跟我StepByStep学FLEX教程------Demo4之进度条数据绑定

本文介绍Flex中使用BingdingUtils实现进度条的数据绑定方法,包括手动模拟及两种绑定方式的示例代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

跟我StepByStep学FLEX教程------Demo4之进度条数据绑定

 

说明:该文系作者原创,请勿商用或者用于论文发表,转载必须经作者同意并且注明出处。

 

 

     先看一下Demo运行效果:


     手动方式



    BingdingUtils绑定方式一


     BingdingUtils绑定方式一

 

     源码如下:

<mx:Script>
  <![CDATA[
      import mx.binding.utils.BindingUtils;
     
      private var num:Number=0;
            private var styleArr:Array=[];
           
            internal function init():void {
             styleArr.push("Button Click");
             styleArr.push("Hslider Value");
             cmbStyle.dataProvider = styleArr;
            }
           
            internal function setProValue(num:Number):void {
    testProBar.setProgress(num, 1000);
   }
   
   internal function clickPro():void {
    trace(cmbStyle.selectedIndex);
    
    //手动模拟
    if (num <= 1000) {
     setProValue(num);
     num+=100;
    }
    
    if (num > 1000) {
     num = 0;
    }

   }   
   
   internal function styleChange():void {
    if (cmbStyle.selectedIndex == 1) {
     startBtn.enabled = false;
     dragHs.enabled=true;
     
     //BindingUtils实现数据绑定
                    //方式一
     BindingUtils.bindSetter(setProValue, dragHs, "value");
     //方式二 这儿只说明这种绑定方式,并不是进度条效果,在进度条显示值
//                    BindingUtils.bindProperty(testProBar, "label", dragHs, "value");
    } else {
     startBtn.enabled = true;
     dragHs.enabled=false;
    }
   }
  ]]>
 </mx:Script>

 

 

      这儿主要讲数据绑定,大家看一下运行效果就发现AS3的数据绑定还是很好用的,所谓数据绑定就是源数据和目标数据绑定,目标数据随着源数据的变化而变化。

     Demo中采用BingdingUtils类的方式,大家看一下代码,非常简单。
     还有以下的数据绑定方式:

     1、直接在“{}”中;

      <mx:TextInput id="testInp"/>

      <mx:Label text="{testInp.text}"

     2、使用<mx:binding>;

      <mx:TextInput id="testInp"/>

      <mx:Label id="desLab" text="{testInp.text}"

      <mx:Binding source="testInp.text" destination="desLab.text"> 

      可以配合<mx:Model>标签使用。

 

     

 

 

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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