包、访问权限、对象的组合

MathApp.java

import geometry.*;
class MathApp{
	public static void main(String args[]){
		Point a=new Point(0,0);
		Point b=new Point(1,1);
		Line line=new Line(a,b);
		double length=line.length();
		System.out.printf("The length of the Line is:"+length);
	}
}

package geometry;

public class Point{
	double x;
	protected double y;
	
	public Point(double x,double y){
		this.x=x;
		this.y=y;
	}
}

package geometry;
public class Line{
	private Point startPoint;
	private Point endPoint;
	
	public Line(Point startPoint,Point endPoint){
		this.startPoint=startPoint;
		this.endPoint=endPoint;
	}
	public double length(){
		double a=startPoint.x-endPoint.x;
		double b=startPoint.y-endPoint.y;
		return Math.sqrt(a*a+b*b);
	}
}


在这个代码的基础上,编写一个程序,该程序能够判断两个圆是否相切。

import geometry.*;
class MathApp{
	public static void main(String args[]){
		Point a=new Point(3,4);
		Point b=new Point(10,4);
		Line line=new Line(a,b);
		double r=3,R=4;
		double d=0;
		d=r+R;
		double length=line.length();
		if(d==length)
		{
			System.out.println("两个圆相切");
		}
		else
		{
			System.out.println("两个圆不相切");
		}
		System.out.printf("The length of the Line is:"+length);
	}
}

package geometry;

public class Point{
	double x;
	protected double y;
	
	public Point(double x,double y){
		this.x=x;
		this.y=y;
	}
}

package geometry;
public class Line{
	private Point startPoint;
	private Point endPoint;
	
	public Line(Point startPoint,Point endPoint){
		this.startPoint=startPoint;
		this.endPoint=endPoint;
	}
	public double length(){
		double a=startPoint.x-endPoint.x;
		double b=startPoint.y-endPoint.y;
		return Math.sqrt(a*a+b*b);
	}
}



【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
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