AfxBeginThread(threadFunc,&file);threadFunc要傳多個參數怎麼辦???

tmj 2003-12-13 03:04:27
AfxBeginThread(threadFunc,&file);threadFunc要傳多個參數怎麼辦???
...全文
326 5 打赏 收藏 转发到动态 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
laker_tmj 2003-12-13
  • 打赏
  • 举报
回复
up learn
tmj 2003-12-13
  • 打赏
  • 举报
回复
同志們,结构体不行啊!!!

// trh.cpp : Defines the entry point for the console application.
//

#include "stdafx.h"
#include "afx.h"
#include <afxwin.h>
#include <windows.h>
#include "iostream.h"
#include "process.h"

#include "time.h"
#include "dos.h"

int thread(void*);

int count=0;
CRITICAL_SECTION cs;

struct mymsg // Declare mymsg struct type
{
char * p1;
char * p2;

} strmsg;

int main(int argc, char* argv[])
{
InitializeCriticalSection(&cs);
strmsg.p1 ="testa";
strmsg.p2 ="testb";
thread((void *)&strmsg);


//AfxBeginThread(thread,NULL);
_beginthread(thread,0,(void *)&strmsg);
//::CreateThread(NULL,0,thread,&strmsg,0,NULL);

DeleteCriticalSection(&cs);
cout<< "main exit" <<endl;
return 0;
}

int thread( void *msg)
{

CTime time=CTime::GetCurrentTime();
CString str=time.Format("%y-%m-%d %H:%M:%S");

cout<< msg->p1 <<endl;

EnterCriticalSection(&cs);

cout<< msg->p2 <<endl;
cout<< str <<endl;
Sleep(500);

LeaveCriticalSection(&cs);

return count;
}



yifengling0 2003-12-13
  • 打赏
  • 举报
回复
1.用全局变量解决..

2.类内,静态变量.


3.传一个数组,结构体,对象
lanfanghelanfanghe 2003-12-13
  • 打赏
  • 举报
回复
你可以传递你的参数所在的类的指针,然后用指针指向参数
vcforever 2003-12-13
  • 打赏
  • 举报
回复
AfxBeginThread函数的第二个参数是一个void*,就说明你可以给他传递任何类型的指针
如果要传递多个参数,就把你的多个参数定义成一个结构体,传递的时候传递结构体的指针就可以了!
本系统提出了一套面向MRI全心脏分割任务的端到端深度学习解决方案,其核心创新在于将Swin Transformer作为编码器骨干网络,充分挖掘心脏MRI图像中的全局上下文信息与局部细节特征,同时引入4通道输入机制,在传统RGB三通道图像基础上额外拼接一个点提示编码通道,支持用户通过鼠标交互在图像上自由标注前景(心脏区域)与背景点,从而将先验空间信息显式地融入网络前向传播过程,实现基于稀疏标注引导的精准分割。在解码阶段,系统采用U型对称结构,通过逐步上采样与跳跃连接逐级恢复特征图分辨率,最终输出二值分割掩膜(前景/背景),有效区分心脏区域与其他组织。训练过程中,系统选用交叉熵损失函数,配合AdamW优化器与余弦退火学习率调度策略,确保模型在训练集和验证集上稳定收敛,并在每个epoch结束后自动计算全局像素准确率、平均交并比(mIoU)、平均Dice系数、平均精确率、平均召回率及平均F1分数等多项评估指标,全方位监控模型性能。系统内置了完整的训练日志保存、损失曲线与性能曲线绘制、学习率衰减可视化等功能模块,便于用户直观分析训练过程并调优超参数。在推理应用层面,系统封装了基于Tkinter框架的图形化交互界面,用户可上传任意MRI切片图像,通过鼠标左键/右键分别添加前景/背景点,点击“执行分割”按钮后即可实时生成叠加了红色半透明掩膜的分割结果图像,支持点集的增删与重置操作,交互响应灵敏,操作逻辑直观清晰。整体而言,本系统不仅实现了从多模态数据加载、交互式标注编码、基于Transformer的分割建模到图形化推理部署的全链路覆盖,更在算法层面通过点提示引导机制与Swin Transformer结构的高效结合,显著降低了对大规模标注数据的依赖,同时提升了模型对心脏边界模糊、形态变异及邻近组织干扰的鲁棒性,为心血管疾病的计算机辅助诊断、术前规划及定量分析提供了一种兼具精度与灵活性的智能
针对心脏MRI图像中边界模糊、器官形变复杂以及标注成本高昂等痛点,本研究构建了一套以Swin Transformer为编码基座、融合人机交互机制的轻量化分割系统。该方案跳出传统全自动分割的思维定式,转而采纳“模型推理+专家微调”的协同策略,在模型输入层开辟了一条额外的点提示通道,允许操作者通过鼠标标记少量前景或背景点,将这些位置信息与图像特征并行馈入网络,从而将抽象的空间先验转化为可微分的学习信号,使得分割结果能够灵活响应个体差异与局部歧义。编码端采用基于移位窗口注意力的Transformer结构,以分层递降的分辨率捕获全局感受野下的解剖结构关联,解码端则通过逐步上采样与跨层特征拼接恢复空间细节,最终输出逐像素的二分类概率图。训练数据来自心脏MRI多切片序列,每张样本不仅包含原始影像与对应金标准掩膜,还通过随机采样前景点的方式模拟真实交互场景,迫使模型学会如何从稀疏的点监督中推断完整器官轮廓。损失函数选用标准交叉熵,用以衡量预测概率与真实标签之间的分布差异,同时引入混淆矩阵模块对训练与验证阶段的像素精度、召回率、F1分数、Dice系数及平均交并比进行逐轮次追踪,所有评估曲线均自动落盘保存,便于横向对比不同超参数配置下的性能演变规律。在工具链末端,系统配套开发了一个基于Tkinter的事件驱动型图形界面,将模型推理、点标注、结果渲染与图像交互四个环节无缝串联。用户上传图像后,可通过左键与右键分别部署正负样本点,随后系统自动完成坐标缩放、通道拼接、前向传播与掩膜重采样,最终在原始影像上叠加半透明彩色蒙层,清晰勾勒出模型判定的心脏区域。整套代码逻辑紧密、模块边界清晰,既可作为医学影像分割领域的教学范例,亦可经过少量适配迁移至其他器官或模态的交互式标注任务中,具备良好的扩展潜力与实用价值。
内容概要:本文介绍了基于MATLAB实现的改进前推回代法在低压配电网潮流计算中的应用。该方法针对传统前推回代法在处理弱环网、分布式电源接入以及三相不平衡等复杂配电系统时存在的收敛性差、精度不足等问题,进行了算法层面的优化与改进。通过引入节点分层处理、支路阻抗修正、相序解耦建模及迭代加速策略,提升了算法的稳定性与计算效率。文中详细阐述了改进算法的核心思想、数学模型构建过程及MATLAB编程实现的关键步骤,并结合典型低压配电网算例进行仿真验证,展示了其在电压分布、功率损耗和节点电压幅值等方面的精确求解能力。; 适合人群:具备电力系统分析基础,熟悉MATLAB编程,从事配电网规划、运行或相关科研工作的研究生、工程师及科研人员(工作年限1-5年)。; 使用场景及目标:①用于低压配电网的稳态潮流分析,特别是在含分布式电源、不对称负荷的场景下进行电压特性评估;②为配电网自动化、电能质量分析、分布式能源接入规划等提供可靠的仿真支持;③作为教学与科研中潮流算法研究的参考实现平台。; 阅读建议:建议读者结合电力系统潮流计算的基本理论,对照MATLAB代码逐模块理解算法实现逻辑,重点关注节点编号优化、三相建模处理与收敛判据设置;可通过修改网络拓扑或参数进行仿真实验,加深对算法性能的理解与掌握。
内容概要:本文系统阐述了基于核主成分分析(KPCA)的故障检测方法,重点实现了T²统计量与Q统计指数的构建及其可视化分析,采用Matlab进行代码实现与仿真验证。该方法通过核函数映射将原始非线性工业过程数据转换至高维特征空间,提取主要变化趋势并保留残差信息,进而利用T²和Q统计量分别监控主成分子空间与残差子空间中的异常变化,有效提升了对复杂非线性系统早期故障的敏感性与检测精度。文中提供了完整的Matlab程序代码,涵盖数据预处理、KPCA建模、控制限计算及故障检测结果可视化等环节,具有较强的可复现性和工程应用价值。; 适合人群:具备信号处理、机器学习及工业过程控制基础知识,从事自动化、电气工程、控制科学与工程等领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于化工、电力、智能制造等复杂工业系统的实时状态监测与早期故障预警;②帮助研究人员深入理解KPCA在非线性特征提取中的原理,掌握T²与Q统计量的数学构造逻辑及其在异常检测中的判别机制;③为撰写相关学术论文、开展科研项目或构建智能运维系统提供可靠的技术路线与可复现的代码支持。; 阅读建议:建议结合Matlab代码逐模块调试运行,深入理解核函数选择、主成分数确定及统计控制限设定对检测性能的影响,进一步可通过引入实际工业数据或与其他非线性降维方法(如Isomap、LLE)对比,拓展研究深度,全面提升对高维非线性数据故障诊断技术的掌握水平。

16,550

社区成员

发帖
与我相关
我的任务
社区描述
VC/MFC相关问题讨论
社区管理员
  • 基础类社区
  • Creator Browser
  • encoderlee
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告

        VC/MFC社区版块或许是CSDN最“古老”的版块了,记忆之中,与CSDN的年龄几乎差不多。随着时间的推移,MFC技术渐渐的偏离了开发主流,若干年之后的今天,当我们面对着微软的这个经典之笔,内心充满着敬意,那些曾经的记忆,可以说代表着二十年前曾经的辉煌……
        向经典致敬,或许是老一代程序员内心里面难以释怀的感受。互联网大行其道的今天,我们期待着MFC技术能够恢复其曾经的辉煌,或许这个期待会永远成为一种“梦想”,或许一切皆有可能……
        我们希望这个版块可以很好的适配Web时代,期待更好的互联网技术能够使得MFC技术框架得以重现活力,……

试试用AI创作助手写篇文章吧