03-jQuery和JS入口函数的区别

本文探讨了原生JavaScript与jQuery中入口函数的差异,包括它们的执行时机、获取DOM元素的能力以及处理多个入口函数的方式。揭示了jQuery的$(document).ready()与window.onload的不同之处。
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>03-jQuery和JS入口函数的区别</title>
  <script src="https://code.jquery.com/jquery-1.12.4.js"></script>
  <script>
   /* window.onload = function () {
      //1.通过原生的JS入口函数可以拿到DOM元素
      var img = document.getElementsByTagName("img")[0];
      //console.log("img");
      //2.通过原生的JS入口函数可以拿到DOM元素的宽高
      var width = window.getComputedStyle(img).width;
      var height = window.getComputedStyle(img).height;
      // console.log(width);
      // console.log(height);
    }*/

    /*原生JS和jQuery入口函数加载模式不同
    原生JS会等到DOM元素加载完毕,并且图片也加载完毕后才会执行
    jQuery会等到DOM元素记载完毕,但图片没有加载完毕就会执行*/

    /*$(document).ready(function(){
      //1.通过jQuery入口函数可以拿到DOM元素
      // var $img = $('img')[0];  //两种写法
      var $img = $("img");
      console.log($img);
      //2.通过jQuery入口函数不可以拿到DOM元素的宽高
      var $width = $img.width();
      var $height = $img.height();
      console.log("jQuery",$width);
      console.log("jQuery",$height);
    });*/

    /* 1.原生JS如果编写多个入口函数,后面编写的会覆盖前面编写的入口函数
    ** 2.jQuery中编写多个入口函数,后面的不会覆盖前面
     */

   /* window.onload = function () {
      alert("woaini1");
    }
   window.onload = function () {
     alert("woaini2");
   }*/
   $(document).ready(function () {
     alert("hello1");
   });
   $(document).ready(function () {
     alert("hello2");
   });
  </script>
</head>
<body>
<img src="http://pic28.photophoto.cn/20130818/0020033143720852_b.jpg" alt="">
</body>
</html>

 

【电能质量扰动】基于MLDWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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