【iOS开发-119】ipa打包、单元测试test、本地通知UILocalNotification

iOS应用打包与测试指南
本文介绍了iOS应用的ipa打包方法,包括使用Xcode和iTunes两种方式,并详细阐述了单元测试、集群测试及压力测试的区别与应用场景。此外,还提供了实现本地通知的具体代码示例。

(1)ipa打包,可以用Xcode,也可以用iTunes,用后者比较快。

具体教程:使用XCode和iTunes打包ipa i OS_ipa打包的方法


(2)单元测试(一般用于测试某一个方法是否可行等等)

——轻量化

——和程序target是单独分开的

——比较直观快读地知道测试结果

相对而言,还有集群测试(一般测试一些模块和功能)、压力测试(加大数据或者用户进行测试)


(3)本地通知

#import "ViewController.h"

@interface ViewController ()
- (IBAction)addLocalNotification:(id)sender;
@end

@implementation ViewController

- (void)viewDidLoad {
    [super viewDidLoad];
    if ([[UIDevice currentDevice].systemVersion doubleValue]>=8.0) {
        UIUserNotificationSettings *setting=[UIUserNotificationSettings settingsForTypes:UIUserNotificationTypeAlert | UIUserNotificationTypeBadge | UIUserNotificationTypeSound categories:nil];
        [[UIApplication sharedApplication]registerUserNotificationSettings:setting];
    }
}

- (void)didReceiveMemoryWarning {
    [super didReceiveMemoryWarning];
    // Dispose of any resources that can be recreated.
}

- (IBAction)addLocalNotification:(id)sender {
    //创建
    UILocalNotification *localNoti=[[UILocalNotification alloc]init];
    //设置
    localNoti.alertAction=@"开始玩游戏";//操作提示
    localNoti.alertBody=@"这是alertBody";//提示内容
    localNoti.repeatInterval=NSCalendarUnitDay;//提示间隔
    localNoti.applicationIconBadgeNumber=3;//badge number
    localNoti.fireDate=[NSDate dateWithTimeIntervalSinceNow:3];//什么时候开始提示
    //注册,先删除之前所有的,再添加,防止重复
    [[UIApplication sharedApplication] cancelAllLocalNotifications];
    [[UIApplication sharedApplication] scheduleLocalNotification:localNoti];
}
@end

如果需要点击本地通知,到特定的页面,则需要判断。

——程序在运行时,点击本地通知的话,会调用AppDelegate.m的如下方法。直接点击icon图标的话,就正常启动。

-(void)application:(UIApplication *)application didReceiveLocalNotification:(UILocalNotification *)notification{
    
}


内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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