JavaScript数组笔记:(3)使用数组对象第2部分-:使用排序函数(JavaScript)

本文深入讲解JavaScript中的排序函数sort的使用方法,包括基本的数字和字母排序,以及如何通过自定义比较函数实现特殊排序需求,如奇偶数分离、大小写敏感排序和浮点数与整数分离。
使用排序函数

sort应该具有两个参数
如果根据自定义标准,a小于b,在排序后的数组中a应该出现在b之前,就返回一个小于0的数。如果a等于b,就返回0。如果a大于b,就返回一个大于0的数。

根据数字大小排序

  • 根据排序函数比较数组中每个元素的大小,并按从小到大排序
var dd=[1,3,5,2,8,9,6,4,7,0];
function f(a,b){
	return (a-b);
}
dd.sort(f);
alert(dd);

在这里插入图片描述

  • 按照从大到小排序,则需要让返回值取反。
var dd=[1,3,5,2,8,9,6,4,7,0];
function f(a,b){
	return -(a-b);
}
dd.sort(f);
alert(dd);

在这里插入图片描述
根据奇偶性质排序

  • 奇数在左侧,偶数在右侧
var dd=[1,3,5,2,8,9,6,4,7,0];
function ff(s1,s2){
	var s1=s1%2;
	var s2=s2%2;
	if(s1==0) return 1;
	if(s2==0) return -1;
}
dd.sort(ff);
alert(dd);

在这里插入图片描述

  • 奇数在右侧,偶数在左侧。
var dd=[1,3,5,2,8,9,6,4,7,0];
function ff(s1,s2){
	var s1=s1%2;
	var s2=s2%2;
	if(s1==0) return -1;
	if(s2==0) return 1;
}
dd.sort(ff);
alert(dd);

在这里插入图片描述
根据字母大小写排序

  1. 默认(区分大小写)
var w=["aD","Ad","cF","Cf"];
w.sort();
document.write("默认字母排序:\n"+w);

在这里插入图片描述

  • 大写字母在前(区分大小写)
var w=["aB","Ab","Ba","bA"];
function f(a,b){
	if(a>b) return 1;
	else return -1;
}
w.sort(f);
alert(w);

在这里插入图片描述

  • 小写字母在前
var w=["aB","Ab","Ba","bA"];
function f(a,b){
	if(a>b) return -1;
	else return 1;
}
w.sort(f);
alert(w);

在这里插入图片描述

  • 不区分字母大小写排序
var w=["aB","Ab","Ba","bA"];
function p(a,b){
	var a=a.toLowerCase;
	var b=b.toLowerCase;
	if(a>b){
		return -1;
	}else{
		return 1;
	}
}
w.sort(p);
alert(w);

在这里插入图片描述
将浮点数与整数分开

  • 浮点 数在左
var dd=[3.44,5.66,2,7,9.66,12];
function v(a,b){
	if (a>Math.floor(a))  return -1;
	if (b>Math.floor(b))  return 1;				
}
dd.sort(v);
alert(dd);

在这里插入图片描述

  • 浮点数在右
var dd=[3.44,5.66,2,7,9.66,12];
function v(a,b){
	if (a>Math.floor(a))  return 1;
	if (b>Math.floor(b))  return -1;				
}
dd.sort(v);
alert(dd);

在这里插入图片描述

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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