关于IOC和DI讨论

本文探讨了一篇关于Spring3中解释IOC(依赖注入)与DI(依赖注入)概念的PPT,指出其描述可能与Martin Fowler的文章存在出入,并邀请读者参与讨论,以澄清对这两个概念的理解。

刚刚看了 spring3最新最全的免费PPT下载,第一手拿到的内部资料,分享给各位 这篇帖子中的PPT,在PPT中 把 IOC和DI详细的讲解了一个遍,不知道为什么,我是看着这个讲解越看越觉得越让人迷惑。且看下图



 这是直接截取的PPT的内容,我真不知道这样来描述这所谓的2个概念需要让看客们如何理解...

 

同时我们可以去看看 Martin Fowler的   Inversion of Control Containers and the Dependency Injection pattern  

或者中文版本:http://simplejee.googlecode.com/files/DependencyInjection.pdf

 

在这个文章中如果说我没有理解错误的话,作者很清楚的描述了IOC和DI在他们支撑着的是都实现了相同的一个模式,而这个模式决定了使用的容器组件装配的方式。

“In the Java community there's been a rush of lightweight containers that help to assemble components from different projects into a cohesive application. Underlying these containers is a common pattern to how they perform the wiring, a concept they refer under the very generic name of "Inversion of Control". In this article I dig into how this pattern works, under the more specific name of "Dependency Injection", and contrast it with the Service Locator alternative. The choice between them is less important than the principle of separating configuration from use.”

 

但但这个PPT里所描述的这二者如果按正常的理解的话和这篇文章的描述应该是有出入的吧....

 

 

欢迎大家扔砖头.

 

 

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性稳定性。此外,文档还列举了大量相关的科研方向技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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