Struts2拦截器的应用

拦截器类视图(全)

1、检查登录的拦截器案例

配置文件:

动作类:

拦截器:

页面:

2、案例中的问题

问题:由于我们写了自己的拦截器,默认的拦截器不起作用了。

解决方法:

a、把默认拦截器加入到配置文件中

b、a中暴露的问题:当有多个拦截器时,需要改写的地方非常多。

解决办法:抽取公共的包,把全局配置放入公共包中。

c、b中的问题:还要在每个动作方法中引入拦截器。能不能不写呢?

思路:我们在设置【开发模式】时,覆盖了一个default.properties中的常量,能不能把struts-default.xml中的默认拦截器的设置给覆盖掉呢?答案是可以的。

解决方法:

d、c中出现的问题:当使用了默认拦截器栈,这时候三个动作login、showIndex和show1Action都将被检查登录的拦截器拦截。解决方法:需要AbstractInterceptor类的子类入手,通过查看发现,该类还有一个子类是抽象的:

所以我们在自定义拦截器时,还可以继承MethodFilterInterceptor并且重写doIntercept方法。

并且在struts的配置文件中,配置需要拦截哪些方法,和需要放过哪些方法。

e、d中遗留的问题:我们在声明时配置了哪些方法需要拦截,哪些方法不需要拦截。但是在没有写动作类和动作方法之前,不确定方法名叫什么。解决方法:我们需要在适用拦截器的时候给它注入参数。


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