jquery ajax

基于Ajax的异步加载合同编号与协议版本信息

前台:

$(document).ready(function() {

    $('#contract_no').blur(function() {
        var contract_no = $('#contract_no').val();
        $.ajax({
            type : "POST",
            url : "getContractByNo.do",
            data : "contract_no=" + contract_no,
            dataType : 'json',
            success : function(data) {
                $('#agreement_edition').val(data.agreement_edit);
            },
            error : function() { // 失败
                alert('Error loading document');
            }
        });
    });

/**
         * 第二种异步加载的方式
         */
        $('#contract_no').load(
                "getContractByNo.do",
                "contract_no="+contract_no,
                function(data){
                    //{"agreement_edition":"2.2","success":"true"
                    var datas=eval("("+data+")");
                    //alert(datas["agreement_edition"]);
            $('#agreement_edition').val(datas["agreement_edition"]);
        });
    });
});

后台:

@RequestMapping(value="/getContractByNo")
    @ResponseBody
    public Map<String,String> getContractByNo(@ModelAttribute("contract_no") String contract_no){
        Map<String,String> map= new HashMap<String,String>();
        String agreement_edition="";
        try{
        if(contract_no!=null && contract_no!=""){
            Contract contractVo=contractService.getContractVersionByNo(contract_no);
            if(contractVo!=null){
                agreement_edition=contractVo.getContract_version();
                /*if("1.4.1".equals(agreement_edition)){
                    str_contract.append("<option value='"+agreement_edition+"' selected>"+agreement_edition+"</option>");
                }else if("1.4".equals(agreement_edition)){
                    str_contract.append("<option value='"+agreement_edition+"' selected>"+agreement_edition+"</option>");
                }else if("2.2".equals(agreement_edition)){
                    str_contract.append("<option value='"+agreement_edition+"' selected>"+agreement_edition+"</option>");
                }*/
            }
        }
        map.put("success", "true");
        map.put("agreement_edit",agreement_edition);
        }catch(Exception e){
            logger.debug("合同编号匹配协议版本异常:"+e);
        }
        return map;
       
    }

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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

打赏作者

cczzyc1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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