建造者模式和工厂模式的学习

本文深入探讨了建造者模式在创建复杂对象时的应用,通过麦当劳订单类的实例,展示了如何使用建造者模式简化对象创建过程,提高代码的可读性和可维护性。

关于建造者模式的学习:https://blog.youkuaiyun.com/nugongahou110/article/details/50395698   阿拉灯神灯

写一写,加深一下印象

假如new一个对象,他的可选参数或者配置参数很多,根据不同情况和需要可能使用的参数不同,当然可以

类 对象 = new 类(参数1, 参数2, 参数3, .........),需要的参数设置一下,不需要的就默认。但每次写这么长,有些不方便。

可以采用建造者模式,

对于属性参数的设置可以在“建造者”方法里进行

/**
 * 1.Order构造方法私有,不能让人直接new出来
 * 2.需要在XXXbuild中重写一遍属性,构造函数可添加必要参数(这个例子里没有,汉堡、饮料、小吃三个参数可以认为可选)
 * 3.可读性好,在新建new Order().OrderBuild().时,通过build(),可以让人知道对象需要的属性已经添加、创建完毕
 * 4.在build方法里可以对参数合法性进行验证
 */
//麦当劳的订单类
public class Order {
    private IHambur iHambur;//汉堡
    private IJrinks iJrinks;//饮料
    private ISnacks iSnacks;//零食

    private Order(OrderBuild build){
        iHambur=build.mHambur;
        iJrinks=build.mJrinks;
        iSnacks=build.mSnacks;
    }

    public static class OrderBuild{
        private IHambur mHambur;//再写一遍    //汉堡
        private IJrinks mJrinks;//饮料
        private ISnacks mSnacks;//零食
        //这里没有必须要传入的固定参数,写成无参构造函数
        public OrderBuild(){
        }
        //实际调用的添加参数的方法,
        public OrderBuild addBurder(IHambur bugers){
            mHambur=bugers;
            return this;
        }
        public OrderBuild addJrinks(IJrinks drinks){
            mJrinks=drinks;
            return this;
        }
        public OrderBuild addSnacks(ISnacks snacks){
            mSnacks=snacks;
            return this;
        }
        //返回实例对象。建造完毕
        public Order build(){
            Order order=new Order(this);
            //可以在build方法里对参数合法性进行验
            //if(order.iHambur!="" | order.iHambur!="" |){ throw new IlleagalStateException("不是汉堡包")  }
            return order;
        }

    }
    //可以调用验证一下建造的对不对,Order.makeOrder()
    public String makeOrder(){
        StringBuilder sb = new StringBuilder();
        if(iHambur!=null){
            sb.append(iHambur.makeBurger()).append("");
        }
        if(iJrinks!=null){
            sb.append(iJrinks.makeDrink()).append("");
        }
        if(iHambur!=null){
            sb.append(iSnacks.makeSnack()).append("");
        }
        return sb.toString();
    }

}

自定义参数,形成不同的实例对象,可以Order.OrderBuild().addBurder(XXX).addJrinks(XX).addSnacks().build() 。

固定几个参数,写入一个类里,形成“套餐”,成为工厂模式,想调用“巨无霸”套餐,就可以用OrderFactory.createBigMacCombo()

public class OrderFactory {
    //创建一份"巨无霸"套餐
    public static Order createBigMacCombo(){
        return new Order.OrderBuild()
                .addBurder(new BigMac())
                .addJrinks(new Colo())
                .addSnacks(new ApplePie())
                .build();
    }
    //创建一份"巧克力牛奶"套餐
    public static Order createMilkCombo(){
        return new Order.OrderBuild()
                .addBurder(new BigMac())
                .addJrinks(new Milk())
                .addSnacks(new Chocolate())
                .build();
    }
}

 

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 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