许未来的web2.0 常用技巧

本文分享了前端开发中常见的技巧和解决方案,包括XML编码、CSS伪类使用、JavaScript文件引用、图片优化、字体自定义、div布局调整、Firefox特性注意事项等,适合前端开发者参考。

1xml文件尽量以utf-8编码,gb2312有些字是存储不了的,如?,就算能存也需要转换,比较麻烦,utf-8也符合国际规范。
  2CSS:hover这个伪类,如果放在:visited前面则会失效。
  3、<a>标签如果没有href属性,所有对它的css的伪类如:hover均失效。

  4js文件中用document.wirte("script language=’javascript’ src=’" + file + "’></" + "script"形式的引用,其file相对路径均为引用该jshtml的路径。
  如:a.htm 引用x"b.js,b.js引用x"c.js,file应该为x"c.js而不是相对b.js的直接路径c.js,而css中的@import,url()引用不存在这个问题
  5、在页面中,有时talbe的宽设置为100%右边也会留下一个滚动条的空白,请设置<body  style="overflow:auto"
  6、对于常用的图片不要用img标签,使用<span><a>并用css指定其背景和宽高,对于做动态的(移上去变背景),使用<a>最好,不需要额外编写代码,只要利用伪类:hover就好了,使用css好处是一次改变全部改变,这点可以很好的利用在换皮肤的应用中。
  7@font-facefont-family:comic;src:url(http://valid_url/some_font_file.eot);
  定义一种在本地没有的字体名称,调用<span style="font-family:comic;font-size:18ptaa/span
  8、几个CSS
  div overflow: hidden;text-overflow:ellipsis;
  td vertical-align : middle;
  要强制溢出发生并且应用 ellipsis 值,作者必须设置对象的 white-space 属性值为 nowrap   假如没有换行机会(例如,对象容器的宽度是狭窄的,而内有很长的没有合理断行的文本),没有应用 nowrap 也有可能溢出。
  为了使 ellipsis 值被应用,此属性必须被设置到具有不可视区域的对象。最好的选择是设置 overflow 属性为 hidden
  9firefoxdocument.createElement不支持内容里有HTML标签,也不支持innerText,但是支持innerHTML,可以用innerHTML指定其内容。
  10.net控件里DropDownListfirefox下的宽度不着色,需要直接定义style=’width:10px;’
  11firefoxcsscursor不支持hand,使用pointer代替。
  12iframe里的滚动条需要在iframe标签里设置style=’overflow:hidden’,不能仅仅在body里设置,在firefox会有问题。
  13、在onpropertychange事件时,注意使用event.propertyName对属性改变事件过滤,在设置本事件时,其实已经改变了onpropertychange这个属性,所以会自动的执行一次。
  14js5.6里的对XSL的支持版本较低,如document函数就不支持。

  15slice函数比直接循环获取数组片断慢。
  16nextSibling获得下一个对象时,需要注意,两个节点间不要有空格,否则很容易获取不到正确得对象。
  17CreateTextFile在有中文时必须指定第三个参数为true,否则不能写入中文,表现为Write写时报错
  18、保存中文文本时使用ADODB.stream,不使用fso,因为FSO不支持utf-8格式。

转载于:https://www.cnblogs.com/yuzhongwusan/archive/2008/08/16/1269133.html

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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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