突写,再谈面向对象

近几年,有开发的人员多了少,但在编码思路上却没看什么新的变化或长进,基本上都是好几年前的套路。现在基本上都用上面向对象的思想进行开发,但我从代码的字里行间里面看不到面向对象的编码思路,基本上从数据读取数据后,简单把行记录转化成结构化对象,业务代码基本上都堆积在控制层及视图层中了。或者很多开发人员在写业务对象的时候觉得没有什么东西可写(潜意识上认为在业务层中就是把行记录转换成对象,然后丢给下层去处理就可以了),至于这么写会有什么问题,问题会有很多,但比较重要的问题就是对数据库过于依赖,最终于做出来的架构看上去象是面向对象的,实则是面象过程的开发,久而久之开发流程会慢慢近象于瀑布开发流程(最终无法迭代开发,进入一个开发死角),同时用户的需求也很难实现,这样产品的存活周期也就不多了。

 

其实现在很多开发人员用的是面向对象的工具,但由于一些客观原因开发的是面向过程的代码。当然,现在这个时代不可能存在100%的纯面向对象的开发(但存在100%纯面向过程的开发), 为什么这样说,有几方面的因素:

1.       二维的关系数据库,很容易产生过程化编码思路。很多项目的开发初期,都是先从数据层开始设计,也就会导致依赖于它的业务层也会变成过程化的简单结构对象.

2.       前端的视图的表现形式也是过程化,因为视图的表现形式依然为二维为主,这样导致提供给数据的控制层也会理所当然当然过程化。(控制层是视图层的数据提供服务方面,控制层是无法做成面向对象的,这个是没方法的)

3.       对MVC的错误理解,这一点我深有体会,现在的开发不管何种语言何种项目,上来就是一个MVC,您可以查一下,最初的MVC的作用充当视图层与控制层,现在开始业务层也有它的份(我们需要区分一下视图对象模型和业务对象模型的概念,您会发现MVC中的M实质上是视图对象模型或很难做成业务对象模型-当然理论上可以做到,但在实际中要做到这一点要付出很大的代价);当您把M理解为业务对象的时候,您在困难重重的压力下不得不选择过程化编码来实现C(控制层).

 

在数据层与视图层的硬性要求下,很难怪不把业务层做简单结构化的(而不是需向对象).

 

 

 

我对上图几个层进行了定义(个人意见只做参考):

视图:只做数据的友好化图形程现和视图逻辑的代码实现(如:某个按钮在某个业务状态下应该怎么样程现)

控制层:对视图的请求指令的合法的处理(如参数的类型验证或用户的权限的合法调用验证),并依据请求从业务层中获取相关的数据返回视图层,且返回的数据不应该存在视图元素(如html代码),同时不能改变用户数据及串改业务数据(它的主要作用是依据相应的请求从业务层截取数据)

业务层:它应正确描述业务的需求过程,对象尽可能职责单一化(就如社会分工一样),通过关系、事件、消息、接口等方式能够使这些对象进行调协工作(良好的封装是一个重要的基础),它更象一个生态化的工作进程,只受到请求(外部刺激)的变更来改变自身

 

数据层:简单的说就是存储用户的原始数据,它不应该存在大量的冗余数据和业务处理过程,另外它只提供业务处理过程中对象状态的还原或恢复(如果说业务层的服务器的内存无限大,处理能力足够强,保证不停机,不中断,我觉得数据层不要也可以)

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在风能领域,准确预测风速对于风电场的运行与管理至关重要。Matlab作为一个强大的数学计算和数据分析平台,被广泛应用于风速预测模型的构建。本文将深入探讨基于四种风速——随机风、基本风、阵风和渐变风的组合风速预测技术。 我们来理解这四种风速类型: 1. **随机风**:随机风是指风速呈现出随机性的变化,通常由大气湍流引起。在建模中,通常通过统计方法如高斯分布或Weibull分布来模拟这种不确定性。 2. **基本风**:基本风速是指在无特定扰动条件下的平均风速,它是长期观测结果的平均值,通常用于结构设计和风能评估。 3. **阵风**:阵风是短时间内风速显著增强的现象,对建筑物和风力发电机造成的主要威胁之一。阵风的预测涉及到风的脉动特性分析。 4. **渐变风**:渐变风是指风速随时间和空间逐渐变化的过程,常见于风向转变或地形影响下的风场变化。 在Matlab中,利用这四种风速类型进行组合预测,可以提高预测的准确性。预测模型可能包括以下几个步骤: 1. **数据收集与预处理**:收集历史风速数据,包括随机风、基本风、阵风和渐变风的数据,进行异常值检测、缺失值填充以及数据标准化。 2. **特征工程**:提取风速变化的相关特征,如平均值、标准差、极值、频率分布等,这些特征可能对预测有重要影响。 3. **模型选择**:可以选择多种预测模型,如时间序列分析(ARIMA、状态空间模型等)、机器学习算法(线性回归、决策树、支持向量机、神经网络等)或深度学习模型(LSTM、GRU等)。 4. **模型训练**:利用历史数据训练选定的模型,调整模型参数以优化性能,例如通过交叉验证来避免过拟合。 5. **模型验证与评估**:使用独立的测试集验证模型预测效果,常见的评估指标有均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)。 6. **组合预测**:结合四种风速的不同模型预测结果,可以采用加权平均、集成学习(如bagging、boosting)等方式,以提升整体预测精度。 7. **实时更新与动态调整**:实际应用中,模型需要不断接收新的风速数据并进行在线更新,以适应风场环境的变化。 通过以上步骤,可以构建一个综合考虑各种风速特性的预测系统,这对于风电场的功率输出预测、风电设备的维护计划以及电网调度都具有重要价值。然而,需要注意的是,每个风场的地理环境、气候条件和设备状况都有所不同,因此模型的建立应根据实际情况进行定制和优
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