读,写 properties属性文件

Java属性文件操作
本文介绍了一个Java程序,该程序能够读取和写入属性文件,包括以XML格式存储。通过具体示例展示了如何使用Java标准库中的`Properties`类来加载和保存属性。
:D 这个是07年,可能是在8月份写的。。。大约在夏季。。。

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.util.Enumeration;
import java.util.InvalidPropertiesFormatException;
import java.util.Iterator;
import java.util.Properties;
import java.util.Set;

public class RWProperties ...{

public RWProperties() ...{
// TODO Auto-generated constructor stub
}

//读属性文件
private static Properties readProperties()...{
Properties prop = new Properties();
FileInputStream finps = null;
try ...{
finps = new FileInputStream("g:\DB.properties");
prop.load(finps);
} catch (Exception e) ...{
// TODO Auto-generated catch block
e.printStackTrace();
}finally ...{
try ...{
finps.close();
} catch (IOException e) ...{
// TODO Auto-generated catch block
e.printStackTrace();
}
}
return prop;
// prop.list(System.out);
}

private static void writerProperties()...{
FileOutputStream fouts = null;
Properties prop = new Properties(RWProperties.readProperties());//在原属性文件上追加记录
Properties prop = new Properties();//写新的属性文件

prop.setProperty("dsssssssssssss0","caaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa");
prop.setProperty("url","jdbc:sqlserver://localhost:1433;databasename=pubs");
prop.setProperty("user","sa");
prop.setProperty("pwd","sa");

try ...{
fouts = new FileOutputStream("g:\DB.properties");
prop.store(fouts, "DB");
} catch (IOException e) ...{
// TODO Auto-generated catch block
e.printStackTrace();
}finally ...{
try ...{
fouts.close();
} catch (IOException e) ...{
// TODO Auto-generated catch block
e.printStackTrace();
}
}
}

//生成XML格式的属性文件
private static void writerPropertiesXml()...{
FileOutputStream fouts = null;
Properties prop = new Properties();
prop.setProperty("driver0","com.microsoft.jdbc.sqlserver.SQLServerDriver");
prop.setProperty("driver1","sun.jdbc.odbc.JdbcOdbcDriver");
prop.setProperty("driver","com.microsoft.sqlserver.jdbc.SQLServerDriver");
prop.setProperty("url0","jdbc:microsoft:sqlserver://localhost:1433;databasename=PersonnelManagement");
prop.setProperty("url1","jdbc:odbc:PersonnelManagement");
prop.setProperty("url","jdbc:sqlserver://localhost:1433;databasename=pubs");
prop.setProperty("user","sa");
prop.setProperty("pwd","sa");

try ...{
fouts = new FileOutputStream("g:\DB.xml");
prop.storeToXML(fouts, "DB");
} catch (IOException e) ...{
// TODO Auto-generated catch block
e.printStackTrace();
}finally ...{
try ...{
fouts.close();
} catch (IOException e) ...{
// TODO Auto-generated catch block
e.printStackTrace();
}
}
}

public static void main(String[] args)...{
// RWProperties.readProperties();
RWProperties.writerProperties();
// RWProperties.writerPropertiesXml();
}

}

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。; 阅建议:建议者结合提供的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
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