2019年10月13日学习心得

本文深入讲解Java编程的基础知识,包括Java源文件的编译过程、数据类型、运算符的使用,以及变量的作用域和初始化规则。同时,文章还探讨了异常处理机制、类型转换和字符串操作等关键概念。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Test.java经过编译(javac Test.java->-encoding utf8/GBK)变为字节码文件(一个类一个字节码文件Test.class),再经过加载加载到虚拟机,
javac编译器,IDE是集成环境开发。
数据类型和运算符。
数据类型:int4 long8 double8 float8 char2 short2 byte1(简单类型,内置类型)long a=10L;float f=12.5f;
Short.MAX_VALUE:求short类型的取值范围。
cout<<a[i]<<endl这个先输出a[i],再换行。
Long 是4个字节,不是内置类型,简单类型,而是引用类型。
String:字符串类型;引用类型。字
符串的拼接:加号在整个加的过程中只是认为是字符串,当有字符串的时候和其他数据类型进行拼接的时候,整体的结果就是一个字符串的形式进行呈现。
字符串如果是在最后, 那就是A+B的结果。一般使用这种方式:int a=10;Int b=20;System.out.println(“a=”+a+”,b=”+b)变量名字称为标识符:字母、数字、下划线、还有 . 但 是 不 能 以 数 字 开 头 。 变 量 名 大 小 写 很 明 显 。 小 驼 峰 命 名 法 , 第 一 个 单 词 小 写 , 第 二 个 大 写 。 不 建 议 用 .但是不能以数字开头。变量名大小写很明显。小驼峰命名法,第一个单词小写,第二个大写。不建议用 .开头。定义在方法内部的变量称为局部变量。
局部变量一定要先初始化,再进行使用。否则编译不能通过。作用域:方法当中{};变量:程序再运行期间可以改变值的。常量:程序运行期间不能改变值的。1、字面常量2、被final修饰的常量。(还可修饰变量,函数,类)Eg:int age =10;强类型编程语言:编译都不可通过。弱类型编程语言:警告,依然可以运行。强制类型转换。大类型给小类型(类型)隐式类型转换。
小类型给大类型。Boolean与int不兼容。在运算过程中,小类型会提升为表达式当中最大的类型,然后参与运算。CPU在存取数据的时候以4个字节进行数据的存取。
Short和byte运算时会提升为int。运算符:1、±*/%/:除法 算术异常。异常分为编译时异常和运行时异常。栈:JVM当中的一个内存,特点:先进后出。定位错误的方法:找最顶上的。当程序出现异常之后,程序不会继续往下运行。Try{放的是可能会发生异常的代码。
}CATCH{}前置++后置+=如果不进行赋值,那么代表的是一个意思。

数据集介绍:野生动物与家畜多目标检测数据集 数据集名称:野生动物与家畜多目标检测数据集 数据规模: - 训练集:1,540张图片 - 验证集:377张图片 - 测试集:316张图片 分类类别: Brown-bear(棕熊)、Chicken(鸡)、Fox(狐狸)、Hedgehog(刺猬)、Horse(马)、Mouse(老鼠)、Sheep(绵羊)、Snake(蛇)、Turtle(龟)、Rabbit(兔)及通用object(物体)共11个类别 标注格式: YOLO格式标注,包含归一化坐标与类别索引,支持目标检测模型训练 数据特性: 涵盖航拍与地面视角,包含动物个体及群体场景,适用于复杂环境下的多目标识别 农业智能化管理: 通过检测家畜(鸡/马/绵羊等)数量及活动状态,辅助畜牧场自动化管理 生态监测系统: 支持野生动物(棕熊/狐狸/刺猬等)识别与追踪,用于自然保护区生物多样性研究 智能安防应用: 检测农场周边危险动物(蛇/狐狸),构建入侵预警系统 动物行为研究: 提供多物种共存场景数据,支持动物群体交互行为分析 高实用性标注体系: - 精细标注包含动物完整轮廓的边界框 - 特别区分野生动物与家畜类别,支持跨场景迁移学习 多维度覆盖: - 包含昼间/复杂背景/遮挡场景 - 涵盖陆地常见中小型动物与禽类 - 提供通用object类别适配扩展需求 工程适配性强: - 原生YOLO格式适配主流检测框架(YOLOv5/v7/v8等) - 验证集与测试集比例科学,支持可靠模型评估 生态价值突出: - 同步覆盖濒危物种(龟类)与常见物种 - 支持生物多样性保护与农业生产的双重应用场景
内容概要:本文档详细介绍了Python实现TSO-ELM(金枪鱼群优化算法优化极限学习机)多输入单输出回归预测的项目实例。极限学习机(ELM)作为一种快速训练的前馈神经网络算法,虽然具有训练速度快、计算简单等优点,但也存在局部最优解和参数敏感性的问题。金枪鱼群优化算法(TSO)通过模拟金枪鱼群体觅食行为,具有较强的全局搜索能力。将TSO与ELM结合形成的TSO-ELM模型,可以优化ELM的输入层和隐藏层之间的权重,提高回归预测的准确性。项目包括数据预处理、TSO优化、ELM回归模型训练和预测输出四个主要步骤,并提供了详细的代码示例。; 适合人群:对机器学习、优化算法有一定了解的数据科学家、算法工程师和研究人员,特别是那些希望深入理解智能优化算法在回归预测任务中的应用的人群。; 使用场景及目标:① 提升ELM在多输入单输出回归预测中的性能,特别是在处理非线性问题时的预测精度;② 解决ELM中的局部最优解和参数敏感性问题;③ 优化ELM的隐层权重和偏置值,提高模型的表达能力和预测能力;④ 在金融、气象、能源、医疗、交通等领域提供更准确的预测模型。; 阅读建议:本文档不仅提供了理论解释,还包含详细的代码实现,建议读者在阅读过程中结合代码进行实践,理解TSO-ELM模型的工作原理,并尝试调整参数以优化预测效果。同时,读者应关注TSO算法在高维复杂问题中的应用挑战,思考如何改进优化策略。
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