new Ext.form.RadioGroup checkbox

本文介绍了使用ExtJS框架配置RadioGroup和Checkbox组件的方法。通过示例展示了如何设置不同的选项和监听器,以及如何在提交表单时获取这些组件的值。
var deployType = new Ext.form.RadioGroup({
width : 220,
hideLabel:true,
style:'margin-left:100px;margin-top:20px',
columns : 1,
vertical :true,
items:[
{boxLabel:'不部署',inputValue:'0',name:'deployType',checked:true},
{boxLabel:'仅部署',inputValue:'1',name:'deployType'},
{boxLabel:'部署并启动',width:150,inputValue:'2',name:'deployType'}
]
});


提交参数时:
params:{
deployType:step4_card.getForm().getValues().deployType
}

/*var deployRun = new Ext.form.Checkbox({
fieldLabel :'部署并启动',
name:'deployRun',
listeners:{
check :function(checkbox ,check){
if(check){
deploy.setValue(false);
}

}
}
});
var deploy = new Ext.form.Checkbox({
fieldLabel :'仅部署',
name:'deploy',
listeners:{
check :function(checkbox ,check){
if(check){
// 部署并启动' check 不选中
deployRun.setValue(false);
}
}
}
});*/
提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
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