序列化和反序列化

public class SerializeHelper<T>
{
        /// <summary>
        /// 序列化
        /// </summary>
        /// <param name="obj">要进行序列化的对象</param>
        /// <param name="fileName">保存路径</param>
        public void SerializeNow(T obj, string fileName)
        {             var fileStream = new FileStream(fileName, FileMode.Create);             var b = new BinaryFormatter();             b.Serialize(fileStream, obj);             fileStream.Close();         }
        /// <summary>         /// 反序列化         /// </summary>         /// <param name="fileName">要进行反序列化的文件</param>         /// <returns>结果</returns>         public object DeSerializeNow(string fileName)         {             FileStream fileStream = new FileStream(fileName, FileMode.Open, FileAccess.Read, FileShare.Read);             BinaryFormatter b = new BinaryFormatter();             var obj = b.Deserialize(fileStream);             fileStream.Close();             return obj;         }     } 以上为主要代码,那么在程序中调用如下: //序列化 var serialize = new SerializeHelper<SettingModel>();                 var setting = new SettingModel();                 setting.SqlString = txtSqlIP.Text;                 setting.SqlUser = txtSqlUser.Text;                 setting.SqlPassword = txtSqlPassword.Text;                 setting.SqlDbName = txtSqlDbName.Text;
                setting.SqlPort = txtSqlPort.Text;                 setting.VersionStopMsg = txtVersionStopMsg.Text;                 serialize.SerializeNow(setting, "Setting.dat");
//反序列化 var SettingModel = new Setting.SettingModel(); SettingModel = serialize.DeSerializeNow("Setting.dat") as Setting.SettingModel;


转载于:https://www.cnblogs.com/liqie/p/5699074.html

内容概要:本文提出了一种基于融合鱼鹰算法柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰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)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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  | 博主筛选后可见
 
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