css选择器

 

         jQuery的选择器就是基于css选择器的规范的,所以掌握了css选择器,jQuery的选择器就搞定了啦。其实document对象也支持了css选择如document.querySelector,但并不是所有浏览器都支持的。

 

一  上下文

 

       选择必须得有上下文,不然选择就无从谈起。原生的dom选择操作有选择函数的调用者作为选择的上下文。如:

//上下文是文档对象
var oForm = document.getElementById("form1");
//上下文oForm元素
var oInputs = oForm.getElementsByTagName("input");

 

       在使用jQuery中上下文可以是作为待查找的 DOM 元素集、文档或 jQuery 对象,一般都是忽略这个参数。默认为document.

$("#radio_id1","#div_id2");
$("#radio_id1",document);
$("#radio_id1",$("#div_id2"));
$("#radio_id1");

       jQuery的每次选择都作为下次任何操作的上下文,而它的上下文就是一些匹配结果的DOM集合。以后的操作都是针对这个上下文。需要清楚的是jQuery返回的还是jQuery对象而不是DOM对象。

 

二  4种元素 选择器

 

       4种元素选择器是最基本的选择器,如下:

序号选择器含义
1. * 通用元素选择器,匹配任何元素
2. E 标签选择器,匹配所有使用E标签的元素
3. .info class选择器,匹配所有class属性中包含info的元素
4. #footer id选择器,匹配所有id属性等于footer的元素

     id选择器返回的永远只有一个元素。

 

三  层次 选择器

 

        正是引入了层次选择器才使选择变的如此简单。层次选择器将上次选择的结果作为上下文根据用户给出的层次关系进行进一步筛选。关系如下:

1. 祖孙关系

2. 父子关系

3. 之后兄弟关系

4. 并列关系

//祖孙关系,匹配所有div下面的id为form1的元素
$("div #form1");
//之后兄弟关系, 匹配所有紧随id为div_id1的元素之后的同级并且标签tag为input的元素
$("#div_id1 + table");
//父子关系,只匹配id为div_id1的元素的儿子元素中的input
$("#div_id1 > input");
//并列关系
$("#div_id1 , #div_id2");
//混合写法,每次选择作为下次的上下文
$("#div_id1 , #div_id2 form > input");

 

三 属性筛选器

 

      上面都是通过基本选择器进行选择,而属性可以对上下文进行筛选。有如下几种形式:

//具有title属性
$("input[title]");
//title属性的值为123
$("input[title='123']");
//title属性的值不为123,没有title属性的也算
$("input[title!='123']");
//以123开头
$("input[title^='123']");
//以123结尾
$("input[title$='123']");
//包含123
$("input[title*='123']");

 

四   :筛选器

 

      :筛选器类似于属性筛选器,有些也可以用属性筛选器代替。有些更像一个函数操作比如位置筛选。

 

有些属性可以取true,false值,这样一般就可以用:筛选器了

$("option:selected");
$("input:disabled");
$(".radiocls:checked");

 

     还有些位置选择器,这些操作更像个函数筛选器,位置从0开始计算

//第一个tr			
$("tr:first");
//最后一个tr			
$("tr:last");
//第2个tr
$("tr:eq(1)");
//第3个tr之前的tr
$("tr:lt(2)");
//第3个tr之后的tr
$("tr:gt(2)");
//奇数
$("tr:odd");
//偶数
$("tr:even");
 

当然还有一些选择规则啦,但是常用的也就这么几个了。附一个学习时实现上诉功能的firefox基本可以用的

 

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
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