怎样用silverlight实现程序操作的录制和回放

carl_he 2009-08-07 11:37:56

或者说怎样在程序运行时自动记录一个Grid中的所有控件变化的关键帧

...全文

122 5 打赏收藏举报

写回复

用AI写文章

5 条回复

切换为时间正序

请发表友善的回复…

发表回复

拉达曼迪斯II 2009-08-10

打赏
举报

可以考虑使用Redo/Undo Framework的方法。

carl_he 2009-08-10

打赏
举报

谢谢各位，我用你们提供的关键词再去研究研究。现结贴

wormwormwormworm 2009-08-10

打赏
举报

没有这个功能吧

zhuzhi 2009-08-10

打赏
举报

Silverlight 本身好像现在没有这个功能，你只有自己在每次控件变化时记录控件和数据的变化，再回放时还原。

jv9 2009-08-08

打赏
举报

Silverlight 不支持录制功能，但是支持动态抓图功能，你可以试试使用动态抓图功能，达到你要的效果。

从Silverlight从1.0版本开始，就提供了InkPresenter控件。很多人在第一次了解到这个控件时非常兴奋，纷纷打算做“手写识别”“网络共享白板”等应用程序。可惜Silverlight的InkPresenter只是WPF中InkPresenter的阉割版，想要扩展它不是说不可以，而是一件相当伤脑筋的麻烦事——至少，到目前为止，我都没有见到过真正的Silverlight网络共享白板。 ...

自动化测试是现代软件工程中提升测试效率、保障软件质量的关键技术，其核心原理是通过脚本模拟用户操作，实现重复性测试任务的自动执行。在众多自动化测试工具中，基于录制与回放模式的工具因其低代码、易上手的特点，成为初学者入门和实践的重要选择。这类工具通过捕获用户界面操作并生成可复用的测试脚本，显著降低了自动化测试的技术门槛，其技术价值在于能够快速构建回归测试套件，确保软件迭代过程中的功能稳定性。在实际应用场景中，无论是Web应用还是桌面程序，录制回放工具都能有效覆盖基础功能验证。本文聚焦于国产自动化测试工具Auto

一、脚本问题问题1.1、无法弹出IE浏览器或者录制中出现0事件 IE选项设置，去掉勾选“启用第三方浏览器扩展” 问题1.2、Windows 2003无法录制IE6/7 Windows server 2003默认对IE加载DEP（数据执行保护）特性，而Vugen.exe刚好跟DEP冲突所导致 →属性→高级→性能（设置）→数据执行保护→添加→将Loa...

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）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。

WPF/Silverlight

8,757

社区成员

12,031

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

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