11.2

异常

  • 所有异常类都继承Throwable有两个子类,Error 和 Exception
  • 使用try catch 和 try catch finally
  • catch块必须子类在前父类在后。
public class TryCatchTest {

    public static void main(String[] args) {
        TryCatchTest te = new TryCatchTest();
        int result = te.test();
        System.out.println(result);
    }
    /**
     * divider(除数):
     * result(结果):
     * 给定一个除数,每次循环除数减一,result = result + 100/divider。
     * 如果捕获异常,打印输出“捕获异常了!!!”
     * finally打印输出“这是finally!!!”
     * 最后返回result = 999。
     * @return
     */
    public int test() {
        int divider = 10;
        int result1 = 0;

        try {
            while (divider > -1) {
                result1 = result1 + 100/divider; 
                divider--;
            }
        } catch (Exception e) {
            System.out.println("捕获异常了!!!");
        }finally {
            System.out.println("这是finally!!!");
        }
        return 999; 
    }   
}
  • 方法用throws关键字声明有异常,方法中throw该异常,调用者用try catch捕获,或者继续声明异常,给更上一层的调用者。
异常连:
public class ChainTest {

    public static void main(String[] args) {
        ChainTest test = new ChainTest();
        try {
            test.test2();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
/**
 * test1抛出DrunkException异常。
 * test2调用test1,捕获DrunkException异常,包装成RuntimeException。
 * @throws DrunkException
 */
    public void test1() throws DrunkException {
        throw new DrunkException("喝大了!!");  
    }

    public void test2(){
        try {
            test1();
        } catch (DrunkException e) {
            e.printStackTrace();
            throw new RuntimeException(e);
        }
    }
}
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