Javaweb相关 02

Servlet基础
servlet中的成员变量在多个线程中会影响到其他线程,
为了保证线程安全,可以采用两种方式:
1、全部使用局部变量
2、为线程添加同步方法(Synchrony)
同步只会在一个时间执行一个线程,不会有线程同时执行,效率低,因此不再servlet中添加成员变量

httpServlet中的doGet方法等都是调用的父类GenericServlet中的service方法。

url-pattern的陪置方法有三种:
1、完全匹配:根据根目录的具体位置查找
2、目录匹配:根据相同的目录名查找
3、扩展名匹配:根据相同的文件的扩展名查找

程序会优先执行完全匹配,如果没有找到则执行目录匹配,如果仍未找到则执行扩展名匹配;
在多个目录匹配都可以找到的情况下,程序会执行最长的一条。
范围越小优先级越高。

servlet-param用于在配置文件中为初始化设置参数;

ServletContext 应用上下文对象:
属于整个Web应用程序,有且只有一个,服务器启动时被创建;
把资源的虚拟路径转化为物理路径(将虚拟路径转化为服务器的真实物理路径);
绑定一个对象在整个web引用程序中共享;
可以访问到web引用程序资源的本地输入流;
记录事件日志。

WEB-INF存放配置文件,对外不开放,无法通过网页直接访问到。

重定向除了可以在页面之间跳转,还能在servlet之间跳转。
重定向至少有两次请求两次响应。

【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文提出了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学公开的轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号分解精度,抑制模态混叠;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的动态特征,最终实现高精度的轴承故障分类。整个诊断流程充分结合了信号预处理、智能优化与深度学习的优势,显著提升了复杂工况下轴承故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①应用于旋转机械设备的智能运维与故障预警系统;②为轴承等关键部件的早期故障识别提供高精度诊断方案;③推动智能优化算法与深度学习在工业信号处理领域的融合研究。; 阅读建议:建议读者结合MATLAB代码实现,深入理解OCSSA优化机制、VMD参数选择策略以及CNN-BiLSTM网络结构的设计逻辑,通过复现实验掌握完整诊断流程,并可进一步尝试迁移至其他设备的故障诊断任务中进行验证与优化。
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