异常

异常

定义

​ 程序运行中出现的不期而至的各种状况,会影响正常的程序执行流程

​ Java 将 异常 当作 对象进行处理

体系结构

Throwable
	Error
		VirtulMachineError
			StackOverFlowError
			OutOfMemoryError
		AWTError
	Exception
		IOException
			EOFException
			FileNotFoundException
		RuntimeException
			ArrithmeticException
			MissingResourceException
			ClassNotFoundException
			NullPointerException
			IllegalArgumentException
			ArrayIndexOutOfBoundsException
			UnkownTypeException

Error : 由 Java虚拟机生成并抛出 ->程序不可查

Exception:由程序逻辑错误引起的。

Java异常处理机制

抛出异常

​ 当方法处理不了异常时,则需抛出异常

​ 语法形式:

void run() throws xxxException{ 
	//....
}

处理异常

​ 语法形式:

try{
	//监控区域
}catch(xxxException e){ //catch可多个、即捕获多个异常
	//处理异常
}finally{ //可省略 
	//处理善后处理,无论有没有异常,都会执行
}

自定义异常

​ 自定义异常 只需要 继承 Exception 类

​ 方法步骤:

​ 1.创建自定义异常类

​ 2.方法体 throw 异常

​ 3. try-catch 捕获并处理异常

eg:

//Test类
public class Test {

    //main方法
    public static void main(String[] args) {

        try {
            test(23);
        } catch (MyException e) {
            System.out.println(e); // 异常的toString=>MyException{23}
        }

    }

    static void test(int num) throws MyException {

        if(num > 20){
            throw new MyException(num);
        }

        System.out.println(num + " 合格");
    }


}


//自定义异常类
class MyException extends Exception{

    //传递数字 >20 抛出异常
    private  int detail;

    public MyException(int num){
        detail = num;
    }

    @Override
    public String toString() {
        return "MyException{"+ detail + '}';
    }
}

内容概要:本文提出了一种基于融合鱼鹰算法和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】基于融合鱼鹰和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的模态数和惩罚因子,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
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