向Flex中的LineChart中动态添加线

 
  1. package
  2. {
  3.         import mx.charts.CategoryAxis;
  4.         import mx.charts.Legend;
  5.         import mx.charts.LineChart;
  6.         import mx.charts.series.LineSeries;
  7.         import mx.collections.ArrayCollection;
  8.         import mx.containers.HBox;
  9.         import mx.containers.VBox;
  10.         public class createChat extends VBox
  11.         {
  12.                
  13.                 /**
  14.                  *
  15.                  * @用于根据一个ArrayCollection生成多个lineChat
  16.                  */
  17.                 //用于保存各chat
  18.                 public var chartArray:Array=new Array
  19.                 private var Width:int = 400
  20.                 private var Height:int = 300
  21.                 private var fontColor:String = "0x000000"
  22.                 /**
  23.                  *
  24.                  * @param S 主值
  25.                  * @param A        相关条件
  26.                  * @param D        dataProvider
  27.                  *
  28.                  *
  29.                  */
  30.                 public function createChat(S:String, A:Array, D:ArrayCollection):void
  31.                 {
  32.                         for (var i:int=0; i < A.length; i++)
  33.                         {
  34.                                 var _titleArr:Array=A[i].toString().split(",")
  35.                                 var lineChart:LineChart=new LineChart
  36.                                 lineChart.width=Width
  37.                                 lineChart.height=Height
  38.                                 lineChart.setStyle("color", fontColor)
  39.                                 lineChart.dataProvider=D;
  40.                                 var lineHAxis:CategoryAxis=new CategoryAxis()
  41.                                 lineHAxis.categoryField=S;
  42.                                 lineHAxis.dataProvider=D;
  43.                                 lineChart.horizontalAxis=lineHAxis;
  44.                                 var myLineSeries:Array=new Array();
  45.                                 for (var j:int=0; j < _titleArr.length; j++)
  46.                                 {
  47.                                         var lineSeries:LineSeries=new LineSeries();
  48.                                         lineSeries.xField=S;
  49.                                         lineSeries.yField=_titleArr[j];
  50.                                         lineSeries.displayName=_titleArr[j];
  51.                                         myLineSeries.push(lineSeries);
  52.                                 }
  53.                                 lineChart.series=myLineSeries;
  54.                                 var chartLegend:Legend=new Legend
  55.                                 chartLegend.setStyle("color", fontColor)
  56.                                 chartLegend.dataProvider=lineChart;
  57.                                 lineChart.showDataTips=true;
  58.         
  59.                                 var hbox:HBox=new HBox
  60.                                 hbox.addChild(lineChart);
  61.                                 hbox.addChild(chartLegend);
  62.                                 this.addChild(hbox);
  63.                                 chartArray.push(hbox);
  64.                         }
  65.                 }
  66.                 public function removeAll():void{
  67.                         this.removeAllChildren()
  68.                 }
  69.         }
  70. }
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像的目标属于哪个类别。 定位问题:确定目标在图像的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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