day5 JAVA 高级特性

本文详细解析了Java中的Static、final、abstract、interface及内部类等关键字的使用方法与特性,介绍了静态成员、单例模式、抽象类与接口的概念,并探讨了它们在实际编程中的应用。

1.Static关键字

当所有对象都使用者一个属性的时候,就要设置一个类内的全局变量。


当建立一个类时,且需要将所有的对象具有相同属性,这个属性被这个类的所有成员所共享

可以将这个成员设置成为静态的,静态的成员在加载类的时候一并加载进内存,并且只需要存一份在内存就可以了,

在建立新对象时,不需要重新对静态成员进行分配内存空间

只要权限允许,可以直接通过类名访问静态成员

建立类是,可以将类成员分为,类成员和实例成员,所有对象都可以访问,都可以修改它。

public static int count= 0;

静态成员方法只能访问静态属性,既不能用this也不能用super

 main() 方法是静态的,因此JVM在执行main方法时不创建main方法所在的类的实例对象,因而在main()方法中,我们不能直接访问该类中的非静态成员,必须创建该类的一个实例对象后,才能通过这个对象去访问类中的非静态成员,这种情况,我们在以后的例子中会多次碰到。

§静态初始化

2.1 就是利用静态代码块,对类属性进行初始化

class Person {

  public static int total;

  static{

          total = 100;//为total赋初值

  }

  …… //其它属性或方法声明

 }



§单例模式

单例模式就是保证整个软件系统只能存在一个该类的对象,
方法的核心就是,将构造函数设为私有,通过静态类内函数调用静态构造函数,新建一个实例,并放回它。需要来一遍。

§理解main方法的语法 

2.final 关键字

final常量关键字可以用来修饰类的属性,方法,类也可以被用来修饰为常量。

2.1 final 常量不能被修改 声明的同时必须进行赋值,或者在构造函数内进行,实例化的同时进行初始化,也可以。

final 函数不能被重载

final 类不能被继承

3.abstract 关键字

含有抽象方法的类,必须声明为抽象类,抽象类是用来被继承的,所以只能先被继承然后再实例化,且被继承的过程中,必须要将抽象方法进行重载。抽象方法只有函数头,没有函数体,而且以分号结束。abstract 不能用来修饰 静态函数,构造函数和私有函数。比如



abstract int abstractMethod1( int a );


抽象类是用来模型化那些父类无法确定全部实现,而是由其子类提供具体实现的对象的类。


4.interface 关键字

接口是一种特殊的抽象类。在接口的内部只有常量的定义和,抽象函数。没有变量和函数体。

    接口用interface 修饰 ,常量默认 修饰  public static final 

  函数默认,修饰 public abstract 

    接口可以继承接口  


5.内部类

inner类 和 包涵inner类的外部类,是隶属关系。在外部引用内部类是,要给出完整名称A.B



【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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