IOS Event Handling

本文详细介绍了iOS中UIKit如何处理用户触发的事件,包括创建事件对象、事件分发过程及hit-testing机制,同时探讨了响应链的概念及其在触摸事件处理中的作用。

From: http://blog.youkuaiyun.com/zhouxinfang/article/details/17298927    

   当一个用户发起的event发生时,UIKit创建一个event对象,该对象包含了需要处理该event的信息。然后UIKit会把该event对象添加到event队列.一个event在被分发到能够处理它的对象之前经过了很长的一段行程,首先UIApplication 会从顶层的event队列中取出一个event,然后发送给key window对象,key window对象的在这里起的作用就是根据该event的信息,找到能够处理它的最原始对象

在这里Key window通过两种方式找到能处理event的最原始的对象

Touch events:Key window会尝试deliver这些eventtouch所产生的view上面,最终找到的viewhit-test view。这种找到hit-text view的方法叫做hit-testing

Motion and remote control events:对于这些事件,Key window会将这些事件发送给first responder对象去处理。

这两种处理event的方法的最终目标是找到一个对象能够处理所产生的event。所以,UIKit会自动根据event类型发送到合适的对象去处理该event,对于touch event,这个对象就是hit-test view,对于其他的event类型,这个对象就是first responder。

Hit-Testing Returns the view where a touch occurred

IOS 使用hit-testing方法找到touch产生的viewHit-testing会检查一个touch是否发生在相关的view当中,如果是的话,会遍历该viewsubviews,在该view层次结构中最底层并且包含该touch pointview,就是所要查找的hit-test view,当检查出hit-test view后,ios就会把event传递给该view处理。

举个例子:如下图,ios根据如下顺序查找subviews

1.The touch is within the bounds of view A,so it checks subview B and C

2.The touch is not within the bounds of view B,but it is within the bounds of view C,so it checks subviews D and E.

3.The touch is not within the bounds of view D,but it is within the bounds of view E,view E is the lowest view in the view hierarchy that contains the touch,so it becomes the hit-test view.

hitTest:WithEvent;方法解析

hitTest:WithEvent方法返回hit test view,参数为CGPoint UIEvent,hitTest:WithEvent方法第一步会调用 pointInside:withEvent:方法,如果CGPoint 是在该viewbounds中时,pointInside:withEvent:返回YES,然后,该方法会在所有的子视图上递归调用hitTest:withEvent:并返回YES

如果该CGPoint不在该viewbounds中时,第一次调用pointInside:withEvent:返回NO,然后该CGPoint被忽略了,并且hitTest:WithEvent返回nil,如果有一个subview返回NO,那么整个view层次结构中的每个分支都被忽略了,因为一个touch如果不是产生在subview中,那么该subview的子subview也不可能产生。也就是说任何一个subview中的point如果是在一个superview的外面,那么该subview无法获取touch事件。当把一个subviewclipsToBounds 属性设为No时会发生这种情况。

touch event个人总结:

1.touch事件发生,创建UIEvent对象

2.按照Applicationview层次结构,逐层调用每个viewhitTest:withEvent:方法,并传入该event对象,view根据pointInside:withEvent:方法和来决定touch点是否包含在自己的bounds中;

3.如果viewbounds包含了touch点,该view会遍历自己的subview,并调用每个subviewpointInside:withEvent:方法来进一步决定touch事件是发生在自己本身,还是自己的subview上。

4.重复第二,三步,并筛选出最终接收touch事件的view对象

The Responder Chain Is Made Up of Responder Objects

许多类型的事件依赖responder chain(响应链)来传递,所谓的responder chain就是一系列的responder 对象,响应链始于first responder 结束于application对象,如果first responder不能处理一个eventios会将事件传递给响应链中的next responder

一个responder对象指能响应和处理events的对象,UIResponder 类是所有responder对象的基类,它定义的编程的接口不仅仅是为了处理event,也是为了处理常见的响应行为。UIViewController UIView UIApplication的实例都是responder对象。

first responder设计的目的是作为事件接受的第一个对象,first responder 是一个view 对象。一个对象要成为firest responder要有2个步骤。

1.重写 canBecomeFirstResponder 方法,并返回YES

2.得到 becomeFirstResponder消息,如果需要,一个对象可以给自己发送该消息

Events are not the only objects that rely on the responder chain. The responder chain is used in all of the following

Touch events:如果hit-test view不能处理touch 事件,那么事件通过响应链传递,且始于hit-test view

Text editing:当用户点击一个text field或者一个text view时,该view自动成为first responder。默认情况下虚拟键盘同时会出现,并且text field 或者text view成为编辑的焦点。

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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