【求助】32位二进制转单精度浮点数问题

OROCHIORI533 2010-02-01 02:25:18
感觉这个方法很不错 但是调试出来的结果都是6.4打头的 不知道为什么 变换二进制得到的结果也是6.4打头

private void button1_Click(object sender, EventArgs e)
{
byte[] b = System.Text.ASCIIEncoding.ASCII.GetBytes("00000111101010101010101101010101");
float a = BitConverter.ToSingle(b, 0);
textBox1.Text = a.ToString();
}


难道32位二进制转化成的浮点数全是6.4打头的?
...全文
972 13 打赏 收藏 转发到动态 举报
写回复
用AI写文章
13 条回复
切换为时间正序
请发表友善的回复…
发表回复
godef 2012-08-08
  • 打赏
  • 举报
回复
我想看9楼的程序,谢谢。
OROCHIORI 2010-02-01
  • 打赏
  • 举报
回复
多谢空军 问题已解决!9楼的程序太好了!!再次感谢!!!!
多谢lzsh0622 帮忙!! 你改签名了 以前是永不言弃 帮我解答过许多问题!!呵呵
wuyi8808 2010-02-01
  • 打赏
  • 举报
回复
[Quote=引用 10 楼 lzsh0622 的回复:]
请VMM解释一下,十六进制与浮点数的转换问题。大家的结果不一致,哪种方法正确?依据?

[/Quote]

请看9楼的程序。
lzsh0622 2010-02-01
  • 打赏
  • 举报
回复
[Quote=引用 4 楼 viena 的回复:]
脑残片出售,5毛一片,批发优惠~
[/Quote]

请VMM解释一下,十六进制与浮点数的转换问题。大家的结果不一致,哪种方法正确?依据?

我再贴上一段,下面是我根据MSDN整理的。

// 数据类型 浮点数与十六进制转化
public string FloatToHex(float floatValue)
{
uint uintValue = BitConverter.ToUInt32(BitConverter.GetBytes(floatValue), 0);
byte[] byteValue = BitConverter.GetBytes(uintValue);
Array.Reverse(byteValue);
return BitConverter.ToString(byteValue).Replace("-","");
}

public float HexToFloat(String hexString)
{
uint num = uint.Parse(hexString, System.Globalization.NumberStyles.AllowHexSpecifier);
byte[] floatVals = BitConverter.GetBytes(num);
return BitConverter.ToSingle(floatVals, 0);
}
wuyi8808 2010-02-01
  • 打赏
  • 举报
回复
using System;
using System.Text;

class Program
{
static void Main()
{
float ff = 52.368F;
byte[] bb = BitConverter.GetBytes(ff);
string s = ToString(bb);
Console.WriteLine(s);
Console.WriteLine(ToSingle(s));
}

static string ToString(byte[] bb)
{
StringBuilder sb = new StringBuilder();
foreach (byte b in bb)
{
sb.Append(Convert.ToString(b, 2).PadLeft(8, '0'));
}
return sb.ToString();
}

static float ToSingle(string s)
{
byte[] b = new byte[4];
byte[] d = { 1, 2, 4, 8, 16, 32, 64, 128 };
for (int i = 0; i < 4; i++)
{
b[i] = 0;
for (int j = 0; j < 8; j++)
{
if (s[i*8 + (7-j)] == '1') b[i] += d[j];
}
}
return BitConverter.ToSingle(b, 0);
}
}
hyfzz123 2010-02-01
  • 打赏
  • 举报
回复
uppu
OROCHIORI533 2010-02-01
  • 打赏
  • 举报
回复
6.409691E-10和1.604966E-35相等?两种算法得出这两种结果
wuyi8808 2010-02-01
  • 打赏
  • 举报
回复
private void button1_Click(object sender, EventArgs e)
{
string s = "00000111101010101010101101010101";
byte[] b = new byte[4];
byte[] d = { 1, 2, 4, 8, 16, 32, 64, 128 };
for (int i = 0; i < 4; i++)
{
b[i] = 0;
for (int j = 0; j < 8; j++)
{
if (s[(3-i)*8 + (7-j)] == '1') b[i] += d[j];
}
}
float a = BitConverter.ToSingle(b, 0);
textBox1.Text = a.ToString();
}
OROCHIORI533 2010-02-01
  • 打赏
  • 举报
回复
[Quote=引用 4 楼 viena 的回复:]
脑残片出售,5毛一片,批发优惠~
[/Quote]
...
viena 2010-02-01
  • 打赏
  • 举报
回复
脑残片出售,5毛一片,批发优惠~
OROCHIORI533 2010-02-01
  • 打赏
  • 举报
回复
[Quote=引用 1 楼 xray2005 的回复:]
什么6.4哦。

是你那个数字值是: 0.000000000640969056  仔细看看。
直接输出时:6.409691E-10 科学计数法
[/Quote]
原来是这样 科学计数法能转化为普通那种小数点格式么?
ck11926375 2010-02-01
  • 打赏
  • 举报
回复
[Quote=引用 1 楼 xray2005 的回复:]
什么6.4哦。

是你那个数字值是: 0.000000000640969056  仔细看看。
直接输出时:6.409691E-10 科学计数法
[/Quote]

对的 那个是科学计数


float ff = 52.368F;
byte[] bb = BitConverter.GetBytes(ff);
float f = BitConverter.ToSingle(bb, 0);
this.textBox1.Text = f.ToString();

xray2005 2010-02-01
  • 打赏
  • 举报
回复
什么6.4哦。

是你那个数字值是: 0.000000000640969056 仔细看看。
直接输出时:6.409691E-10 科学计数法
内容概要:本文围绕“阶梯碳下考虑P2G-CCS与供需灵活响应的IES优化调度”展开,基于Matlab平台构建综合能源系统(IES)在阶梯式碳交易机制下的优化调度模型。研究深度融合电制气(P2G)与碳捕集、利用与封存(CCS)技术,结合需求侧灵活响应机制,旨在提升系统的低碳运行能力与经济性。通过建立多能流耦合的优化模型,协调电力、天然气、热力等多种能源形式的协同调度,有效降低系统碳排放强度,并借助YALIMIP工具包调用求解器进行高效求解。文档提供了完整的代码实现、模型构建流程与结果分析方法,涵盖从问题建模到仿真实现的全过程,具备较强的可复现性与科研参考价值。; 适合人群:具备电力系统、能源系统或优化建模相关背景的研究生、高校教师及工程技术人员,尤其适合从事综合能源系统、碳减排策略、P2G与CCS技术集成研究的专业人员,需熟练掌握Matlab编程与基本的数学规划知识。; 使用场景及目标:①用于研究阶梯式碳交易政策下综合能源系统的低碳经济调度策略;②支撑P2G-CCS技术与需求响应机制在IES中的仿真集成与性能评估;③作为撰写高水平学术论文(如EI/SCI收录)的技术基础与复现资源,推动碳中和背景下能源系统优化方向的创新研究。; 阅读建议:建议结合百度网盘提供的完整代码与资料包,按照模块逐步调试程序,重点理解目标函数的设计逻辑、碳交易成本的建模方式、约束条件的数学表达及求解器的配置方法,同时关注多能耦合设备的建模细节,配合公众号“荔枝科研社”获取持续的技术支持与案例拓展。
内容概要:本文系统研究了基于卷积神经网络(CNN)与支持向量机(SVM)融合的CNN-SVM混合模型在数据分类预测中的应用,尤其聚焦于工业故障识别领域。通过Matlab平台实现,该方法首先利用CNN强大的多层次特征提取能力对原始输入数据进行深度特征学习,自动捕获关键局部模式与空间结构信息,随后将提取的高层特征作为输入传递至SVM分类器,借助SVM在高维空间中小样本条件下卓越的分类性能与泛化能力完成最终判别任务。文中详尽阐述了模型的整体架构设计、网络参数配置、训练优化流程及特征迁移机制,充分结合了深度学习在特征表达上的优势与传统机器学习在分类决策上的稳健性。实验部分通过实际故障数据集验证了该混合模型相较于单一CNN或SVM模型在分类准确率、鲁棒性和抗过拟合能力方面的显著提升,证明了其在复杂故障诊断任务中的有效性与先进性; 适合人群:具备一定机器学习与深度学习理论基础,熟悉Matlab编程环境,从事故障诊断、模式识别、智能制造、电力系统监控或工业数据分析等相关领域的研究生、科研人员及工程技术开发者; 使用场景及目标:① 应用于旋机械、电力设备、航空航天等领域的多类别故障识别与状态监测;② 掌握深度特征提取与传统分类器融合的技术路径,提升小样本、高噪声环境下数据分类的精度与可靠性;③ 为撰写高水平学术论文、开展科研项目或工程实践提供可复现的算法框架与完整代码支持; 阅读建议:读者应深入理解CNN与SVM的协同工作机制,重点分析特征提取层与分类层之间的接口设计,建议动手运行并调试所提供的Matlab代码,尝试在不同数据集上进行迁移实验与参数调优,以全面掌握该混合模型的应用技巧与优化策略。

111,131

社区成员

发帖
与我相关
我的任务
社区描述
.NET技术 C#
社区管理员
  • C#
  • Creator Browser
  • by_封爱
加入社区
  • 近7日
  • 近30日
  • 至今
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