请问怎样由一个窗体的handle得到指向该窗体的指针(该窗体由CB创建)

sdma 2004-05-06 12:12:37

rt
谢谢！

...全文

77 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

lother 2004-05-13

打赏
举报

什么意思？

teatool 2004-05-12

打赏
举报

TForm *ff;
ff=你的指针;

bcb_alone 2004-05-09

打赏
举报

不懂

jiangchun_xn 2004-05-06

打赏
举报

int i;
for(i=0;i<Screen->FormCount;i++)
{
if(Screen->Forms[i]->Handle==myHandle)
return (Screen->Forms[i]);
}
return NULL;

jiangchun_xn 2004-05-06

打赏
举报

int i;
for(i=0;i<Screen->FormCount;i++)
{
if(Screen->Forms[i]->Handle==myHandle)
return (Screen->Forms[i]);
}

HINSTANCE是应用程序实例句柄， HWND是窗口对象句柄， HANDLE是任意对象的句柄， CWnd是MFC中的窗口类。 MSDN里面对于HINSTANCE的解释是"handle to an instance" 就是说是一个instance的句柄。而对instance的解释是"An object for which memory is allocated or which is pe...

内容概要：本文介绍了基于条件生成对抗网络（Conditional Generative Adversarial Networks, CGAN）的可再生能源日前场景生成方法的复现研究，旨在通过Python代码实现对风电、光伏等可再生能源出力的不确定性进行高效建模与多场景生成。该方法利用历史数据作为条件输入，训练生成器与判别器网络，从而生成符合实际统计特性的高精度出力场景集，有效支撑电力系统调度、规划与风险评估等应用。文中详细阐述了CGAN的网络结构设计、损失函数构建、训练流程优化及生成场景的质量评价指标，并提供了完整的代码实现与案例分析，验证了其在捕捉时空相关性与概率分布方面的优越性。; 适合人群：具备一定深度学习与电力系统基础知识，从事新能源预测、电力系统优化调度、场景生成等相关方向的科研人员及研究生。; 使用场景及目标：①用于可再生能源出力不确定性建模，生成满足日前调度需求的典型场景集；②支撑含高比例新能源的电力系统随机优化、鲁棒调度与风险评估研究；③为学术研究提供可复现的CGAN应用场景与代码参考。; 阅读建议：建议读者结合提供的Python代码逐模块学习，重点关注数据预处理、模型搭建与训练细节，通过调整超参数和输入数据进行实验对比，深入理解CGAN在电力系统场景生成中的实际应用价值。

pgWin.7z

内容概要：本文详细介绍了Python中常用的多个标准库模块及其实际应用，涵盖random、time、datetime、sys、os、json以及第三方日志模块loguru。通过丰富的代码示例讲解了各模块的核心功能，如随机数生成、时间与日期处理、系统交互、文件操作、JSON序列化与反序列化、日志记录配置等，并结合双色球抽奖、红包分配、路径拼接、数据持久化等实用案例加深理解。同时附带多项练习题，帮助巩固知识点。; 适合人群：具备Python基础语法知识，希望深入掌握常用模块进行实际开发的初学者和入门级开发者，尤其适合在校学生或工作1年内的程序员。; 使用场景及目标：① 掌握random模块实现随机行为模拟（如抽奖、洗牌）；② 利用time和datetime模块处理时间戳、日期计算与格式化；③ 使用os和sys模块进行文件系统操作与系统信息获取；④ 借助json模块实现数据的序列化存储与网络传输；⑤ 运用loguru快速搭建美观、高效的日志系统；⑥ 完成小型项目的数据持久化和日志记录功能扩展。; 阅读建议：建议边学边练，结合文中代码实例动手实践，尤其应完成课后作业以强化对模块综合运用的能力，重点关注json与文件操作的结合、时间处理细节及跨平台路径操作，为后续项目开发打下坚实基础。

内容概要：本文系统介绍了基于去噪概率扩散模型（DDPM）的光伏功率场景生成方法，并提供了完整的Python代码实现。该模型通过模拟扩散与去噪过程，从历史光伏出力数据中学习其复杂的时序特征与概率分布，进而生成高保真、多样化的光伏功率场景，能够有效刻画新能源出力的不确定性、波动性与时序相关性。文中强调该资源属于科研复现类内容，聚焦于模型原理剖析与代码实践，适用于推动新型电力系统中新能源建模与风险评估的研究进展。; 适合人群：具备一定Python编程能力与机器学习基础知识，从事新能源发电预测、电力系统规划、能源系统建模、不确定性分析等方向研究的研究生、科研人员及工程师；熟悉深度学习框架（如PyTorch）者更佳。; 使用场景及目标：①用于生成高质量的光伏功率时序场景，支撑含高比例可再生能源的电力系统随机优化调度、鲁棒规划与风险评估；②作为科研复现案例，深入理解DDPM在能源时间序列生成任务中的建模机制与训练策略；③可拓展应用于风电、负荷等其他不确定性能源变量的场景生成问题，具备良好的迁移性与研究价值。; 阅读建议：建议读者结合提供的代码与网盘资料，按照目录结构循序渐进地学习，重点掌握模型网络架构设计、前向扩散与反向去噪过程、损失函数构建及采样生成逻辑，鼓励在真实数据集上进行调试、训练与结果可视化，以深化对扩散模型内在机理的理解与应用能力。

Windows SDK/API

1,222

社区成员

8,135

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