检测提取是否失败并修复它

本文探讨了在C++程序中处理无效用户输入的方法。通过几个错误案例分析了如何避免常见问题,如外来输入导致的混乱格式及提取失败等。文章还介绍了如何使用std::cin.ignore()来清除缓冲区,确保程序按预期运行。
正如你所看到的,我们正在使用一个while循环不断循环,直到用户提供有效的输入。如果他们不这样做,我们要求他们再试一次,直到他们给我们有效的输入,关闭程序,或摧毁他们的电脑。
错误案例2:提取成功,但与外来输入
考虑以下程序的执行:
输入双值:5 * 7
你认为接下来会发生什么?
输入双值:5 * 7
输入下列内容之一:+,-,*,或/:输入一个双重值:5 * 7是35
该程序打印正确的答案,但格式是一团糟。让我们仔细看看为什么。
当用户输入“5 * 7”作为输入,输入进入缓冲区。然后运算符提取5到变量x,在缓冲区中留下“* 7 \ n”。接下来,程序打印“输入下列内容之一:+,-,*,/或:”。但是,当调用提取操作符时,它会看到缓冲区中的“* 7 \ n”等待被提取,所以它使用它而不是请求用户输入更多的信息。因此,它提取的“*”字符,留下“7 \ N”的缓冲区。
在请求用户输入另一个双值后,缓冲区中的“7”被提取而不要求用户。由于用户没有机会进入附加数据并回车(引起一个换行符),输出提示都会在同一起跑线,即使输出是正确的。
虽然上述问题的工作,执行是混乱的。如果忽略任何外来字符,那就更好了。幸运的是,这很容易做到:

性病::CIN。忽略(32767,“n”)/ /清除(最多32767个)字符的缓冲区,直到一个“N”字符被删除
自从最后一个字符输入的用户必须是一个“n”,我们可以告诉std::cin忽略缓冲字符直到找到一个换行符(这是删除为好)。

让我们更新我们的getdouble()函数忽略任何多余的输入:

2
3
4
5
6
7
8
double getDouble()
{
    std::cout << "Enter a double value: ";
    double x;
    std::cin >> x;
    std::cin.ignore(32767, '\n'); // clear (up to 32767) characters out of the buffer until a '\n' character is removed
    return x;
}

现在我们的程序将按照预期的工作,即使我们输入“5 * 7”的第一个输入-将提取5,其余的字符将被删除从输入缓冲区。由于输入缓冲区是空的,用户将被正确地要求输入下一次提取操作进行!
错误案例3:提取失败
现在考虑下面执行的计算器程序:
输入双值
你不应该惊讶的程序并没有像预期的那样,但它如何失败是有趣的:
输入双值
输入下列内容之一:+,-,*,/或:输入双值:
和程序突然结束。
这看起来与外部输入的情况非常相似,但有点不同。让我们仔细看看。
当用户输入“a”时,该字符被放置在缓冲区中。然后运算符>尝试将“a”改为变量x,这是double型。由于“a”不能转换为双,运算符不能提取。在这一点上发生了两件事:在缓冲区中留下了“a”,并且:“故障模式”。
一旦在“故障模式”,未来的输入提取请求将默默失败。因此,在我们的计算器程序,输出提示仍然打印,但任何要求进一步提取被忽略。该程序只运行到结束,然后终止(不打印结果,因为我们从来没有读过一个有效的数学运算)。
幸运的是,我们可以检测提取是否失败并修复它:
【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,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,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,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