java面试的常见io操作 ~ 深拷贝

本文介绍了Java中使用ByteArrayOutputStream和ByteArrayInputStream实现对象深拷贝的方法,通过将对象转换为字节流,再从流中读取对象副本,避免了浅拷贝导致的问题。

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

 

  java的clone方法实现的是浅拷贝,如果被拷贝的object里面有子object,子object有孙object。。。的话,这些object的内容就消失了。

除非你对每个子/孙的object的clone方法都重载。当然这东西太2b,人类都不这么玩的。

       最简单的实现方式是使用ByteArrayOutputStream和ByteArrayInputStream()来将一个object转换成byte流变换。先将它write到输出流,再重输入流read。实现它内容的拷贝。

 

package com.interview.scoop;

 

 

import java.io.ByteArrayInputStream;

import java.io.ByteArrayOutputStream;

import java.io.IOException;

import java.io.ObjectInputStream;

import java.io.ObjectOutputStream;

import java.util.Stack;

 

public class DeepClone {

    public static void main(String[] args) {

        Stack<Integer> s = new Stack<Integer>();

        for(int i = 0; i < 3; i++) {

            s.push(i);

        }

        @SuppressWarnings("unchecked")

        Stack<Integer> b = (Stack<Integer>) DeepClone.copy(s);

        int size = b.size();

        for(int i = 0; i < size; i++) {

            System.out.println(b.pop());

        }

    }

    public static Object copy(Object oldObj) {

        Object o = null;

       //Used to carry the output

        ByteArrayOutputStream bos = new ByteArrayOutputStream();

        try {

             // Used to method output

            ObjectOutputStream oos = new ObjectOutputStream(bos);

            // Write object to the container

            oos.writeObject(oldObj);

            // flush is not necessities

            oos.flush();

            oos.close();

            // container, give the object to it, which will be translate to stream

            ByteArrayInputStream bis = new ByteArrayInputStream(bos.toByteArray());

           // tool

            ObjectInputStream ois = new ObjectInputStream(bis);

            try {

                // read target and get an object

                o = ois.readObject();

            } catch (ClassNotFoundException e) {

                e.printStackTrace();

            }

        } catch (IOException e) {

            e.printStackTrace();

        } finally {

                return o;

        }

    } 

}

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