XML 学习

  XML与HTML的区别 :XML实现了数据和显示的分离,XML具有标签自描述性,标签是自己命名的,用来描述数据<姓名>凌晨</姓名>   标签名字一律小写

 

  学习XML的重点:一:特点,二:语法规范,三:解析与创建 四:DTD



  语法规范

      <?xml version="1,0" encoding="utf-8"?>  只能有一个根节点ROOT


    要注意特殊字符!

CDATA节点——放大段文本原样解析 类似于定界符


获取各大网站的API ,从而获得相关xml或者jason 的数据
例子 土豆API

XML 的DOM 解析
通过PHP解析XML
 1.把XML文件读入进来,形成XML文档对象 document对象
 2、通getElementByTagName()得到一组节点
 3、得到的一组对象,取得其某一个,得到具体节点、
 ①  $dom = new DOMdocument('1.0','uth-8')
 ②载入XML文档
   $dom->load();
 $dom->getElementByTagName();返回DOMNodelist对象
   DOMNodelist->item()  返回domelement对象
  $dom->getElementByTagName('title')->item(1)->childNodes->item(0)->wholeText;

简化写法
 echo $dom->getElementByTagName('title')->item(1)->nodeValue;


DOM创建XML

 首先 createElement    再使用createtextnode 然后通过appendchild 进行节点之间的分配创建文本节点 最后save PS :不要忘记 $xml->appendChild($root);

以下是一个详细的用法

        //定义博文数据,实际数据应该从数据库中取出
$articles = array(array('title' => '深入浅出CURL', 'author' => '360weboy'), 
              array('title' => '深入理解execution context', 'author' => 'jack.yin'));

        //构建dom document
    $xml = new DOMDocument();
        //格式化输出
    $xml->formatOutput  = TRUE;

        //设置xml文档的编码为utf8
        $xml->encoding = 'utf8';

        //构建文章根节点
    $root = $xml->createElement('articles');

    if (count($articles) > 0)
    {
                 //遍历数组,生成文章子节点
        foreach($articles as $article)
        {
            //建立文章节点
                        $a = $xml->createElement('article');

                        //建立title字节点
            $title = $xml->createElement('title');

                        //建立文本节点,并且加入到title节点下

            $title->appendChild($xml->createTextNode($article['title']));

                        //添加title节点到article节点下
            $a->appendChild($title);

            $author = $xml->createElement('author');
            $author->appendChild($xml->createTextNode($article['author']));

            $a->appendChild($author);

                        //添加article节点到根节点下
            $root->appendChild($a);
        }
    }

        //添加根节点到xml文档下
    $xml->appendChild($root);

        //设置charset为utf-8,不然浏览器会显示中文为乱码
        header('Content-Type: text/html;charset=UTF-8');

        //保存xml文档到artciles.xml
    if ($xml->save('articles.xml') !== FALSE)
    {
        echo 'articles.xml已经生成保存!';
    }
    else
    {
        echo 'articles.xml生成失败';
    }

上述代码生成的xml文档如下:

<?xml version="1.0"?>
<articles>
  <article>
    <title><![CDATA[深入浅出CURL]]></title>
    <author>360weboy</author>
  </article>
  <article>
    <title><![CDATA[深入理解execution context]]></title>
    <author>jack.yin</author>
  </article>
</articles

PS:创建属性节点 使用createAtribute 然后用->value 赋值

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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