社区
C#
帖子详情
[求助]为什么继承了ToolBar的控件override的它的OnPaint方法却不能执行?
luckypan
2003-07-20 01:26:57
我写了自定义组件(components),继承自ToolBar,override它的OnPaint方法,但方法内的代码却不能执行。这是为什么,该怎么解决?谢谢
...全文
381
8
打赏
收藏
[求助]为什么继承了ToolBar的控件override的它的OnPaint方法却不能执行?
我写了自定义组件(components),继承自ToolBar,override它的OnPaint方法,但方法内的代码却不能执行。这是为什么,该怎么解决?谢谢
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
luckypan
2003-07-21
打赏
举报
回复
ms-help://MS.VSCC.2003/MS.MSDNQTR.2003APR.1033/cpref/html/frlrfsystemwindowsformscontrolstylesclasstopic.htm
ToolBar默认并不支持OnPaint重写,不过通过设置SetStyle( ControlStyles.UserPaint,true);会产生不同的效果.上面的链接是解释ControlStyles的。
谢谢各位的回复!
AhBian
2003-07-20
打赏
举报
回复
我代楼主说了,真没必要贴代码。
想试的话,自己从 NumericUpDown 继承一下,看看 override OnPaint 有用否?
思归兄正在论坛上,怎么不来说说?
wheagle
2003-07-20
打赏
举报
回复
贴出代码来看看
visualcpu
2003-07-20
打赏
举报
回复
no try
help you up!
AhBian
2003-07-20
打赏
举报
回复
这样的控件多了去了。象 NumericUpDown,DomainUpDown,TreeView,ToolBar ... 都不行的。
我也正不太明白,我提过这样的问题,居然无人能回答。
后来我也没在此问题上深入下去。只能顶了。
AhBian
2003-07-20
打赏
举报
回复
TO chainet(学习创业):
TextBox 是可以如那帖解决,可里列出的几个控件,你试试看,能行吗?
TO seakingii(seaking2) :
如果 NumericUpDown 真是从通用控件封装而来,那么在 ComCtrl 版本 6 及以上的环境中运行,NumericUpDown 就肯定会有 XP 风格的外观。事实上,没有任何变化。
然而,Button 是从通用控件封装而来的,怎么就可以 override OnPaint 呢?
只要把 Button 的 FlatStyle 设置成 System ,就可随运行环境的不同正确显示外观。
真的不明白。我一直想改造 NumericUpDown 控件,可是怎么也办不到。
seakingii
2003-07-20
打赏
举报
回复
这些控件实质是 Win32通用控件的封装,并非完全的Managed控件。它不是按照标准的控件实现方法来实现的。换句话说,并不是用。NET代码画的,而是调用通用控件Dll的代码。通用控件跟IE版本有关。
chainet
2003-07-20
打赏
举报
回复
http://expert.csdn.net/Expert/topic/2009/2009381.xml?temp=.2815515
虚幻引擎C++ Slate UI开发全流程:从原理到编辑器工具实战
本文系统讲解使用C++在虚幻引擎中开发Slate UI的全流程,涵盖声明式UI设计哲学、SWidget与Slot布局机制、编辑器模块配置、自定义工具窗口实现(含列表虚拟化与数据绑定)、性能优化(失效控制、缓存、虚拟化)、输入处理及Style Set样式定制,并提供调试技巧与常见错误排查方案,聚焦于高性能、可扩展的编辑器扩展开发。
城市空气质量时空预测与污染源贡献度分析.zip
大气污染是影响公众健康与生态环境的重要问题,精准的空气质量时空预测与污染源贡献度量化是精准治污的关键支撑。针对现有研究多源融合不充分、时空关联刻画不足、预测与源解析割裂三方面缺陷,本文设计实现了城市空气质量时空预测与污染源贡献度分析系统,融合监测、气象、工业排放与交通四类数据,构建基于时空注意力的LSTM(STAM-LSTM)预测模型与基于正定矩阵因子分解(PMF)的源解析模型,形成数据融合-特征工程-预测-源解析-可视化闭环。 系统实现四类数据时空对齐与融合,构建时序与空间邻域特征,以普通克里金插值生成1km网格浓度场;STAM-LSTM引入时空注意力自适应学习站点间污染传输时变权重,以72小时输入预测未来24小时逐小时PM2.5浓度;PMF识别交通、工业、燃煤、扬尘与二次生成五个源因子,量化各源全年贡献度并分析时空演变。 实验表明:STAM-LSTM预测RMSE 24.6、MAE 17.8、R² 0.88,相对LSTM基线(30.2)提升18.5%;普通克里金插值误差8.9,优于反距离加权(11.4);源解析显示交通源28.4%、工业源23.1%、燃煤源19.6%为主要贡献源,冬季燃煤源升至27.3%、早高峰交通源达34.8%,下风向工业源贡献高出上风向8~12个百分点;减排情景显示交通源减排20%可使年均PM2.5下降5.7%,与源贡献度排序一致。 系统按五模块14组件实现,功能测试16项用例全部通过,为大气污染预警、源管控与减排政策制定提供了决策依据。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测研究(Python代码实现)
基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测研究(Python代码实现)内容概要:本文提出了一种基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测
方法
,旨在通过结合多种先进深度学习模型的优势,提升在复杂工况下的预测精度与鲁棒性。该
方法
利用iTransformer捕捉长期时间序列中的全局依赖关系,通过BiGRU模型提取双向时序特征,最后引入KAN(Kernel Attention Network)增强非线性映射与关键特征的自适应加权能力,实现对轴承退化过程的精准建模。文中详细介绍了模型架构设计、训练流程及在公开数据集上的实验验证,结果表明该融合模型相比单一模型在预测精度和稳定性方面均有显著提升。; 适合人群:具备一定机器学习与深度学习基础,从事设备故障诊断、工业大数据分析或智能运维相关领域的研究人员及工程技术人员,尤其适合研究生及以上学历或有相关项目经验的专业人员。; 使用场景及目标:①应用于工业设备状态监测与预测性维护系统中,实现对滚动轴承等关键部件剩余寿命的精准预测;②为复杂时间序列回归任务提供多模型融合的设计思路与技术参考;③推动深度学习在智能制造与工业物联网领域的落地应用。; 阅读建议:建议读者结合Python代码实现部分,深入理解各子模型的接口设计与融合逻辑,重点关注特征融合机制与注意力权重的可视化分析,以便在实际项目中灵活调整与优化模型结构。
中文版本的几何画板 几何必备
有时候写代码遇到了数学问题可以通过这个分析。
python4.14版本的环境下载器
可以快速的通过python下载器来下载python3.14版本。
C#
111,128
社区成员
642,533
社区内容
发帖
与我相关
我的任务
C#
.NET技术 C#
复制链接
扫一扫
分享
社区描述
.NET技术 C#
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
让您成为最强悍的C#开发者
试试用AI创作助手写篇文章吧
+ 用AI写文章