属性页控件CMFCPropertyGridProperty,如何实现类似CComboBox模糊匹配功能

女神打Boss 2019-10-10 02:24:18
只会用最简单的AddOption增加一项,AllowEdit设置可输入

求指教
...全文
401 2 打赏 收藏 转发到动态 举报
写回复
用AI写文章
2 条回复
切换为时间正序
请发表友善的回复…
发表回复
女神打Boss 2021-03-02
  • 打赏
  • 举报
回复
我最终也没有写出来,结帖吧
zgl7903 2019-11-18
  • 打赏
  • 举报
回复
可以试试从 CMFCPropertyGridProperty 派生新类, 然后重载的 CreateCombo 函数, 这样可以创建自己的ComboBox,

class CMyMFCPropertyGridProperty : public CMFCPropertyGridProperty
{
public:
  CMyMFCPropertyGridProperty(const CString& strName, const COleVariant& varValue, LPCTSTR lpszDescr = NULL)
    :CMFCPropertyGridProperty(strName, varValue, lpszDescr, 0, NULL, NULL, NULL)
  {
  }
  virtual CComboBox* CreateCombo(CWnd* pWndParent, CRect rect)
  {
    ASSERT_VALID(this);

    rect.bottom = rect.top + 400;

    CMyComboBox* pWndCombo = new CMyComboBox; //CMyComboBox 派生自 CComboBox
    if (!pWndCombo->Create(WS_CHILD | CBS_NOINTEGRALHEIGHT | CBS_DROPDOWN | WS_VSCROLL,
      rect, pWndParent, AFX_PROPLIST_ID_INPLACE))
    {
      delete pWndCombo;
      return NULL;
    }

    return pWndCombo;
  }
};

【多变量输入超前多步预测】基于CNN-BiLSTM的光伏功率预测研究(Matlab代码实现)内容概要:本文介绍了基于CNN-BiLSTM模型的多变量输入超前多步光伏功率预测方法,并提供了Matlab代码实现。该研究结合卷积神经网络(CNN)强大的特征提取能力与双向长短期记忆网络(BiLSTM)对时间序列前后依赖关系的捕捉能力,构建了一个高效的深度学习预测模型。模型输入包含多个影响光伏发电的气象与环境变量,能够实现对未来多个时间步长的光伏功率进行精确预测,适用于复杂多变的实际应用场景。文中详细阐述了数据预处理、模型结构设计、训练流程及实验验证过程,展示了该方法相较于传统模型在预测精度和稳定性方面的优势。; 适合人群:具备一定机器学习和深度学习基础,熟悉Matlab编程,从事新能源预测、电力系统分析或相关领域研究的研发人员与高校研究生。; 使用场景及目标:①应用于光伏电站功率预测系统,提升电网调度的准确性与稳定性;②为可再生能源并网管理、能量存储规划及电力市场交易提供可靠的数据支持;③作为深度学习在时间序列多步预测中的典型案例,用于科研复现与教学参考。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注数据归一化、CNN特征提取层设计、BiLSTM时序建模及多步预测策略的实现细节,同时可尝试引入更多外部变量或优化网络结构以进一步提升预测性能。

15,977

社区成员

发帖
与我相关
我的任务
社区描述
VC/MFC 界面
社区管理员
  • 界面
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧