c++ Builder 初学问与答(十七)

我的Qt常用笔记(持续更新) 图片名称为image1.png,我这里放在了image文件夹中选中项目右键,添加新文件选择Qt Resource File,点击Choose然后给资源文件qrc取个名字,我这里取的名字是ret右键ret.qrc,Open in Editor然后会显示image.qrc这个窗口,点击下面添加前缀按钮注:可以添加前缀也可以不用添加前缀,添加前缀是为了更好区分资源。前缀名如果不知道起什么,就用“/”即可,然后点击add files然后,就可以点击添加文件。此时会弹出选择框让我们选择。 阅读详情
 

(版权要求:本文仅授权优快云使用,其他个人与网站不得转载、摘录,若有特别需求可与作者联系)

7)Set类如何用?

答:严格来说,CB的集合(Set)并不是一个类,而是一个类模板(Class Template)。它用来实现集合这个抽象数据类型。

使用它可以定义一个实际的集合类型,它的一般声明模式是这样的:

typedef Set<type,minval,maxval>ClassName;

其中type用来指定集合元素的类型;minval指定集合元素的最小值;maxval指定集合元素的最大值。

举个例子来说,若是我们定义一个以TupperSet为名的集合类,这个集合类的可能元素为26个大写字母,我们可以这样定义:

typedef Set<char,’A’,’Z’>TupperSet;

应用时我们可以使用这个集合类声明一个具体的集合对象,如:

TupperSet UpperSet;

 

8)能不能告诉我一下Set类有哪些常见的使用方法或操作符?

答:当然可以了,以下是它的一些常见操作符和方法:

Clear方法:清除集合对象内的所有元素,使集合成为空集;

Contains方法:查询集合中是否包含指定的元素,其声明为:

bool _fastcall Contains(const T el)const;

operator-:两个集合进行求差运算,结果集合包含两个集合中不相同的元素;

operator*:求两个集合的交集;

operator+:求两个集合的并集;

operator<<:添加一个元素到指定集合;

operator>>:从集合中删除一个指定元素。

其实Set类的应该比较广泛,比如判断我们是否按下鼠标左键,可以用如下的语句:

if(Shift.Contains(ssLeft))。

 

9)听说在CB中有一个可以定时触发的组件,能否介绍一下它的属性和事件吗?

答:你说的是Timer组件,它位于组件栏的System组件页中。使用它并不难,因为他的属性、事件特别少:

Enabled属性:布尔类型。缺省时为true,这时定时器将经过一段时间就触发OnTimer事件。在这个属性从false变为true时,时钟将重新开始计时。

Interval属性:这个属性用来设置每隔多长时间就触发一次OnTimer事件,以毫秒为单位。缺省为1000毫秒。

OnTimer事件:这个事件在Enabled属性设置为true时,每隔Interval属性指定的时间触发一次。

 

10)原来Timer组件如此简单,但我还有些不懂为什么说它是一个可找替循环语句,能否举一个例子说明下OnTimer事件?

答:它不能取替循环语句的,当然在特定条件下,他比循环语句更有效,尤其是在涉及到按时循环时。在我编写的春辉网络电视里有一段OnTimer事件代码,可供大家参考:

void __fastcall TForm1::Timer1Timer(TObject *Sender)

{

        String s1="春辉(CH)软件   作者:董维春  王岩   CH工作室";

        if(i<=54)

        {

          Label1->Caption=s1.SubString(i,18);

          i+=2;

        }

        else

        {

        i=1;

        }

}

(未完待续)

 

C++Builder中大尺寸图象的显示技巧 在C++Builder中利用TImage控件可以轻松地读入并显示图象,但TImage 控件本身不可以接收输入焦点,也没带有滚动条,在显示超出显示区域范围的大图象时,需要对TImage控件进行加强。本文提出两种最容易实现且有效的方法,满足不同应用的需求。    方法一:增加滚动条。    增加滚动条可以通过将TImage放在TScrollBox控件中来实现。步骤如下:  阅读详情

相关推荐

用51单片机和LD3320语音模块DIY一个会说话的温度报警器(附完整代码)

本文详细介绍了如何使用51单片机和LD3320语音模块DIY一个智能温度报警器,包括硬件选型、电路设计、软件开发及核心功能实现。通过DS18B20温度传感器和语音模块的结合,实现温度超标时的语音报警功能,适合智能家居系统等应用场景。附完整代码,方便开发者快速复现。

weixin_42525632的博客 422

组合键问题(Ctrl Shift Alt)

窗口KeyPreview   ==   true,这样就可以在Edit子窗口之前截获到在Edit子窗口的键盘输入了。     然后在OnKeyDown(按下),OnKeyPress(按住不放),OnKeyUp(按键放开)等事件里写相应的内容。(可以通过OnKeyDown和OnKeyUp共同计算来决定是否在长时间按下时还继续粘贴相应的内容)     因为你这里要贴东西,所以我想应该选用OnKeyUp

网络旋男的专栏 1827

vivado时序分析 实例

vivado时序分析实例建立余量保持余量 建立余量 保持余量

Bunny9__的博客 1万+

C++ Builder 实现动态生成窗口、控件,以及处理控件事件

以下代码出自http://blog.youkuaiyun.com/hellogv/,引用请注明出处!  废话就不多说,直接开始本文的重点 //---------------------------------------------------------------------------void __fastcall TForm1::Button1Click(TObject *Sender){//

hellogv的专栏 7601

湿敏电阻HR202的两种驱动方案实测:IO充放电法 vs. 交流方波ADC法,哪个更适合你?

本文深入评测湿敏电阻HR202的两种驱动方案:IO充放电法和交流方波ADC法。通过原理图分析、精度实测和资源占用对比,揭示交流方波ADC法在精度和稳定性上的优势,特别适合长期监测场景。同时提供IO充放电法在资源受限情况下的应用建议,帮助工程师根据项目需求做出最优选择。

weixin_30421809的博客 468

AI Agent实战:WorkBuddy安装部署、任务执行与模型接入全教程

AI Agent是当前自动化办公与智能工作流的核心技术,它区别于传统问答式AI,能够理解目标、拆解任务并调用工具交付完整成果。其底层原理基于任务规划、工具调用与结果验证的循环机制,让机器从“提供建议”进化为“完成任务”。在工程实践中,合理配置模型服务(如接入DeepSeek)、设计标准化Skill(技能包)与自定义指令,可以显著提升Agent在报告生成、数据分析、竞品调研等场景中的稳定性与效率。WorkBuddy作为典型的任务式AI工作台,为运营、产品、开发等多角色提供了统一入口,覆盖安装部署、任务描述公式

weixin_26712075的博客 293

C++Builder中定义自己的事件

.h//--------------------------------------------------------------------------------------------------class xxx{private:  TNotifyEvent FOnCustomClick;     void __fastcall FireCustomClick(); public:  

Blackart的专栏 1608

从HSPICE到Spectre:手把手教你搞定不同SPICE仿真器的网表转换(附避坑指南)

本文详细介绍了从HSPICE到Spectre的SPICE仿真器网表转换方法,包括核心语法差异、分步转换流程和常见问题排查。通过实战案例和避坑指南,帮助工程师高效解决不同SPICE仿真器间的兼容性问题,提升集成电路设计效率。

weixin_29745609的博客 369

在C++ Builder中定义事件 (转)

在C++ Builder中定义事件 (转)[@more@]在C++ BUILDER中,事件是一种委托模型,它是对消息的封装。如果你用过VC,你就知道在VC中并不存在什么事件,而只有消息处理函数,而在C++ BUILDER中则是由...

ciya3282的博客 341

支付宝支付(三):周期扣款实现注意细节

一、周期扣款实现说明 1、官方文档入口:https://opendocs.alipay.com/open/20190319114403226822/intro 2、根据官方文档说明,周期扣款有两种方式:先签约后代扣场景和支付后签约场景 3、周期扣款接入问题文档: a>https://opendocs.alipay.com/support/01rg24 b>https://opensupport.alipay.com/support/knowledge/50249/20160248753

新鲜雾霾的博客 5708

2025华为杯第二十二届中国研究生数学建模竞赛E题:高速列车轴承智能故障诊断问题 - 完整解题分析+完整MATLAB源码!

🎓 本文收录于 《滚雪球学数学建模》专栏,本专栏专注于从零基础出发,带你循序渐进掌握数学建模的核心方法与思维路径。通过“滚雪球式”学习法,从最简单的生活化案例到经典建模工具,再到省赛、国赛真题实战演练,逐步积累知识与技能,帮助你搭建完整的建模体系。无论你是刚接触建模的新生,还是希望提升科研与竞赛能力的学者与工程师,本专栏都将为你提供一条清晰、高效、可实操的建模成长路线,助力你快速进阶,突破难点,迈向数学建模竞赛与实际应用的更高峰 🚀!

**My Coding Family** 2002

尽快掌握C++BUILDER的使用

要尽快掌握C++BUILDER的使用 C++Builder开发工具是由Borland公司推出的一款高性能可视化集成开发工具,他不但集成大部分开发工具的有点,C++Builder开发工具还提供了可视化窗体设计器、对象观察器、控件板、工程管理器、集成编辑器和调试器等。 这里,你可以先买一本关于C++Builder开发工具入门的书,现在外面大多数都是这种简单的罗列一些c++ builde

icjava的专栏 1315

华为OD机考双机位C卷 - 区间交集(Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 区间交集

算法大师! 1138

【C++高阶系列】从“会写代码”到“会设计”:策略、工厂、建造者与代理模式详解

本文介绍了C++中的设计模式概念,重点探讨了策略模式的应用场景。设计模式是前人总结的可复用解决方案,用于解决常见软件设计问题。文章以日志系统为例,对比了同步日志和异步日志的实现差异:同步日志由业务线程直接完成IO操作,可能阻塞后续业务;异步日志则将耗时IO交给后台线程处理,提升效率。策略模式适用于这种目标相同但实现方式多样的场景,避免代码臃肿。作者强调设计模式应结合实际需求使用,而非生搬硬套。文章还回顾了单例模式的实现要点,为后续设计模式的讲解奠定基础。 (字数:149)

努力努力再努力wz的博客 289

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

在C++ Builder中定义事件

在C++ BUILDER中,事件是一种委托模型,它是对消息的封装。如果你用过VC,你就知道在VC中并不存在什么事件,而只有消息处理函数,而在C++ BUILDER中则是由事件处理函数来负责响应消息。同是,事件本身也是一指针,它是一个闭包,通常在C++ BUILDER中有两种事件:通知类型事件(即TNOTIFYEVENT,对WINDOWS消息的封装)和自定义事件。除此之外,我们也知道事件是通过一个虚

kingcaiyao的专栏 1562

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

toupper函数

toupper函数

qq_46017342的博客 6666

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

BCB key事件中判断Shift、Alt、Ctrl状态

BCB key事件中判断Shift、Alt、Ctrl状态:类似此事件中 void __fastcall TForm1::keydown(TObject *Sender, WORD &Key,TShiftState Shift) { if(Key==VK_DELETE) { ((TcxTextEdit*)Sender)->Top=-111; ((TcxTe

beslow的专栏 3885

contains 精确匹配

var firstoption =$("a:contains('1')").map(function(){ if ($(this).text() == "1") { return this; } });a标签为1的内容

zjutke的专栏 1581

BCB如何处理FORM、ScrollBox的鼠标滚轮事件

void __fastcall TForm1::FormMouseWheelDown(TObject *Sender, TShiftState Shift, TPoint &MousePos, bool &Handled) { Handled = true; //这个很重要,否则会出现不期望的效果 if (Shift.Contains(ssCtrl) && (Shift

u010030181的专栏 2853

c++ toupper和tolower

114514

123456 1575

contains方法_【原创】Pandas数据处理系列(二):常用处理方法笔记

Pandas的魅力在于处理数据的灵活性,但是由于太灵活,会导致使用者很容易忘记各类方法。在Pandas学习这件事情上,真正体现了好记性不如烂笔头的方法特性。故特用此文章记录Pandas常用的数据处理方法,需要用的时候,打开此文章直接查阅即可。1.多列排序enddf=newdf.sort_values(['date','Buypower'],ascending=[True,False])2.数组差集...

weixin_42509616的博客 774

用 C++Builder 用 TRichEdit 编写 SQL 编辑器

很想找一现成的 SQL 编辑器, 可是NO!,只好自己努力一把了! 没有拼写检查,没有自动完成,只提供根据[关键字/函数/数据类型]进行着色. [关键字/函数/数据类型]都是MSSQL 的,其他数据库需要参考相关资料自己动手 .dfm object SQLEditor: TRichEdit Font.Color = clWindowText Font.Heig...

sczyq的专栏 618
上一篇: 深入QuickReport(三)
下一篇: 恶意网页清除历程
ch_builder
博客等级 码龄25年 76粉丝 58原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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