学习小结 总结的集合知识点2 迭代器 增强for循环,Collections类

迭代器,使用时的细节:

Collection c= new HashSet();

c.add(new Name("li","zhi"));

Iterator it = c.iterator(); //每个集合自己都实现了iteraor接口

while(it.hasNext()){

String s = (Name)it.next(); //迭代器的next返回一个Object类型,需要强制转型成Name对象

System.out.println("s.getName()"); //调用Name的特有方法

}


Collection c = new HashSet();

c.add(new Name("li","zhi"));

for(Iterator it = c.iterator();it.hasNext;){

Name name =(Name)it.next();

if(!name.equals("jack")){ //equals()返回一个boolean的值

it.remove(); //只有迭代器可以删除元素,集合自身不能删除

}

}

增强for循环

int [] arr = {1,3,5,6}

for(int i:arr){

System.out.println(i);

}


Collection c= new ArrayList();

c.add(new Name("tom","cat"))

for(Object o : c){

System.out.println(o);

}

增强for循环(形式上简单):

1.对于数组,不能访问下标值

2.对于集合,不能方便的删除元素,在for内部也得调用iterator;

3.除了简单的遍历、读出其中的内容之外,不建议用增强for循环;


java.util.Collections

提供了一系列静态方法,实现了基于List的常用算法

void sort(List) 排序

void shufle(List) 随机排序

void reverse(List) 逆序

binarySearch 二分法查找

public static void main(){
List l1 = new ArrayList();
List l2 = new ArrayList();
for(int i=0;i<9;i++){
l1.add("a"+i);
}
Collctions.shuffle(l1);
syso(l1);
Collctions.reverse(ll);逆序
Collections.sort(ll);
Collections.binarySearch(11,"a5");//二分查找
}


String 类实现了Comparable 接口 //实现Comparable接口,必须实现他的compareTo();
public class Name implements Comparable{
private String firstName;
private String lastName;
public Name(String firstName,String lastName){
this.firstName = firstName;
this.lastName = lastName;
}
public String toString(){ //重写父类object的toString(),打印时,直接打印return的内容
return firstName+""+lastName;
}
public int compareTo(Object e){
Name name = (Name)e;
int flag = lastName.compareTo(name.lastName());
return
flag!=0?flag:firstName.compareTo(name.firstName); //compareTo返回一个int ,1代表该对象大于传入的对象

//0代表相等,-1代表小于传入对象
}

}


List ll = new LinkedList();
ll.add(new Name("karl","M"));
ll.add(new Name("arl","M"));
ll.add(new Name("rl","M"));
System.out.println(ll);//[karl M,arl M rl M]
Collecions.sort(ll);
//[arl M,karl M,r1 M]
















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