黑马程序员_继承

本文详细介绍了Java中子类与父类之间的变量使用特点、方法覆盖原则及构造函数的调用机制,帮助读者理解如何有效利用Java的继承特性。

            ------ android培训java培训、java基础学习技术总结、期待与您交流! ----------

       1.子父类中的变量的特点

             子类中没有必要去定义父类中已有的变量,既然父类中已经定义了次变量,那么子类直接调用即可。

        2.子父类中函数的特点

               子类可以覆盖父类的函数,子类如果覆盖 父类,子类中的方法必须和父类中方法一模一样

才能覆盖,并且保证子类权限大于父类权限
                静态只能覆盖静态
         * 在程序中不允许存在在子类中写出父类中的同名函数,但是返回类型不同
         * 父类        int show(){
         *                        return num;
         *                    }
         * 子类     void show(){
         *                   System.out.println(num);
         *                 }
         *     这样的话子类中包含了有父类中的方法,那么在调用时,没有办法确定到底调用的是哪个方法
         *     子父类中构造函数的特点
         *     子类不能覆盖父类的构造函数,因为子类构造函数名与父类构造函数名不相同
         *     当子类继承了父类后,在对子类对象初始化时,会先初始化父类的构造函数,在子类的构

                 造函数中含有一条隐式的语句
         *     super(),这条语句会访问父类无参的构造函数,并且子类每一个构造函数中都含有这条语句,

                当父类中没有无参的构造函数时,
         *     必须自己指定父类中的构造函数,并且只能写在子类构造函数的第一行。
         *     避免子类中的初始化过程被父类覆盖。
         *     为什么要调用父类的构造函数呢?
         *    因为父类中的数据子类可以直接获取,所以子类对象在建立时,需要先查看    如何对数据进行初始化,所以子类对象在初始化时
         *    ,要先访问父类中的构造函数。如果要访问父类中指定的构造函数,可以手动的调用父类中的构造函数。
         *   父类中已经存在相应的构造函数对父类中的属性进行初始化,那么子类想要初始化父类中的属性,只需调用super().

示例如下:

class Fu{
	int num;
	Fu(){
		System.out.println("fu 初始化");
	}
	Fu(int num){
		this.num=num;
		System.out.println("fu 初始化"+num);
	}
}
class Zi extends Fu{
	Zi(){
		System.out.println("zi 初始化");
	}
	Zi(int num){
		super(num); 
		System.out.println("zi 初始化");	
	}	
}
public class study {
	public static void main(String[] args) {
		// TODO Auto-generated method stub
		Zi zi=new Zi(10);		
	}
}

 

            ------ android培训java培训、java基础学习技术总结、期待与您交流! ----------

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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