大神们 进来看看 在线 等 进来散分
我的目的是页面提交后select中的值为我提交前选的值。。。
下面是JSP代码:
Js代码 用到DWR
后台对dwbh,gwbh有get 和set ,对bean也有实例化。查出的是两个LIST 为deptList和postList。
业务是点击按钮直接进入Action中获取dwbh的list,在用dwbh用DWR 获取gwbh,
在有两个选完后提交后返回页面时Select 不能被选中?????
求解!!!!!!!!!!!!
下面是JSP代码:
</tr>
<tr>
<th>
方式二:
<s:select
theme="simple"
list="deptList"
id="selectDW"
headerKey="-1"
headerValue="==请选择=="
listKey="dwbh"
listValue="dwmc"
name="dwbh"
onchange="changeDeptUp(this.value);">
</s:select>
<s:select
theme="simple"
list="postList"
id="selectGW"
headerKey="-1"
headerValue="==请选择=="
listKey="gwbh"
listValue="gwmc"
name="gwbh">
</s:select>
<s:submit value="查询" method="changePostUp" theme="simple" onclick="return clearXh();"/>
</th>
<th>
<s:submit value="导出" method="queryExcel" theme="simple" onclick="return queryExcel();"/>
</th>
</tr>
Js代码 用到DWR
function changeDeptUp(dwbh) {
if(dwbh == '-1') {
return;
}else {
EngageMgDAOImpl.getPostListByDwbh(dwbh,retDeptList);
}
}
function retDeptList(list) {
if(list.length != 0) {
dwr.util.removeAllOptions('selectGW');
dwr.util.addOptions('selectGW',[{'value':'-1','name':"==请选择=="}],'value','name');
for(var i=0;i<list.length;i++){
dwr.util.addOptions('selectGW',[{'gwbh':list[i].gwbh,'gwmc':jQuery.trim(list[i].gwmc)}],'gwbh','gwmc');
}
}else{
}
}
后台对dwbh,gwbh有get 和set ,对bean也有实例化。查出的是两个LIST 为deptList和postList。
业务是点击按钮直接进入Action中获取dwbh的list,在用dwbh用DWR 获取gwbh,
在有两个选完后提交后返回页面时Select 不能被选中?????
求解!!!!!!!!!!!!
...全文
相关推荐
Python半径近邻成绩分档 散点混淆出图
输入数据经标准化预处理后,被映射至二维特征空间,通过主成分分析(PCA)或线性判别分析(LDA)降维实现可解释的散点投影图输出,每个散点代表一名学生,横纵坐标分别对应前两个主成分得分,颜色编码标识其真实成绩档位与模型预测档位
16、凸散度ICA与非平稳贝叶斯ICA的实验解析
本文深入探讨了凸散度ICA(C-ICA)与非平稳贝叶斯ICA(NB-ICA)在信号处理中的应用。通过模拟实验和真实世界实验,对比了不同散度度量下C-ICA的收敛速度与分离性能,验证了α-1时C-ICA在学习曲线陡峭性和SIR表现上的优势。同时,介绍了NB-ICA模型及其在非平稳环境下的源分离能力,结合变分贝叶斯方法实现对时变混合矩阵和源信号的在线估计。实验结果表明,C-ICA在多种混合条件下均表现出优越的分离效果,而NB-ICA能有效应对非平稳与含噪场景,具有良好的自适应性与应用前景。
变分贝叶斯推理(平均场理论,变分法,贝叶斯推断,EM 算法,KL 散度,变分估计,变分消息传递)
KL散度(Kullback–Leibler散度)是衡量两个概率分布差异的非对称度量。在变分贝叶斯推理中,KL散度被用来衡量近似分布与真实后验分布之间的差异。
仿csdn,有积分、设置提问分、散分等功能
**后端功能扩展**:对BBSXP的源代码进行修改,实现积分系统、提问分设置和散分功能。这可能涉及到数据库结构的调整、逻辑处理的编写以及接口设计等。4.
二维直方图斜分最大散度差阈值分割算法 (2014年)
"二维直方图斜分最大散度差阈值分割算法 (2014年)"本文介绍了一种基于二维直方图斜分的最大散度差法的图像阈值分割算法,旨在提高图像在面临噪声干扰和光照不均匀情况下的分割准确性。最大散度差法是对


Web 开发
