IOS设备分辨率

IOS设备分辨率

1. iphone设备分辨率如下图所示

下面对上图进行详细说明
Element iPhone 4S (and earlier)iPhone 5
Window (including status bar) 320 x 480 pts 320 x 568 pts
Status Bar
(How to hide the status bar)
20 pts 20 pts
View inside window 
(visible status bar)
320 x 460 pts 320 x 548 pts
Navigation Bar 44 pts 44 pts
Nav Bar/Toolbar Icon white icon - up to 20 x 20 pts (transparent PNG)
Tab Bar 49 pts 49 pts
Tab Bar Icon up to 30 x 30 pts (transparent PNGs)
Text Field 31 pts 31 pts
Height of a view inside 
a navigation bar
416 pts 504 pts
Height of a view inside 
a tab bar
411 pts 499 pts
Height of a view inside 
a navbar and a tab bar
367 pts 455 pts
Portrait Keyboard (English) 320 x 216 pts 320 x 216 pts
Landscape Keyboard (English) 480 x 162 pts 568 x 162 pts
Launch Image
(Launch Image Sizes
for iPhone & iPad
)
640 x 960 pixels 640 x 1136 pixels

注:我们在程序中一般设置的是以点为单们的
        普通屏:1pts = 1pixels
        retina屏:1pts = 2pixels




【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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