RICHFACES附件上传同时传参

RichFaces上传组件详解
本文详细介绍了如何在RichFaces的文件上传组件中使用a4j:support标签来实现在上传前后执行特定方法,并向BackingBean传递参数。通过具体示例展示了如何设置事件监听器以及如何利用a4j:actionParam进行参数传递。
         Richfaces在上传附件的时候,有时需要同时向BackingBean中传递参数。传参的方法如下:

        在标签中,支持 a4j:support 标签。这个标签的作用(event="onupload")即在上传动作发生以前执行。即我们可以将要传递或者初始化的参数通过 customerMemBean.setAttachInfo方法将参数初始化进BackingBean里。

       例子如下:

                                  <rich:fileUpload
                                    fileUploadListener="#{customerMemBean.uploadListener}"
                                    autoclear="true" addControlLabel="导入成员" uploadControlLabel="上传"  
                                    cancelEntryControlLabel="取消" stopControlLabel="停止"  
                                    stopEntryControlLabel="停止" noDuplicate="true" listHeight="0"
                                    listWidth="300" id="upload"  maxFilesQuantity="100" accesskey="#{formAdminInfo.corpId}"
                                    acceptedTypes="xls"  >
                                    
                                    <a4j:support event="onupload" action="#{customerMemBean.setAttachInfo}">
                                    <a4j:actionparam name="corpId"
                                            value="#{formAdminInfo.corpId}"
                                            assignTo="#{customerMemBean.corpId}"></a4j:actionparam>
                                    <a4j:actionparam name="prodId"
                                            value="#{formAdminInfo.prodId}"
                                            assignTo="#{customerMemBean.prodId}"></a4j:actionparam>
                                    <a4j:actionparam name="accBaseId"
                                            value="#{formAdminInfo.accBaseId}"
                                            assignTo="#{customerMemBean.accBaseId}"></a4j:actionparam>
                                    </a4j:support>
                                     <a4j:support event="onuploadcomplete" action="#{customerMemBean.setAttach}"  reRender="dataList,msg,msg4,msg5,msg6,msg7"  oncomplete="openExcelEidt()">
                                    </a4j:support>
                                </rich:fileUpload>
                                    
                                    
                                   
                                

     这样我们在提交附件的时候,提交以前,customerMemBean.setAttachInfo方法会被执行一次。而以下的三个参数
                                    
                                         <a4j:actionparam name="corpId"
                                            value="#{formAdminInfo.corpId}"
                                            assignTo="#{customerMemBean.corpId}"></a4j:actionparam>
                                    <a4j:actionparam name="prodId"
                                            value="#{formAdminInfo.prodId}"
                                            assignTo="#{customerMemBean.prodId}"></a4j:actionparam>
                                    <a4j:actionparam name="accBaseId"
                                            value="#{formAdminInfo.accBaseId}"
                                            assignTo="#{customerMemBean.accBaseId}"></a4j:actionparam>
                             
会被提交到BackingBean的相关字段中去。

 

Richfaces标签中还支持一些其它Ajax事件,如例子中的

<a4j:support event="onuploadcomplete" action="#{customerMemBean.setAttach}"  reRender="dataList,msg,msg4,msg5,msg6,msg7"  oncomplete="openExcelEidt()">

                                    </a4j:support>

其中(event="onuploadcomplete")标识本动作将在附件上传完成以后执行,我们可以在此方法中做一些其他的事情,如刷新页面,提示一些业务信息等等。


内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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