事件之旅

flex的事件旅程分别为三个阶段:捕获阶段、目标阶段和冒泡阶段。下图是红绿灯例子的执行过程。

当事件发生时,FlashPlayer就创建Event对象,事件之旅由此就开始了。然而,事件之旅的起源地并不在“此地”,而是从现实列表的根节点State(flash.display.State,一个特别的现实对象容器,现实列表的根节点)开始,然后沿着列表逐渐向下,直到发生事件的对象。之后,又按相反的方向逐级向上回到根节点。没错,事件之旅是个往返过程。而且,需要强调的是,事件之旅并不包括从根节点State对象发生到发生事件的对象之间的所有节点,而只涉及发生事件的对象本身和它的父容器。在红绿灯的例子中,hbox并不在事件之旅之中。

  1. target和currentTarget

      事件对象currentTarget属性的值会在事件流中改变,而target属性则不会变化。通过currentTarget属性获知事件  旅程现在停在了那个节点上。

    2. 捕获阶段

      事件发生后,FlashPlayer将沿着显示列表,从根节点State开始遍历事件发生对象的所有父对象,这个阶段称为捕获阶段。在红绿灯例子中,FlashPlayer将顺序检测State、SystemManager、Application、vbox、hbox,至此为捕获阶段。

     需要指出的是,在默认的情况下,容器们并不在捕获阶段监听事件,红绿灯例子中的监听器实际上是在冒泡阶段被调用的。如果想在捕获阶段调用监听器,需要把useCapture设置为true

 

    3. 目标阶段

      目标阶段只涉及一个对象,即发生事件的对象。在目标阶段,事件对象的target和currentTarget对象被赋予相同的值,也就是发生事件的对象。

      在红绿灯事件中,如果用户按下了红灯按钮,那么在目标阶段,FlashPlayer只检测btnRed对象。如果在btnRed上添加事件监听,那么在目标阶段系统会调用监听方法。

    4. 冒泡阶段

       冒泡阶段和捕获阶段设计的节点完全相同,但遍历顺序却恰好相反。在FlashPlayer对发生事件对象检测完毕后,将从其直接父容器开始,沿着显示列表向上,最终返回到State根节点。

       在红绿灯实例中,目标阶段结束后,FlashPlayer将依次检测hbox 、vbox、Application、SystemManager、State,此为冒泡阶段,事件之旅也就结束了。

下面我们来写个小程序来测试下红绿灯的事件之旅。

<?xml version="1.0"?>
<mx:Application xmlns:mx="http://www.adobe.com/2006/mxml" creationComplete="init()">
	<mx:Script>
		<![CDATA[
			private function init():void{
				btnRed.addEventListener(MouseEvent.CLICK,myEventHandler);
				hbox.addEventListener(MouseEvent.CLICK,myEventHandler);
				lab.addEventListener(MouseEvent.CLICK,myEventHandler);
				vbox.addEventListener(MouseEvent.CLICK,myEventHandler);
				this.addEventListener(MouseEvent.CLICK,myEventHandler);
				
				btnRed.addEventListener(MouseEvent.CLICK,myEventHandler,true);
				hbox.addEventListener(MouseEvent.CLICK,myEventHandler,true);
				lab.addEventListener(MouseEvent.CLICK,myEventHandler,true);
				vbox.addEventListener(MouseEvent.CLICK,myEventHandler,true);
				this.addEventListener(MouseEvent.CLICK,myEventHandler,true);
				
			}
			private function myEventHandler(event:Event):void{
				trace(event.currentTarget.toString()+"在事件阶段"+event.eventPhase);
			}
		]]>
	</mx:Script>
	<mx:VBox width="100%" height="100%" id="vbox">
		<mx:Label text="关闭" id="lab"/>
		<mx:HBox id="hbox">
			<mx:Button label="绿色" id="btnGreen"/>
			<mx:Button label="红色" id="btnRed"/>
			<mx:Button label="蓝色" id="btnBlue"/>
		</mx:HBox>
	</mx:VBox>
</mx:Application>

 

 

在init()方法中,我们为btnRed、vbox、hbox、lab、this分两次注册了同一个监听器,第二次我们设置了user_captrue为true

eventPhase标志着当前所处事件旅程的阶段。返回值为unit类型,

捕获阶段EventPhase.CAPTURING_PHASE=1

目标阶段EventPhase.AT_TARGET=2

 冒泡阶段EventPhase.BUTTLING_PHASE=3

打印的结果是

 

index0在事件阶段1
index0.vbox在事件阶段1
index0.vbox.hbox在事件阶段1
index0.vbox.hbox.btnRed在事件阶段2
index0.vbox.hbox在事件阶段3
index0.vbox在事件阶段3
index0在事件阶段3

 

关于结果的说明:

  • 尽管为btnRed注册了两次监听器,但由于只在目标阶段检测该按钮,因此监听器只在目标阶段被调用一次。
  • 尽管我们为lab标签也注册了监听器,但由于改对象并不在事件之旅的节点上,因此不会产生任何输出。

 关于flex内置事件的启动过程,请参考Flex应用启动的事件序列这篇文章。

标题基于SpringBoot+Vue的学生交流互助平台研究AI更换标题第1章引言介绍学生交流互助平台的研究背景、意义、现状、方法与创新点。1.1研究背景与意义分析学生交流互助平台在当前教育环境下的需求及其重要性。1.2国内外研究现状综述国内外在学生交流互助平台方面的研究进展与实践应用。1.3研究方法与创新点概述本研究采用的方法论、技术路线及预期的创新成果。第2章相关理论阐述SpringBoot与Vue框架的理论基础及在学生交流互助平台中的应用。2.1SpringBoot框架概述介绍SpringBoot框架的核心思想、特点及优势。2.2Vue框架概述阐述Vue框架的基本原理、组件化开发思想及与前端的交互机制。2.3SpringBoot与Vue的整合应用探讨SpringBoot与Vue在学生交流互助平台中的整合方式及优势。第3章平台需求分析深入分析学生交流互助平台的功能需求、非功能需求及用户体验要求。3.1功能需求分析详细阐述平台的各项功能需求,如用户管理、信息交流、互助学习等。3.2非功能需求分析对平台的性能、安全性、可扩展性等非功能需求进行分析。3.3用户体验要求从用户角度出发,提出平台在易用性、美观性等方面的要求。第4章平台设计与实现具体描述学生交流互助平台的架构设计、功能实现及前后端交互细节。4.1平台架构设计给出平台的整体架构设计,包括前后端分离、微服务架构等思想的应用。4.2功能模块实现详细阐述各个功能模块的实现过程,如用户登录注册、信息发布与查看、在线交流等。4.3前后端交互细节介绍前后端数据交互的方式、接口设计及数据传输过程中的安全问题。第5章平台测试与优化对平台进行全面的测试,发现并解决潜在问题,同时进行优化以提高性能。5.1测试环境与方案介绍测试环境的搭建及所采用的测试方案,包括单元测试、集成测试等。5.2测试结果分析对测试结果进行详细分析,找出问题的根源并
内容概要:本文详细介绍了一个基于灰狼优化算法(GWO)优化的卷积双向长短期记忆神经网络(CNN-BiLSTM)融合注意力机制的多变量多步时间序列预测项目。该项目旨在解决传统时序预测方法难以捕捉非线性、复杂时序依赖关系的问题,通过融合CNN的空间特征提取、BiLSTM的时序建模能力及注意力机制的动态权重调节能力,实现对多变量多步时间序列的精准预测。项目不仅涵盖了数据预处理、模型构建与训练、性能评估,还包括了GUI界面的设计与实现。此外,文章还讨论了模型的部署、应用领域及其未来改进方向。 适合人群:具备一定编程基础,特别是对深度学习、时间序列预测及优化算法有一定了解的研发人员和数据科学家。 使用场景及目标:①用于智能电网负荷预测、金融市场多资产价格预测、环境气象多参数预报、智能制造设备状态监测与预测维护、交通流量预测与智慧交通管理、医疗健康多指标预测等领域;②提升多变量多步时间序列预测精度,优化资源调度和风险管控;③实现自动化超参数优化,降低人工调参成本,提高模型训练效率;④增强模型对复杂时序数据特征的学习能力,促进智能决策支持应用。 阅读建议:此资源不仅提供了详细的代码实现和模型架构解析,还深入探讨了模型优化和实际应用中的挑战与解决方案。因此,在学习过程中,建议结合理论与实践,逐步理解各个模块的功能和实现细节,并尝试在自己的项目中应用这些技术和方法。同时,注意数据预处理的重要性,合理设置模型参数与网络结构,控制多步预测误差传播,防范过拟合,规划计算资源与训练时间,关注模型的可解释性和透明度,以及持续更新与迭代模型,以适应数据分布的变化。
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