JQuery -- DOM 相关 随笔

最近在做公司项目中的(后台管理项目)前端,涉及到jq dom太多了  来这记录下

重点记录之前没用过的方法:

//找到某一特定的祖先元素parent("td")

//层级选择器
var inp=$("input[type='checkbox']"); //返回所有 input type=checkbox
var check=$("input[name='ckbox']:checked"); //选中的复选框  

var index=obj.selectedIndex;  //获取select选中位置的index


localStorage 

//这个是谷歌的一个方法,可以直接调用类似cookie session域
setItem 参数为 Key,Value 键值对形式
getItem 参数 Key值
removeItem 删除Key值

1.全选/全不选

 
    //表头的 单选按钮
    var checkbox = document.getElementById("checkbox");
    var ckbox=document.getElementsByName("ckbox");
    
    checkbox.οnclick=function(){
        for ( var index = 0; index < ckbox.length; index++) {
            //全选
            if (checkbox.checked) {
                console.debug(checkbox.checked);
                var ck=ckbox[index];
                ck.checked= true;
            } else {
                //全不选
                console.debug(checkbox.checked);
                var ck=ckbox[index];
                ck.checked= false;
            }
        }
    }

2.批量删除(根据id删除)

//批量删除
	var batch_del=document.getElementById("batch_del");
	//实例化 xw
	var xwArr=new Array();
	batch_del.οnclick=function(){
		var j=0;
	//	{"xh":"12","bt":"第N2次世界大战","fl":"普通通知","ly":"打野","gxsj":"2017-03-01","llcs":666}
		var inp=$("input[type='checkbox']");//返回所有 input type=checkbox
		var check=$("input[name='ckbox']:checked");//选中的复选框  
		check.each(function(){
			//debugger;
					j=j+1;
				            var row=$(this).parent("td").parent("tr");  
				            xh=row.find("[name='xh']").html();//序号
				            xwArr[j]=xh;  
				            debugger;
				            bt=row.find("[name='bt']").html();  //标题
				            fl=row.find("[name='fl']").html();//分类
				            ly=row.find("[name='ly']").html();  //来源
				            gxsj=row.find("[name='gxsj']").html();//更新时间  
				            llcs=row.find("[name='llcs']").html();  //浏览次数
				            console.debug("xwArr[index]:"+xwArr[j]);
		}); 
		//var xw=JSON.stringify(xwArr);
		if(j<=0){
			alert("请选择要删除的数据!");
		}else{
			//删除请求
			$.ajax({
				url:zc+"",
				type:"POST",
				data:{
					xw:xwArr
				},
				success:function(){
					
				},
				error:function(){
					alert("网络错误");
				}
			});
		}
	};

单行删除

//删除行
function delrow(obj1){
	
	var row1 = obj1.parentNode.parentNode; //按钮所在行
	var id=$("[name='indexID']").attr("id"); //通过name 获取 id
	var arr=row1.cells; //行内元素
	var xh=arr[0];	//行内元素 第index 位置上的元素
	var xhval=xh.innerHTML;
	//debugger;
	//删除请求
	$.ajax({
		url:zc+"scgrjlggxx",
		type:"POST",
		data:{
			ryid:ryid,lx:lx,id:id
		},
		success:function(msg){
			if(msg=="ok"){
				alert("删除成功!")
			}else{
				alert("网络异常,请重新操作!")
			}
			window.location.reload();
		},
		error:function(){
			alert("网络错误");
		}
	});
	//alert("删除行")
}



  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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

打赏作者

yanpengfeil

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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