社区
VB基础类
帖子详情
★★★简单问题送100分★★★:用mschart画图,95,97,98,99年有数据,96年没有,如何把95,97
deak
2001-07-07 11:13:13
...全文
164
8
打赏
收藏
★★★简单问题送100分★★★:用mschart画图,95,97,98,99年有数据,96年没有,如何把95,97
复制链接
扫一扫
分享
举报
写回复
配置赞助广告
用AI写文章
8 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
hx
2001-08-05
打赏
举报
回复
关注
cqq_chen
2001-07-09
打赏
举报
回复
为什么不放到EXCEL中呢?做图方式很方便而且很直观。
bucher
2001-07-09
打赏
举报
回复
同意silence(蓝精灵)的看法,MSChart目前无法直接做到,似乎ComponentChart可以做到。
deak
2001-07-09
打赏
举报
回复
to mazhayang,silence:thanks,难道mschart里没有这样的属性,方法可以做到这一点?
silence
2001-07-08
打赏
举报
回复
如果只是数据点那种图,而不是要各种图形切换的,可以这样:
计算97和95 的平均值,赋给96,这样,95-97这里一定是直线连接的
:)
但如果是各种图形切换的话,这种方法就不好了,因为在直方图方式下96本来没有数据的,现在变成了有数据,不过可以通过在切换的事件里加入代码来实现的。:)
mazhayang
2001-07-08
打赏
举报
回复
将这些值付给一个数组
将数组付给chart.chartdata属性
不知道对不对你胃口
deak
2001-07-07
打赏
举报
回复
★★★简单问题送100分★★★:用mschart画图,95,97,98,99年有数据,96年没有,如何把95,97,98,99年的数据点直接连线画图,不考虑96年,但在横轴上又标明96年?
deak
2001-07-07
打赏
举报
回复
who knows?
VC++ MFC桌面时钟开发:从定时器到系统集成的实战指南
在Windows桌面应用开发领域,定时器是实现实时功能的核心机制,它通过消息循环驱动界面更新与后台任务。理解其原理,如WM_TIMER消息
分
发与回调处理,是构建响应式应用的基础。这项技术的工程价值在于,它能以极低的系统开销实现精准的时间控制,广泛应用于工业控制、
数据
采集及日常工具软件。针对需要高精度计时与稳定后台运行的应用场景,例如多功能时钟,开发者常面临界面闪烁、定时不准等挑战。本文通过一个集成世界时钟、倒计时、秒表与闹钟的MFC项目,具体展示了如何运用“双缓冲绘图”解决界面刷新
问题
,并利用“QueryP
金领航三版网站程序总是出
问题
,如何做个好的程序猿?
金领航三版网站程序总是出
问题
,如何做个好的程序猿? 王明富是金领航网的CEO,他最近花费大量时间雇佣、评估很多不同的程序员,并和他们一起协作。在这个过程中他发现并总结了十种程序员无法意识到自己潜力的原因,意在让更多程序员发掘出自己的潜力,从而成为强大的程序员。 王明富提到,他的公司中所使用的技术非常复杂,某些大型企业都很难掌握,所以对于想要加入团队的程序员来说,入门门槛非常高。因此,尽管他们非常
压力工况协同调控下PEMFC最大功率跟踪自适应高阶滑模控制策略研究(Simulink仿真实现)
内容概要:本文针对质子交换膜燃料电池(PEMFC)在动态压力工况下的最大功率点跟踪(MPPT)
问题
,提出了一种压力工况协同调控下的自适应高阶滑模控制策略,并基于Simulink平台完成了系统建模与仿真实现。该策略融合高阶滑模控制的强鲁棒性与自适应机制的参数在线优化能力,有效克服了PEMFC系统固有的非线性、外部扰动及工况时变性等挑战,实现了对最大功率点的快速、精确与稳定跟踪。研究内容涵盖控制策略的理论设计、李雅普诺夫稳定性
分
析、自适应律构建以及在多种动态工况下的仿真实验验证,结果表明该方法相较于传统控制策略具有更快的动态响应速度、更小的稳态振荡以及更强的抗干扰能力,显著提升了PEMFC系统的能量转换效率与运行稳定性。; 适合人群:具备一定控制理论基础和Simulink仿真经验,从事新能源发电系统、燃料电池控制、电力电子变换或先进控制算法研究的研发人员及高校研究生。; 使用场景及目标:①应用于燃料电池发电系统的高性能最大功率点跟踪控制设计;②为解决强非线性、多扰动耦合的能源系统提供先进的自适应鲁棒控制方案;③通过Simulink仿真验证高阶滑模与自适应控制算法的有效性,服务于科研项目攻关或工程原型开发。; 阅读建议:建议读者结合Simulink模型同步学习,重点关注控制律设计原理、自适应机制实现方式及仿真结果对比
分
析部
分
,并可通过与传统滑模控制进行对比,深入理解该策略在鲁棒性与动态性能上的优越性。
YOLO26算法工业车间滴落物目标检测+训练好的模型+2191张
数据
集+pyqt可视化界面.zip
下拉可见
数据
集可视化效果示意。 【
数据
集概况】 · 检测类别(中文):[滴落物(Drop)] · 训练集:2021 张 · 验证集:128 张 · 测试集:42 张 · 总计:2191 张 该
数据
集聚焦于工业生产环境中地面或设备表面出现的各类滴落物检测,通过多角度、多光照条件下的图像采集,全面覆盖了不同形态、颜色和材质的滴落物样本。
数据
集真实还原了车间地面、金属板、木质结构等复杂背景下的实际场景,为自动化巡检系统提供了高价值的视觉依据,有助于实现对潜在污染源或泄漏点的早期识别与预警。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 |
100
epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 71 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.8949** mAP50-
95
| 0.5139 Precision | 0.8
99
1 Recall | 0.8527 train/box_loss | 0.8544 train/cls_loss | 0.4842 val/box_loss | 1.5612 val/cls_loss | 0.6862 【训练过程
分
析】 71 轮训练后 mAP50 为 0.8949,模型基本收敛但还有提升余地。Loss 曲线下降正常,后期趋于平缓。mAP50-
95
为 0.5139,和 mAP50 差距 0.38,定位精度是主要短板。 【模型性能评估】 Precision 0.8
99
1、Recall 0.8527,精度高于召回,存在一定漏检。 【预测效果展示】 验证集预测效果较好,检测框基本准确覆盖滴落物,置信度整体偏高。 【改进建议】 1. 增强难例挖掘:在大规模
数据
中筛选误检...
Python字典核心开发应用
字典是键值对存储结构,底层基于哈希表实现,查询速度极快,是Python开发核心
数据
结构。字典适配键值映射场景,比如接口参数存储、
数据
映射、配置存储。支持通过键取值、新增键值对、修改值、删除键值对,操作灵活高效。开发中常用get方法取值,可设置默认值,规避键不存在报错。Python3.7及以上版本字典默认保留插入顺序,无需额外排序。字典去重、
数据
匹配、结构化
数据
存储均优先选用该结构。 rmc.transense.com.cn bnpl.transense.com.cn kszd.transense.com.cn qras.transense.com.cn dajiao.55.meilitonghua.com
VB基础类
7,788
社区成员
197,583
社区内容
发帖
与我相关
我的任务
VB基础类
VB 基础类
复制链接
扫一扫
分享
社区描述
VB 基础类
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章