IOS KVO笔记

本文介绍了Objective-C中的键值编码(KVC)和键值观察(KVO)的基本概念及使用方法。KVC允许通过字符串间接访问对象属性,而KVO则提供了一种观察属性变化的机制。文章还探讨了不同情况下如何选择访问方式,并举例说明了KVC路径和KVO注册监听的使用。

----------------------------------------------------第一节

KVO的基础,有点类似java中的反射

1.键值编码是一个用于间接访问对象属性的机制,该机制不需要调用存取方法和变量实例就可以访问对象属性

2.键值编码方法在Object-c非正式协议(类目)NSkeyValueConding中被声明,默认的实现方法由NSObject提供

3.键值编码支持带有对象值的属性,同事也支持纯数值类型和结构,费对象参数和返回类型会被自动封装,自动识别


设置和访问:

1.基本使用-valueForKey   拿到某个字段的值,使用这个方法

    -setValue:设置的值是多少  forKey:这个字段的名字

以上两个方法,他们已字符创的形式向对象发送消息,字符创是我们关注属性的关键。如果没有set/get方法,那么就使用KVO的方法

以上方法如果使用的是基本数据类型,需要对基本数据类型进行封装。


2.如果一个变量声明了set/get方法的时候,可以用过点语法去访问,这个变量是private修饰的

3.如果变量声明的public的修饰的时候,那么这个时候可以用过  ->  语法去访问实例里面的值

4.变量声明的时候,最前面带下划线。通过KVO去访问得时候,先根据你的 一个key去查找,如果查找不到,它会加个下划线再去找。

5.除了可以通过键值对方法以外,还可以通过路径去访问。

valueForKeyPath: @"_author._name"  先拿到作者对象,再拿到作者对象的名字

6.一对多关系:可以拿到对象中的数组中的对象的某个属性

vlaueForKeyPath: @"_relative._name"  这个_relative 属性是个数组,并且数组中存储的是对象,可以访问到数组对象中所有的name

7.KVC的简单运算,可以应用一些字符做简单运算 ,sum,min,max,avg,count

valueForKeyPath:@"relative.@sum._price"  按照路径访问,对价格进行总和的进行计算


8.KVO设置基本数据类型的时候,如果进行封装; 能运算的字段必须是数值类型,NSNumbser或者是基本数据类型,计算的结果是NSNumber类型

setValue :[NSNumber numberWithFloat :12.6]  forKey: @“price”  因为要求是个id的类型,就是对象类型的,所以把float使用NsNumbser进行封装


----------------------------------------------------第

1.键值观察室一种使对象获取其它对象的特定属性变化的通知机制:

控制器层的绑定技术是严重依赖键值 观察活的模型层和控制层的变化通知的。对于不依赖控制层类的应用程序,键值观察提供了一种简化的方法来实现检查器并更新用户界面的值

键值观察者接受属性变更通知,观察对象首先必须发送一个assObserver.ForKeyPath:options:context 消息至被观察对象,用一传送观察对象和需要观察的属性关键路径:以便与其注册。

注册监听:addObserver:

触发的方法:observerValueForkey                                                     非正式协议:我们可以去实现,也可以不实现,非必须得协议

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 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
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