jQuery 简介

jQuery 是一个 JavaScript 库,它极大地简化了 JavaScript 编程。


1、jQuery 库包含以下特性:

  • HTML 元素选取
  • HTML 元素操作
  • CSS 操作
  • HTML 事件函数
  • JavaScript 特效和动画
  • HTML DOM 遍历和修改
  • AJAX
  • Utilities

2、如何向您的页面添加 jQuery 库?

如需使用 jQuery,您需要下载 jQuery 库,然后把它包含在希望使用的网页中。
下载jQuery:http://jquery.com/download/

 

jQuery 库是一个 JavaScript 文件,您可以使用 HTML 的 <script> 标签引用它:

<head>
<script src=".../jquery.js"></script>
</head>

 

3、jQuery 语法

jQuery 语法是为 HTML 元素的选取编制的,可以对元素执行某些操作。

 

基础语法是:$(selector).action();

  • 美元符号定义 jQuery
  • 选择符(selector)“查询”和“查找” HTML 元素
  • jQuery 的 action() 执行对元素的操作
示例:

$(this).hide(); // 隐藏当前元素
$("p").hide(); // 隐藏所有段落
$(".test").hide(); // 隐藏所有 class="test" 的所有元素
$("#test").hide(); // 隐藏所有 id="test" 的元素

 4、jQuery选择器

jQuery选择器分元素选择器和属性选择器,允许通过标签名、属性名或内容对 HTML 元素进行选择。

 

(1)jQuery 元素选择器

jQuery 使用 CSS 选择器来选取 HTML 元素。

$("p");     //选取 <p> 元素。
$("p.intro");     //选取所有 class="intro" 的 <p> 元素。
$("p#demo");     //选取所有 id="demo" 的 <p> 元素。

 (2)jQuery 属性选择器

jQuery 使用 XPath 表达式来选择带有给定属性的元素。

$("[href]");     //选取所有带有 href 属性的元素。
$("[href='#']");     //选取所有带有 href 值等于 "#" 的元素。
$("[href!='#']");      //选取所有带有 href 值不等于 "#" 的元素。
$("[href$='.jpg']");     //选取所有 href 值以 ".jpg" 结尾的元素。

 

更多的选择器实例:

$(this);	     //当前 HTML 元素
$("p");	             //所有 <p> 元素
$("p.intro");	     //所有 class="intro" 的 <p> 元素
$(".intro");         //所有 class="intro" 的元素
$("#intro");	     //id="intro" 的元素
$("ul li:first");    //每个 <ul> 的第一个 <li> 元素
$("[href$='.jpg']"); //所有带有以 ".jpg" 结尾的属性值的 href 属性
$("div#intro .head");//id="intro" 的 <div> 元素中的所有 class="head" 的元素

 

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
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