一些常用的正则表达式

最新推荐文章于 2024-10-23 12:50:51 发布
最新推荐文章于 2024-10-23 12:50:51 发布
阅读量282 收藏
点赞数
分类专栏： IOS-项目汇总
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lxm_780337/article/details/50370615
版权
本文介绍了一种使用Objective-C中的正则表达式来验证各种输入数据的方法，包括电话号码、验证码、密码、用户名、身份证号及员工编号等。通过具体的代码实现，帮助开发者快速掌握如何在实际应用中进行数据的有效性和格式验证。
摘要由CSDN通过智能技术生成

#import "NDPredicateCheck.h"


@implementation NDPredicateCheck


#pragma 正则匹配手机号

+ (BOOL)checkTelNumber:(NSString *) telNumber

{

    NSString *pattern = @"^1+[3|5|7|8]+\\d{9}$";

//    NSString *pattern = @"^((13[0-9])|(17[7,8,6])|(15[^4,\\D])|(18[0-9]))+\\d{8}$";

    NSPredicate *pred = [NSPredicate predicateWithFormat:@"SELF MATCHES %@", pattern];

    BOOL isMatch = [pred evaluateWithObject:telNumber];

    return isMatch;

}


#pragma mark - 正则匹配手机验证码

+ (BOOL)checkCodeNumber:(NSString *)codeNumber

{

     NSString *pattern = @"\\d{4,6}$";

    NSPredicate *pred = [NSPredicate predicateWithFormat:@"SELF MATCHES %@", pattern];

    BOOL isMatch = [pred evaluateWithObject:codeNumber];

    return isMatch;

}


#pragma 正则匹配用户密码6-16位

+ (BOOL)checkPassword:(NSString *) password

{

//    NSString *pattern = @"^(?![0-9]+$)(?![a-zA-Z]+$)[a-zA-Z0-9]{6,18}";

    NSString *pattern = @"[\\s|\\S]{6,16}$"; //[\\s|\\S]所有字符

    NSPredicate *pred = [NSPredicate predicateWithFormat:@"SELF MATCHES %@", pattern];

    BOOL isMatch = [pred evaluateWithObject:password];

    return isMatch;

    

}


#pragma 正则匹配用户姓名,2-16位的中文或英文或数字或_

+ (BOOL)checkUserName : (NSString *) userName

{

    NSString *pattern = @"^([\u4e00-\u9fa5A-Za-z0-9_]+){2,16}$";

    NSPredicate *pred = [NSPredicate predicateWithFormat:@"SELF MATCHES %@", pattern];

    BOOL isMatch = [pred evaluateWithObject:userName];

    return isMatch;

    

}



#pragma 正则匹配用户身份证号15或18位

+ (BOOL)checkUserIdCard: (NSString *) idCard

{

    idCard = [idCard stringByTrimmingCharactersInSet:[NSCharacterSet whitespaceAndNewlineCharacterSet]];

    

    NSInteger  length =0;

    if (!idCard) {

        return NO;

    }else {

        length = idCard.length;

        if (length !=15 && length !=18) {

            return NO;

        }

    }

    // 省份代码

    NSArray *areasArray =@[@"11",@"12", @"13",@"14", @"15",@"21", @"22",@"23", @"31",@"32", @"33",@"34", @"35",@"36", @"37",@"41", @"42",@"43", @"44",@"45", @"46",@"50", @"51",@"52", @"53",@"54", @"61",@"62", @"63",@"64", @"65",@"71", @"81",@"82", @"91"];

    

    NSString *valueStart2 = [idCard substringToIndex:2];

    BOOL areaFlag =NO;

    for (NSString *areaCode in areasArray) {

        if ([areaCode isEqualToString:valueStart2]) {

            areaFlag =YES;

            break;

        }

    }

    

    if (!areaFlag) {

        return NO;

    }

    

    NSRegularExpression *regularExpression;

    NSUInteger numberofMatch;

    

    NSInteger  year =0;

    if (length == 15){

        year = [idCard substringWithRange:NSMakeRange(6,2)].intValue +1900;

        if ((year %4 ==0) || (year %100 ==0 && year %4 ==0)) {

            regularExpression = [[NSRegularExpression alloc]initWithPattern:@"^[1-9][0-9]{5}[0-9]{2}((01|03|05|07|08|10|12)(0[1-9]|[1-2][0-9]|3[0-1])|(04|06|09|11)(0[1-9]|[1-2][0-9]|30)|02(0[1-9]|[1-2][0-9]))[0-9]{3}$" options:NSRegularExpressionCaseInsensitive error:nil];//测试出生日期的合法性

        }else {

            regularExpression = [[NSRegularExpression alloc]initWithPattern:@"^[1-9][0-9]{5}[0-9]{2}((01|03|05|07|08|10|12)(0[1-9]|[1-2][0-9]|3[0-1])|(04|06|09|11)(0[1-9]|[1-2][0-9]|30)|02(0[1-9]|1[0-9]|2[0-8]))[0-9]{3}$"options:NSRegularExpressionCaseInsensitive error:nil];//测试出生日期的合法性

        }

        numberofMatch = [regularExpression numberOfMatchesInString:idCard options:NSMatchingReportProgress range:NSMakeRange(0, idCard.length)];

        

        if(numberofMatch >0) {

            return YES;

        }else {

            return NO;

        }

        

    }else if(length ==18){

        year = [[idCard substringWithRange:NSMakeRange(6,4)] intValue];

        if (year %4 ==0 || (year %100 ==0 && year %4 ==0)) {

            regularExpression = [[NSRegularExpression alloc]initWithPattern:@"^[1-9][0-9]{5}19[0-9]{2}((01|03|05|07|08|10|12)(0[1-9]|[1-2][0-9]|3[0-1])|(04|06|09|11)(0[1-9]|[1-2][0-9]|30)|02(0[1-9]|[1-2][0-9]))[0-9]{3}[0-9Xx]$"

                                                                    options:NSRegularExpressionCaseInsensitive

                                                                      error:nil];//测试出生日期的合法性

        }else {

            regularExpression = [[NSRegularExpression alloc]initWithPattern:@"^[1-9][0-9]{5}19[0-9]{2}((01|03|05|07|08|10|12)(0[1-9]|[1-2][0-9]|3[0-1])|(04|06|09|11)(0[1-9]|[1-2][0-9]|30)|02(0[1-9]|1[0-9]|2[0-8]))[0-9]{3}[0-9Xx]$"

                                                                    options:NSRegularExpressionCaseInsensitive

                                                                      error:nil];//测试出生日期的合法性

        }

        numberofMatch = [regularExpression numberOfMatchesInString:idCard options:NSMatchingReportProgress range:NSMakeRange(0, idCard.length)];

        if(numberofMatch >0) {

            NSInteger S = ([idCard substringWithRange:NSMakeRange(0,1)].intValue + [idCard substringWithRange:NSMakeRange(10,1)].intValue) *7 + ([idCard substringWithRange:NSMakeRange(1,1)].intValue + [idCard substringWithRange:NSMakeRange(11,1)].intValue) *9 + ([idCard substringWithRange:NSMakeRange(2,1)].intValue + [idCard substringWithRange:NSMakeRange(12,1)].intValue) *10 + ([idCard substringWithRange:NSMakeRange(3,1)].intValue + [idCard substringWithRange:NSMakeRange(13,1)].intValue) *5 + ([idCard substringWithRange:NSMakeRange(4,1)].intValue + [idCard substringWithRange:NSMakeRange(14,1)].intValue) *8 + ([idCard substringWithRange:NSMakeRange(5,1)].intValue + [idCard substringWithRange:NSMakeRange(15,1)].intValue) *4 + ([idCard substringWithRange:NSMakeRange(6,1)].intValue + [idCard substringWithRange:NSMakeRange(16,1)].intValue) *2 + [idCard substringWithRange:NSMakeRange(7,1)].intValue *1 + [idCard substringWithRange:NSMakeRange(8,1)].intValue *6 + [idCard substringWithRange:NSMakeRange(9,1)].intValue *3;

            NSInteger Y = S %11;

            NSString *M =@"F";

            NSString *JYM =@"10X98765432";

            M = [JYM substringWithRange:NSMakeRange(Y,1)];// 判断校验位

            if ([M isEqualToString:[idCard substringWithRange:NSMakeRange(17,1)]]) {

                return YES;// 检测ID的校验位

            }else {

                return YES;

            }

            

        }else {

            return NO;

        }

    }else{

        return  NO;

    }

}


#pragma 正则匹员工号,12位的数字

+ (BOOL)checkEmployeeNumber : (NSString *) number

{

    NSString *pattern = @"^[0-9]{12}$4";

    

    NSPredicate *pred = [NSPredicate predicateWithFormat:@"SELF MATCHES %@", pattern];

    BOOL isMatch = [pred evaluateWithObject:number];

    return isMatch;

    

}


@end


lxm_780337
关注
专栏目录
基于LSTM的时间序列预测（附带MATLAB代码）
TechRoar的博客
09-09 415
通过适当的数据准备、网络定义和训练过程，我们可以使用LSTM模型进行时间序列的预测。时间序列预测是一项重要的任务，可以帮助我们理解和预测一系列随时间变化的数据。在本文中，我们将使用MATLAB实现基于LSTM的时间序列预测，并提供相应的源代码。在上述代码中，我们首先导入了我们的数据，并将其划分为训练集和测试集。我们将使用这些数据来训练我们的LSTM模型，并使用模型进行预测。通过运行以上代码，我们可以得到时间序列的预测结果。请注意，这只是一个简单的示例，你可以根据自己的数据集和需求进行修改和优化。
MATLAB实现LSTM长短期记忆神经网络多输入单输出回归预测（完整源码和数据）
12-04
MATLAB实现LSTM长短期记忆神经网络多输入单输出回归预测（完整源码和数据） 数据为多输入回归数据，输入7个特征，输出1个变量。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。
机器学习之MATLAB代码--CNN预测 _LSTM预测 （十七）
weixin_44312889的博客
11-30 9581
机器学习之MATLAB代码--CNN预测_LSTM预测(四)
基于matlab的LSTM模型
ww596520206的博客
01-17 2575
时间序列，一维时间序列，matlab
基于MATLAB的长短期记忆网络(LSTM)的维路径跟踪预测
2301_79326891的博客
09-13 152
在本文中，我们将介绍如何使用MATLAB实现基于长短期记忆网络（LSTM）的维路径跟踪预测。LSTM是一种递归神经网络（RNN）的变体，适用于处理序列数据，并在时间序列预测问题中表现出色。LSTM是一种特殊的RNN，具有通过时间反向传播的机制，可以有效地处理长期依赖关系。通常，数据预处理包括将数据归一化到较小的范围，以便更好地适应LSTM模型。请注意，这只是一个简单的示例，你可以根据实际需求进行更复杂的模型设计和数据处理。是输出序列的维度（在这种情况下，是路径点的维度）。是LSTM层的隐藏状态大小，
多元时序：利用MATLAB实现LSTM神经网络进行多变量时间序列预测
library_git927的博客
09-17 759
我们首先准备了数据集，然后构建了LSTM模型并进行了训练。最后，我们使用训练好的模型进行预测，并评估了模型的性能。在上面的代码中，我们首先计算了预测结果与真实值之间的均方根误差（RMSE）。RMSE是一种常用的衡量预测精度的指标，它衡量了预测值与真实值之间的平均差异程度。接下来，我们使用MATLAB的绘图功能绘制了预测结果和真实值的对比图。最后，我们可以评估LSTM模型的性能。在上面的代码中，我们使用已经训练好的LSTM模型对测试数据进行预测。在上面的代码中，我们首先定义了LSTM模型的结构。
多维时序 | MATLAB实现GA-LSTM遗传算法优化长短期记忆网络的多变量时间序列预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
05-22 901
多维时序 | MATLAB实现GA-LSTM遗传算法优化长短期记忆网络的多变量时间序列预测
【Matlab深度学习】详解matlab深度学习进行时间序列预测
左手の明天的博客
03-03 3982
LSTM 网络是一种循环神经网络 (RNN)，它通过遍历时间步并更新 RNN 状态来处理输入数据。RNN 状态包含在所有先前时间步中记住的信息。可以使用 LSTM 神经网络，通过将先前的时间步作为输入来预测时间序列或序列的后续值。要为时间序列预测训练 LSTM 神经网络，训练具有序列输出的回归 LSTM 神经网络，其中响应（目标）是将值移位了一个时间步的训练序列。也就是说，在输入序列的每个时间步，LSTM 神经网络都学习预测下一个时间步的值。
MATLAB实现LSTM时间序列未来多步预测-递归预测
最新发布
matlab_dingdang的博客
10-23 586
时间序列预测在各个领域都具有广泛的应用，例如金融市场预测、气象预报、能源需求预测等。长短期记忆网络（LSTM）作为一种强大的循环神经网络，在处理长期依赖关系方面表现出色，成为时间序列预测领域的热门选择。本文将深入探讨利用MATLAB实现基于LSTM的递归预测方法进行时间序列未来多步预测的技术细节，并分析其优势与不足。传统的单步预测方法每次只预测未来一个时间步，然后将预测值作为下一个时间步的输入，以此递归地预测未来多个时间步。这种方法简单易懂，但累积误差会随着预测步数的增加而迅速放大，导致预测精度下降。
【路径规划】使用神经网络进行预测路径预测（Matlab实现）
你的Matlab小助手
07-04 492
神经网络，特别是深度神经网络，能够从大量历史数据中学习复杂的模式和关联，从而提供高精度的预测结果。在神经网络中，路径预测通常涉及到时间序列预测的问题，因此LSTM和GRU（门控循环单元）这类具有记忆能力的网络架构特别受欢迎。[1]史学鹏,石诚斐,解旭东,等.神经网络驱动的建筑自适应表皮产出性能预测方法[J/OL].南方建筑:1-10[2024-07-04].http://kns.cnki.net/kcms/detail/44.1263.TU.20240704.0916.006.html.
基于长短期记忆网络（LSTM）的数据回归预测（附Matlab完整代码）
AtdiHtml的博客
09-21 429
首先，我们需要准备我们的数据。假设我们有一个包含时间序列数据的CSV文件，其中每一行代表一个时间步，每个时间步有多个特征。我们的目标是根据过去的一些时间步来预测下一个时间步的特征值。本文将介绍如何使用Matlab实现基于LSTM的数据回归预测，并提供相应的源代码。请注意，以上代码仅为简化的示例，并未包含完整的错误处理和参数调整过程。在实际应用中，您可能需要进行更多的数据预处理、参数调优和模型评估工作。如果您有任何进一步的问题，请随时提问。现在，我们将展示如何使用LSTM模型来预测下一个时间步的特征值。
Python实现ALO蚁狮优化算法优化支持向量机分类模型(SVC算法)项目实战
张陈亚的博客
12-11 949
Python实现ALO蚁狮优化算法优化支持向量机分类模型(SVC算法)项目实战
【笔记】BiLstm+CNN
nyist_yangguang的博客
03-24 3192
参考笔记： CNN-LSTM模型 运行环境：python3.6.5 、Keras2.1.5 、tensorflow 2.3.1等 CNN-LSTM的Sequential()写法： from keras.models import Sequential from keras.layers import Dense, Dropout, Activation from keras.layers import Convolution1D, MaxPooling1D from keras.layers...
LSTM-Matlab代码
11-29
LSTM-Matlab代码，Deep Learning, AI,Machine Learning
时序预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)时间序列预测
热门推荐
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
09-19 3万+
时序预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)时间序列预测 目录时序预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)时间序列预测基本介绍CNN-LSTM模型CNN网络架构LSTM网络架构CNN-LSTM网络数据下载程序设计预测结果参考资料致谢 基本介绍 本次运行测试环境MATLAB2020b 深度学习方法因其具有较强的数据特征提取和拟合能 力，近年来得到迅速发展，常见的深度学习模型有深度信念网 络（deep belief networks，DBN）、深度受限
MATLAB在时间序列建模预测及程序代码
03-15
时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列。分析时间序列的方法构成数据分析的一个重要领域，即时间序列分析。代码
【lstm预测】基于LSTM实现人行为轨迹预测matlab代码
qq_59747472的博客
10-29 3907
1 简介 LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。​ 2 部分代码 clc;clearall;closeall; %synthetic reach data from LQG 2 joint controller load('dat3.mat') loadnetIMtoAng.mat loadnetAngToPos.mat YPred=predict(...
SCI顶级优化 基于鲸鱼算法优化卷积神经网络结合注意力机制的长短记忆网络WOA-CNN-LSTM-Attention实现风电功率多输入单输出回归预测附matlab代码
m0_60703264的博客
04-02 1279
风电功率预测是风电场安全稳定运行和电网调度的重要保障。本文提出了一种基于鲸鱼算法优化卷积神经网络结合注意力机制的长短记忆网络（WOA-CNN-LSTM-Attention）的风电功率多输入单输出回归预测模型。该模型首先利用卷积神经网络提取风电功率时序数据的局部特征，然后通过长短记忆网络学习数据的长期依赖关系，最后引入注意力机制增强模型对重要特征的关注度。此外，采用鲸鱼算法优化模型超参数，提高模型预测精度。
基于MATLAB的LSTM时间序列神经网络预测
m0_47037246的博客
07-03 1211
最后，我们使用训练好的模型进行时间序列的预测并评估模型的性能。我们将通过一个简单的示例来演示如何构建和训练LSTM模型，并使用该模型进行时间序列的预测。通过以上步骤，我们成功地构建了一个基于MATLAB的LSTM时间序列神经网络模型，并使用该模型进行了股票价格的预测。假设我们要预测股票价格的未来走势，我们可以使用历史的股票价格数据作为我们的训练集。然后，我们使用for循环遍历数据集，并将每个滑动窗口中的数据添加到输入序列和目标序列中。完成训练后，我们可以使用训练好的模型来进行时间序列的预测。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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