Notification探险

多任务机制下,程序跑在后台,用户使用服务,形成了一个良好的使用结构。程序运行的状态或结果,在不干扰用户当前使用的状态下,以通知的方式通知用户,能大大提升地用户的使用感。

 

在android下,与通知功能相关的组件大致有以下三大部分:

 

android.app.PendingIntent;
android.app.NotificationManager; 
android.app.Notification;

NotificationManager可以通过系统的服务获取,我就是通过它向用户发出通知的

notificationManager = (NotificationManager) getSystemService(Context.NOTIFICATION_SERVICE);

 

Notification,通知的主体,通过设置其各种属性,来实现通知的效果,

 

PendingIntent,Intent的封装类,主要是用来导向点击通知后要启动的Activity。不过这里主要牵涉到Intent属性的设置,以下两段代码,前者跳转Activity时会新建一个Activity的实例,后者则会先从栈堆里弹出

 

intent = new Intent(NotificationTest.this, NotificationTest.class);
		intent.setFlags(Intent.FLAG_ACTIVITY_NEW_TASK | 
				Intent.FLAG_ACTIVITY_CLEAR_TOP);
		pendIntent = PendingIntent.getActivity(NotificationTest.this, 0, intent, 0);
		notif.contentIntent = pendIntent;

 

		intent = new Intent(Intent.ACTION_MAIN);
		intent.addCategory(Intent.CATEGORY_LAUNCHER);
		intent.setClass(NotificationTest.this, NotificationTest.class);
		intent.setFlags(Intent.FLAG_ACTIVITY_NEW_TASK | 
				Intent.FLAG_ACTIVITY_RESET_TASK_IF_NEEDED);
		pendIntent = PendingIntent.getActivity(NotificationTest.this, 0, intent, 0);

 android下的通知组件使用起来很简单,下面是自己的一个例子,例子模拟下载的通知,并使用Timer和Handle一步更新通知上的进度条:

public class NotificationTest extends Activity {

	private NotificationManager notificationManager;
	private String svcName = Context.NOTIFICATION_SERVICE;
	private Intent intent;
	private PendingIntent pendIntent;
	private Notification notif; //通知的变量
	private RemoteViews rv = null; //自定义通知的外观
	private final int NOFI_REF = 1; //通知的标志
	private TextView tv = null;
	private Timer timer = null;
	private int number = 0;
	private int num = 0;
	private boolean isOver = true;

	/** Called when the activity is first created. */
	@Override
	public void onCreate(Bundle savedInstanceState) {
		super.onCreate(savedInstanceState);
		setContentView(R.layout.main);
		tv = (TextView) findViewById(R.id.myTv);
		tv.setOnClickListener(new OnClickListener() {

			@Override
			public void onClick(View arg0) {
				if(number!=0){
					tv.setText("down again! \n");
				}
				if (timer == null && isOver==true) {
					setNotification();
					timer = new Timer();
					timer.schedule(new MyTask(), 1000);
					isOver = false;
				} 
			}

		});
		tv.setText("Tis is Notification Test! \n Click screen to start! \n");
        //获取系统的通知服务管理器实例
		notificationManager = (NotificationManager) getSystemService(svcName);

	}

	private void setNotification() {
		long when = System.currentTimeMillis();
		notif = new Notification(android.R.drawable.ic_media_rew,
				"Test Notification", when);  //new一个通知的实例,并设置在状态栏的显示方式
		// 点击通知时转移的内容
		intent = new Intent(Intent.ACTION_MAIN);
		intent.addCategory(Intent.CATEGORY_LAUNCHER);
		intent.setClass(NotificationTest.this, NotificationTest.class);
		//设置intent的标志,以控制目标Activity的启动方式
		intent.setFlags(Intent.FLAG_ACTIVITY_NEW_TASK | 
				Intent.FLAG_ACTIVITY_RESET_TASK_IF_NEEDED);
		pendIntent = PendingIntent.getActivity(NotificationTest.this, 0, intent, 0);
		notif.contentIntent = pendIntent;  //
		
		//notif.defaults = Notification.DEFAULT_SOUND; //设置通知的声音,也可以通过uri属性自定义
		
		long[] ss = {1000,500,1000};
		notif.vibrate = ss; //设置通知时震动
		
		rv = new RemoteViews(this.getPackageName(), 
				R.layout.my_notification_view);  //设置通知自定义的外观
		notif.contentView = rv; //
		//设置进度条的最大进度和初始进度
		notif.contentView.setProgressBar(R.id.pb, 100, 10, false);
        //显示下载的内容
		notif.contentView.setTextViewText(R.id.tv_name, "正在下载");
        //显示下载的进度
		notif.contentView.setTextViewText(R.id.tv_p, "0%");
		notif.flags = Notification.FLAG_ONGOING_EVENT; //设置通知的标志,定义在通知栏上的显示方式
		notificationManager.notify(NOFI_REF, notif); //向系统发出通知
	}

	class MyTask extends TimerTask {

		@Override
		public void run() {
			Message msg = new Message();
			num+=5;
			Bundle b = new Bundle();
			b.putInt("pb", num);
			msg.setData(b);
			msg.what = 1;
			handeler.sendMessage(msg);
		}
	};
	
	private Handler handeler = new Handler(){
		public void handleMessage(Message msg) {  
			if(msg.what==1){
				Bundle b =msg.getData();
				int i = b.getInt("pb");
				if(i<100){
					tv.setText(tv.getText() + "Notification update:" + i + "\n");
					timer.cancel();
					timer = null;
					if(i%10==0){
						rv.setProgressBar(R.id.pb, 100, i, false); //更新进度条
						rv.setTextViewText(R.id.tv_p, i+"%"); //更新label的值
						notif.vibrate = null; //关掉震动
						notif.defaults = 0; //关掉声音
						notificationManager.notify(NOFI_REF, notif); //发出通知,更新通知栏上的状态
					}
					timer = new Timer();
					timer.schedule(new MyTask(), 500);
				} else {
					timer.cancel();
					timer = null;
					//notif.contentView.removeAllViews(R.id.progress_lay);  //去掉进度条
					//notif.contentView.setTextViewText(R.id.tv_name, "下载完成");  //更新显示的信息
					
					notif.setLatestEventInfo(NotificationTest.this,
							"下载完成", "OK!", pendIntent); //如方法名称一样,设置要通知的最新事件信息
					//要注意的是,绑定通知的contentView和通知的setLatestEventInfo方法,
					//两者只能选一种,否则通知只会展现最后绑定的效果
					
					notif.flags = Notification.FLAG_AUTO_CANCEL; //设置通知在用户点击后就会自动取消
					long[] ss = {1000,500,1000};
					notif.vibrate = ss;
					notif.number = ++number; //设置通知的条数 
					notificationManager.notify(NOFI_REF, notif); //发出通知,更新通知栏上的状态
					
					isOver = true;
					num = 0;
				}
			}
			
		}
	};
}

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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