局部变量、界面尺寸、调试

聊天室国际化实践

最近在做网络聊天室的小项目,把老师的代码看了好几遍,总算是有点眉目了。于是开始想往上面加功能

想到最开始那老师讲需求的时候说了个国际化的问题,于是我就总惦记着整个英文的界面出来,查了半天资料,还是不会使用。更不用说什么把那些多国语言的内容写入一个配置文件,然后读取配置文件了。

可是我还是想做出个英文的界面出来,于是想了个笨办法,就是在各个界面中分别加入不同的下拉列表,根据下拉列表的动作,来调用相关的函数实现英文的界面。

有了想法之后,就开始往里面加功能,先加登陆界面的,出现问题了,每次刚开始运行的时候都很正常,但是一旦当我选择了英文之后,那个选择语言的下拉列表都会消失不见,于是十二分的费解。关键问题是,运行的时除了下拉列表消失不见外,其他一切正常。于是对着代码左看右看,左调右调,还是不好使。遂找老师帮忙,老师看了半天也是十分纳闷,最后,老师把登陆窗口的大小调整了一下,呃,一切正常了!

我很无奈。

 

登陆界面搞定后,开始折腾聊天界面,其实聊天界面要设置的东西也不多,再加上有之前的经验,很快就完事了,可是新的问题又出现了

 

 

 

就是我每次选择英语的时候都只能将界面的一部分变成英语,另外一部分却死活都不好用,再想改回汉语的时候压根就回不起了,怎么回事呢?十分的奇怪(PS:在现在的代码状态下如果要从登陆界面过来也是会失败)。反复看了几次,快要放弃的时候想到了去搜索一下错误信息,AWT-EventQueue-0,看到有个人对另外的人说是XXXX行有个还是NULL的对象,于是回头看程序报告错误的地方,果然是有异常出现了

Exception in thread "AWT-EventQueue-0" java.lang.NullPointerException
 at ChatFrame.EnglishLanguage(ChatFrame.java:407)
 at ChatFrame.actionPerformed(ChatFrame.java:210)

遂准备开始自己那不熟练的调试,先点开这两个错误看了一眼,发现是在toWho.setText()出现的错误,又习惯性的去看了看toWho的定义,终于发现,我在定义变量的时候定义了一个JLabel类型的toWho,然后再构造函数里本来想对toWho进行初始化的时候,鬼使神差的居然写了个

JLabel toWho = new JLabel("对");(116行)

这个时候,其实是相当于我在构造方法中定义了一个新的局部变量toWho,构造方法外定义的那个toWho是没有初始化的,于是错误就出现了。

遂将错误的代码改正过来,好了,世界终于清净了

 

 

由于这个错误,还引发了其他的若干错误,比如我登陆跳转的时候(那个init),因为也要调用那个语言函数,也是问题一堆,我开始的时候还以为是传参数传错了,也曾经改过参数什么的,发现不好用,就将这部分内容注释掉了,只专心调试语言问题。

 

写到这里,已经差不多忘了自己最想写的东西了。啊,是关于看系统给出的提示信息和调试。在这段小代码中,如果我在一开始出现错误的时候就去看系统给出来的错误提示或者去调试的话,应该是不用花费大量时间看代码啊什么的。

十分赞同冯老师和刘老师所说的程序要调试的说法,只是,我为什么就没有调试程序的习惯呢?

还清楚的记得冯老师说:“难道你们都不调程序么?”

还有刘老师总说的那个梁肇新那本书里的话:“好程序是调出来的”

 

恩,坚决要养成调试程序的习惯

 

 

另外还有个我认识的人的小例子

他要从数据库中读取数据,然后将其中的一部分字符串截取出来,但是却每次都运行错误,于是他就看下错误所在的位置,然后就来回的看那段代码,也不看系统给出的错误提示,然后改了好多种写法,却每次都依然错误,过了好久好久,他才想到:啊,从数据库中读取出来的数据是有空值的,遂加一个判断条件,在字符串非空的情况下执行操作,OK,好了

不知道这种情况下如果最开始的时候他就看一眼系统给出来的详细的提示信息,然后调试一下程序,会不会就好了呢??

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
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