使用XPath定位信息继3

本文详细介绍了 XPath 中的 descendant-or-self 和 ancestor-or-self 轴的使用方法,并通过实例展示了如何选取 XML 文档中特定的节点。此外还探讨了 ancestor、descendant、following 和 preceding 轴的应用场景。

 

16. descendant-or-self (axis) 包含上下文节点本身和该节点的后代节点

/AAA/XXX/descendant-or-self::*

< AAA >

    < BBB >

       < CCC />

       < ZZZ >

           < DDD />

       </ ZZZ >

    </ BBB >

    <XXX>

       <DDD>

           <EEE />

           <DDD />

           <CCC />

           <FFF />

           <FFF>

              <GGG />

           </FFF>

       </DDD>

    </XXX>

    < CCC >

       < DDD />

    </ CCC >

</ AAA >

 

17. ancestor-or-self(axis) 包含上下文节点本身和该节点的祖先节点

/AAA/XXX/DDD/EEE/ancestor-or-self::*

<AAA>

    < BBB >

       < CCC />

       < ZZZ >

           < DDD />

       </ ZZZ >

    </ BBB >

    <XXX>

       <DDD>

           <EEE />

           < DDD />

           < CCC />

           < FFF />

           < FFF >

              < GGG />

           </ FFF >

       </DDD>

    </XXX>

    < CCC >

       < DDD />

    </ CCC >

</AAA>

 

18.   ancestor, descendant, following, preceding self(axis) 分割了XML 文档( 忽略属性节点和命名空间节点), 不能交迭, 而一起使用则包含所有节点

//GGG/descendant::*

< AAA >

    < BBB >

       < CCC />

       < ZZZ />

    </ BBB >

    < XXX >

       < DDD >

           < EEE />

           < FFF >

              < HHH />

              < GGG >

                  <JJJ>

                     <QQQ />

                  </JJJ>

                  <JJJ />

              </ GGG >

              < HHH />

           </ FFF >

       </ DDD >

    </ XXX >

    < CCC >

       < DDD />

    </ CCC >

</ AAA >

 

19. div 运算符做浮点除法运算, mod 运算符做求余运算, floor 函数返回不大于参数的最大整数( 趋近于正无穷), ceiling 返回不小于参数的最小整数( 趋近于负无穷)

选择偶数位置的BBB 元素 //BBB[position() mod 2 = 0 ]

< AAA >

    < BBB />

    <BBB />

    < BBB />

    <BBB />

    <BBB />

    <BBB />

    <BBB />

    <BBB />

    < CCC />

    < CCC />

    < CCC />

</ AAA >

 

 

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制方法。通过结合数据驱动技术与Koopman算子理论,将非线性系统动态近似为高维线性系统,进而利用递归神经网络(RNN)建模并实现系统行为的精确预测。文中详细阐述了模型构建流程、线性化策略及在预测控制中的集成应用,并提供了完整的Matlab代码实现,便于科研人员复现实验、优化算法并拓展至其他精密控制系统。该方法有效提升了纳米级定位系统的控制精度与动态响应性能。; 适合人群:具备自动控制、机器学习或信号处理背景,熟悉Matlab编程,从事精密仪器控制、智能制造或先进控制算法研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①实现非线性动态系统的数据驱动线性化建模;②提升纳米定位平台的轨迹跟踪与预测控制性能;③为高精度控制系统提供可复现的Koopman-RNN融合解决方案; 阅读建议:建议结合Matlab代码逐段理解算法实现细节,重点关注Koopman观测矩阵构造、RNN训练流程与模型预测控制器(MPC)的集成方式,鼓励在实际硬件平台上验证并调整参数以适应具体应用场景。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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