模块代码之流程进度条1

效果如下:

HTML结构代码:

 1 <div class="gb-progress">
 2     <dl>
 3         <dd class="selected">
 4             <h4>提交</h4>
 5         </dd>
 6         <dd class="selected">
 7             <h4>处理</h4>
 8         </dd>
 9         <dd>
10             <h4>完成</h4>
11         </dd>
12     </dl>
13 </div>

主要CSS代码:

 1 /*流程进度条*/
 2 .gb-progress {
 3     padding: 40px 0; border-bottom: 1px solid #ddd; border-top: 1px solid #ddd; margin-top: 20px; 
 4     overflow: hidden; 
 5 }
 6 .gb-progress dl {
 7     position: relative; padding-top: 25px; 
 8 }
 9 .gb-progress dl::before {
10     content: ""; z-index: 9; position: absolute; top: 0; left: 17%; width: 0; height: 5px; background: #28c8fc;
11 }
12 .gb-progress dl::after {
13     content: ""; position: absolute; top: 0; left: 17%; width: 66.66%; height: 5px; background: #c8c8c8;
14 }
15 .gb-progress dl.len1::before {
16     width: 33.33%;
17 }
18 .gb-progress dl.len2::before {
19     width: 66.66%;
20 }
21 .gb-progress dd {
22     position: relative; float: left; width: 33.33%; text-align: center;
23 }
24 .gb-progress dd::after {
25     content: ""; z-index: 9; position: absolute; left: 50%; top: -35px; width: 25px; height: 25px; border-radius: 100%; background: #c8c8c8; -webkit-transform: translate(-50%,0); -moz-transform: translate(-50%,0); transform: translate(-50%,0);
26 }
27 .gb-progress dd.selected::after {
28     background: #28c8fc;
29 }
30 .gb-progress dd * {
31     font-size: 24px; color: #8d8d8d; line-height: 2;
32 }
33 .gb-progress dd.selected h4 {
34     color: #28C8FC;
35 }

JS代码:

1 $(function(){
2     var pl = $('.gb-progress dl');
3     var index = pl.find('.selected').last().index();
4     pl.addClass('len'+index);
5 });

 

上面主要思路,即灰色的长条由dl::after设置,为dd长度总和。绿色的长条样式由dl::before,其长度通过JS查找.selected然后添加对应的'len'+index。圆点由dd相同思路控制。

 

转载于:https://www.cnblogs.com/shifan/p/5614951.html

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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