软件构造3.4 面向对象编程

一、面向对象的标准
1、OOP以类为核心概念
2、保持ADT

二、基本组成: object, class, attribute, method and interface
1、object
识别现实世界中事物的状态和行为。由对象抽象到类
2、class
每一个对象都有一个类。类的方法为其他应用的接口
static :调用static类型的方法时,可直接 类名字.method(静态房屋无法调用非静态成员)
instance:调用方法时,需要实例化 即 对象.method
3、接口
均为public类。只有方法的名称,无方法的实现(有也为静态方法)
声明:public interface Name{…}
使用:class A implements Name{…}

一个接口可扩展其他接口,一个类可以实现多个接口

接口的好处:

  • 调用者理解ADT时只需要理解接口
  • 加快系统开发
  • 减轻维护负担
  • 启用有效的性能调优
  • 提高复用

4、继承和重写
(1)继承(为了代码的复用)

Class A extends B

在这里插入图片描述

(2)重写
重写:修改父类中的方法。
方法签名(方法名,传参类型,返回值)必须一样(java中可使用@Override IDE 可自动检查方法签名是否有误)
可变性可以不同,但子类的范围需要更加严格

使用super 可调用父类中被重写的方法
一般默认情况下,父类中的方法均可重写。但严格继承(final),只可继承不可重写。

(3)抽象类(抽象类指含有至少一个抽象方法的类)
抽象方法只有定义没有实现;
抽象类不能实例化。当继承某个抽象类的子类在实例化时,所有父类中的抽象方法必须已经实现。

6、多态、子类型、重载
(1)多态:不同类型提供一个接口或一个符号表示多个不同的类型。
类型:

  • 方法重载:一个函数可有多个同名的实现
  • 泛型编程:一个类型名字可代表多个类型
  • 子类型:一个变量名可代替多个类的实例

(2)重载:一个类中存在多个同名函数,必须有不同的参数列表,返回类型可同可不同(容易出问题)

需要和重写区分开

(3)泛型编程和参数的多样性

  • 泛型编程:从具体到抽象
  • 泛型类:类声明 class Name< T >{…}
  • 泛型接口:public interface Name< E >{…}
  • 泛型方法:public < E > void Name(E e){…}

< >为占位符,泛型变量是无限制的,可以有多个。
调用泛型方法时会进行类型擦除。静态方法不能使用所在泛型类定义的泛型变量。若要使用泛型,必须将静态方法定义为泛型方法。
即: public static < L > Graph< L > empty(){…}

(4)子类型多态性

  • 继承 满足子类型,但不是唯一子类型(Java只支持单继承,但支持多实现)
    若B为A子类
    前置条件:B<=A 后置条件:B>=A 承诺:B>=A
    即子类型规格说明不能弱与父类
  • 类型转换
    避免向下进行类型转换(父类中方法子类一定有,但子类用方法父类不一定有)

(5)动态分配
动态分配是指决定在运行时一个具有多态的操作,哪个具体实现被选择执行 。

方法:(ab在编译时进行,cd在运行时进行)

  • 确定是哪个类
  • 确定参数列表
  • 确定是哪个动态类
  • 找到动态类中的调用方法
  • 1
    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