41:魔法方法1(构造和析构)

本文介绍了Python中类的构造过程,包括__init__方法初始化实例属性,__new__方法控制对象创建过程,以及__del__方法实现资源清理。通过具体代码示例展示了如何使用这些特殊方法。

 1、__init__()

>>> class Rectangle:
    def __init__(self, x, y):
        self.x = x
        self.y = y
    def getPeri(self):
        return(self.x + self.y ) * 2
    def getArea(self):
        return self.x *self.y

    
>>> rect = Rectangle(3, 4)
>>> rect.getArea()
12
>>> rect.getPeri()
14
>>> 

2、__new__()

创建类的实例化对象时,第一个调用的魔法方法为__new__() 一般情况下不需要重写

>>> class Capstr(str):
    def __new__(cls, string):
        string = string.upper()
        return str.__new__(cls, string)

    
>>> a = Capstr('i love u')
>>> a
'I LOVE U'
>>> 

当某个类继承于某个不可变类(如str类)时,需要对该类的实例化对象改变,则需要重写__new__()方法

>>> class Capstr(str):
    def __new__(cls, string):
        string = string.upper()
        return str.__new__(cls, string)

    
>>> a = Capstr('i love u')
>>> a
'I LOVE U'
>>> 

3、__del__(self) 析构(垃圾回收机制)

>>> class C:
    def __init__(self):
        print('__init__方法')
    def __del__(self):
        print('__del__方法')

        
>>> c = C()
__init__方法
>>> c2 = c
>>> c3 = c2
>>> del c3
>>> del c2
>>> del c
__del__方法
>>> 

当某个对象、内存、变量没有指向他的标签时,类将自动调用__del__()方法进行垃圾回收

【轴承故障诊断】加权多尺度字典学习模型(WMSDL)及其在轴承故障诊断上的应用(Matlab代码实现)内容概要:本文介绍了加权多尺度字典学习模型(WMSDL)在轴承故障诊断中的应用,并提供了基于Matlab的代码实现。该模型结合多尺度分与字典学习技术,能够有效提取轴承振动信号中的故障特征,提升故障识别精度。文档重点阐述了WMSDL模型的理论基础、算法流程及其在实际故障诊断中的实施步骤,展示了其相较于传统方法在特征表达能力诊断准确性方面的优势。同时,文中还提及该资源属于一个涵盖多个科研方向的技术合集,包括智能优化算法、机器学习、信号处理、电力系统等多个领域的Matlab仿真案例。; 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、工业自动化、智能制造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学习并掌握加权多尺度字典学习模型的基本原理与实现方法;②将其应用于旋转机械的轴承故障特征提取与智能诊断;③结合实际工程数据复现算法,提升故障诊断系统的准确性鲁棒性。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注字典学习的训练过程与多尺度分解的实现细节,同时可参考文中提到的其他相关技术(如VMD、CNN、BILSTM等)进行对比实验与算法优化。
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