ThreadMode.BACKGROUND pool-3-thread-1
02-04 11:37:41.908: I/DD(31326): onMessageEventTwo——ThreadMode.ASYNC pool-3-thread-2

事件在子线程中发出:
02-04 11:38:03.158: I/DD(31326): onMessageEventFour——ThreadMode.POSTINGThread-33745
02-04 11:38:03.158: I/DD(31326): onMessageEventThress——ThreadMode.BACKGROUNDThread-33745
02-04 11:38:03.158: I/DD(31326): onMessageEventTwo——ThreadMode.ASYNCpool-3-thread-1
02-04 11:38:03.168: I/DD(31326): onMessageEventOne——ThreadMode.MAINmain

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
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