设计模式(十)----- 外观模式(Facade)----(JAVA版)

本文介绍了外观模式的概念及其适用场景,通过两个实例展示了如何使用外观模式来简化复杂子系统的接口,提高系统的可重用性和独立性。

外观模式(Facade):

      为子系统中的一组接口提供一个一致的界面,定义了一个高层接口,这个接口使子系统更加容易使用。

适用性:

1.当你要为一个复杂子系统提供一个简单接口时,子系统往往因为不断演化而越来越复杂,大多数模式使用时都会产生更多更小的类,这使得子系统更具有可重用性,也更容易对子系统进行定制,但这也给这些不需要定制子系统的用户带来一些使用上的困难。Facade可以提供一个简单的缺省视图,这一视图对大多数用户来说已经足够,而那些需要更多的可定制的用户可以越过facade层。

2.客户程序与抽象类的实现部分之间存在着很大的依赖性。引入外观模式将这个子系统与客户以及其他的子系统分离,可以提高子系统的独立性和可移植性

3.当你需要构建一个层次结构的子系统时,使用外观模式定义子系统中每层的入口点。如果子系统之间是相互依赖的,你可以让它们仅通过外观模式进行通讯,从而简化了它们之间的依赖关系

参与者:

1.Facade

   知道哪些子系统类负责处理请求,将客户的请求代理给适当的子系统对象

2.Subsystemclasses

  实现子系统的功能,处理由facade对象指派的任务,没有facade的任何相关信息,即没有指向facade的指针


类图:




一个例子:

Subsystemclasses:

package car_package;

public class car {

    public void start() {
        System.out.println("车子已启动");
    }

    public void check_stop() {
        System.out.println("刹车检查");
    }

    public void check_box() {
        System.out.println("检查油箱");
    }

    public void check_console() {
        System.out.println("检查仪表盘是否异常");
    }

}

Facade:

package car_facade;

import car_package.car;

public class car_facade_imple {

    public void car_go_go(car car_ref) {
        car_ref.check_box();
        car_ref.check_console();
        car_ref.check_stop();
        car_ref.start();
    }
}

Test:

package run_main;

import car_facade.car_facade_imple;
import car_package.car;

public class run_main {

    public static void main(String[] args) {
        car_facade_imple car_facade_imple_ref = new car_facade_imple();
        car_facade_imple_ref.car_go_go(new car());
    }
}

result:

检查油箱
检查仪表盘是否异常
刹车检查
车子已启动


第二个例子:

package com.facade.test;

public interface ServiceA {
 public void methodA();
}

package com.facade.test;

public interface ServiceB {
 public void methodB();
}

package com.facade.test;

public interface ServiceC {
 public void methodC();
}

package com.facade.test;

public class ServiceAImpl implements ServiceA {

 @Override
 public void methodA() {
  // TODO Auto-generated method stub
  System.out.println("method a is running......");
 }

}

package com.facade.test;

public class ServiceBImpl implements ServiceB {

 @Override
 public void methodB() {
  // TODO Auto-generated method stub
  System.out.println("method b is running......");
 }

}

package com.facade.test;

public class ServiceCImpl implements ServiceC {

 @Override
 public void methodC() {
  // TODO Auto-generated method stub
  System.out.println("method c is running......");
 }
}

facade:把用到的接口都放到此类中,然后进行实例化,若要完成一个任务,需要用到其中某些对象的一些方法,则把这组相关方法组合起来,构成一个新的方法,这样的话,我们可以直接调用前面那个方法,从而完成某一个特定的功能:

package com.facade.test;

public class Facade {
 ServiceA sa;
 ServiceB sb;
 ServiceC sc;

 public Facade() {
  sa = new ServiceAImpl();
  sb = new ServiceBImpl();
  sc = new ServiceCImpl();
 }

 public void methodA(){
   sa.methodA();
   sb.methodB();
  }

 public void methodB() {
  sb.methodB();
     sc.methodC();
 }

 public void methodC() {
  sc.methodC();
  sa.methodA();
 }
}

test:  测试程序,当单独使用特定类的对象时和使用外观模式时进行对比,从而可以看出相应的效果:

package com.facade.test;

public class Test {
 public static void main(String[] args) {
  ServiceA sa = new ServiceAImpl();
  ServiceB sb = new ServiceBImpl();
  sa.methodA();
  sb.methodB();
  System.out.println("=====================");
  Facade f = new Facade();
  f.methodA();
  f.methodB();
 }
}

运行结果如下:

method a is running......
method b is running......
=====================
method a is running......
method b is running......
method b is running......
method c is running......


参考资料:

1.http://rainbowj234.diandian.com/post/2011-11-15/6839047

2.http://hi.baidu.com/576699909/item/ef7a8e13578271a3feded59d

内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
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
 
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