12、Python 函数的深入探索:作用域、递归、Lambda、生成器与装饰器

Python 函数的深入探索:作用域、递归、Lambda、生成器与装饰器

1. 函数作用域

函数作用域是理解函数如何工作以及如何实现代码复用的关键。在 Python 中,函数内部定义的变量具有局部作用域,其生命周期在函数返回时结束。当函数返回时,所有局部变量“超出作用域”,其占用的资源可以被安全回收。函数参数和在函数体中创建的变量都具有局部作用域。

而在函数外部定义的变量相对于当前函数具有全局作用域。只要变量名没有被同名的局部变量覆盖,函数就可以访问和修改这些全局变量。需要注意的是,全局作用域有时也被称为模块作用域,因为这个级别的变量仅在其所在的模块(.py 文件)中是全局的,并非对整个 Python 进程都是全局的。

以下是一个函数作用域的示例代码:

# 全局作用域
a = 6
b = 42

def func(x, y):
    # 局部作用域
    z = 16
    return a * x + b * y + z

# 全局作用域
c = func(1, 5)

在 Python 中,函数是一等对象,这意味着它们具有两个重要特性:
- 可以像其他对象一样动态重命名。
- 函数定义可以嵌套在其他函数体内。

当函数嵌套时,内部函数与外部函数共享作用域,但外部函数不能访问内部函数的作用域。内外函数都可以访问全局变量。例如:

# 全局作用域
a = 6
b = 42

def outer(m, n):
    # outer 的作用域
    
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制问题,并提供完整的Matlab代码实现。文章结合数据驱动方法Koopman算子理论,利用递归神经网络(RNN)对非线性系统进行建模线性化处理,从而提升纳米级定位系统的精度动态响应性能。该方法通过提取系统隐含动态特征,构建近似线性模型,便于后续模型预测控制(MPC)的设计优化,适用于高精度自动化控制场景。文中还展示了相关实验验证仿真结果,证明了该方法的有效性和先进性。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事精密控制、智能制造、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能控制设计;②为非线性系统建模线性化提供一种结合深度学习现代控制理论的新思路;③帮助读者掌握Koopman算子、RNN建模模型预测控制的综合应用。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现流程,重点关注数据预处理、RNN结构设计、Koopman观测矩阵构建及MPC控制器集成等关键环节,并可通过更换实际系统数据进行迁移验证,深化对方法泛化能力的理解。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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