使用VC6.0实现窗口的任意分割(2)

本文介绍了如何通过重写方法实现CSplitterWnd切分条的锁定及定制化显示,包括改变切分条的颜色等。

四、CSplitterWnd的扩展
CSplitterWnd扩展话题是很多的,我们可以通过对原有方法的覆盖或者增加新的方法来扩展CSplitterWnd。我们在此仅举两个方面的例子。
4.1锁定切分条
当用户创建好分割窗口后,有时并不希望通过拖动切分条来调节窗口的大小。这时就必须锁定切分条。锁定切分条的最简单的方法莫过于不让CSplitterWnd来处理WM_LBUTTONDOWN,WM_MOUSEMOVE,WM_SETCURSOR消息,而是将这些消息交给CWnd窗口进行处理,从而屏蔽掉这些消息。拿WM_LBUTTONDOWN处理过程来说。修改为如下:
void CXXSplitterWnd::OnLButtonDown(UINT nFlags,CPoint point) {
         CWnd::OnLButtonDown(nFlags,point);
}
其余的处理方法类似。
4.2切分条的定制
由Window自己生成的切分条总是固定的,没有任何的变化,我们在使用一些软件比如ACDSee的时候却能发现它们的切分条却是和自动生成的切分条不一样的。那么如何定制自己的切分条呢?通过重载CSplitterWnd的虚方法OnDrawSplitter和OnInvertTracker可以达到这样的目的。下面的代码生成的效果是分割窗口的边界颜色为红色,分割条的颜色为绿色.代码如下:
void CSplitterWndEx::OnDrawSplitter(CDC *pDC, ESplitType nType, const CRect &rectArg)
{
                   if(pDC==NULL)
                   {
                   RedrawWindow(rectArg,NULL,RDW_INVALIDATE|RDW_NOCHILDREN);
                   return;
                   }
                   ASSERT_VALID(pDC);
                   CRect rc=rectArg;
                   switch(nType)
                   {
                   case splitBorder:
                   //重画分割窗口边界,使之为红色
                           pDC->Draw3dRect(rc,RGB(255,0,0),RGB(255,0,0));
                           rc.InflateRect(-CX_BORDER,-CY_BORDER);
                           pDC->Draw3dRect(rc,RGB(255,0,0),RGB(255,0,0));
           
                           return;
                   case splitBox:
                           pDC->Draw3dRect(rc,RGB(0,0,0),RGB(0,0,0));
                           rc.InflateRect(-CX_BORDER,-CY_BORDER);
                           pDC->Draw3dRect(rc,RGB(0,0,0),RGB(0,0,0));
                           rc.InflateRect(-CX_BORDER,-CY_BORDER);
                           pDC->FillSolidRect(rc,RGB(0,0,0));
                           pDC->Draw3dRect(rc,RGB(0,0,0),RGB(0,0,0));
                           return;
                   case splitBar:
                   //重画分割条,使之为绿色
                           pDC->FillSolidRect(rc,RGB(255,255,255));
                           rc.InflateRect(-5,-5);
                           pDC->Draw3dRect(rc,RGB(255,0,0),RGB(255,0,0));
           
                           return;
                   default:
                           ASSERT(FALSE);
                   }
                   pDC->FillSolidRect(rc,RGB(0,0,255));
}
void CSplitterWndEx::OnInvertTracker(CRect &rect)
{
                   ASSERT_VALID(this);
                   ASSERT(!rect.IsRectEmpty());
                   ASSERT((GetStyle()&WS_CLIPCHILDREN)==0);
                   CRect rc=rect;
                   rc.InflateRect(2,2);
                   CDC* pDC=GetDC();
                   CBrush* pBrush=CDC::GetHalftoneBrush();
                   HBRUSH hOldBrush=NULL;
                   if(pBrush!=NULL) hOldBrush=(HBRUSH)SelectObject(pDC->m_hDC,
                                                                   pBrush->m_hObject);
                   pDC->PatBlt(rc.left,rc.top,rc.Width(),rc.Height(),BLACKNESS);
           
                   if(hOldBrush!=NULL)
                   SelectObject(pDC->m_hDC,hOldBrush);
                   ReleaseDC(pDC);
}


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,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 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)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
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
 
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