树型控件的查询问题???

xiao_2005 2004-10-17 06:26:21
怎么在树型控件中实现查询功能呢?
...全文
130 1 打赏 收藏 转发到动态 举报
写回复
用AI写文章
1 条回复
切换为时间正序
请发表友善的回复…
发表回复
linwdm2002 2004-10-17
  • 打赏
  • 举报
回复
实现在TreeView控件中进行查找:

setpointer(hourglass!)
long ll_handle,ll_handletree[],ll_level
int li_find
treeviewitem ltvi_1

if sle_search.text = "" then
messagebox("提示","请先输入查询信息!!")
return
end if

li_find = 0
tv_1.setredraw(false)
ll_handle = tv_1.finditem(RootTreeItem! ,0)
tv_1.expandall(ll_handle)
do while ll_handle >0
tv_1.getitem(ll_handle,ltvi_1)
if ltvi_1.label = sle_search.text then
li_find = 1
exit
end if
ll_handle = tv_1.finditem
(NextVisibleTreeItem! ,ll_handle)
tv_1.expandall(ll_handle)
loop
ll_level=1
if ll_handle > 0 then
ll_handletree[ll_level]=ll_handle
ll_handle=tv_1.finditem
(ParentTreeItem! ,ll_handle)
do while ll_handle > 0
ll_level ++
ll_handletree[ll_level]=ll_handle
ll_handle=tv_1.finditem
(ParentTreeItem! ,ll_handle)
loop
end if
ll_handle = tv_1.finditem(RootTreeItem! ,0)
do while ll_handle > 0
tv_1.CollapseItem(ll_handle)
ll_handle = tv_1.finditem(NextTreeItem! ,ll_handle)
loop

do while ll_level > 0 and li_find = 1
tv_1.expanditem(ll_handletree[ll_level])
if ll_level = 1 then
tv_1.selectitem(ll_handletree[ll_level])
tv_1.setfocus()
exit
else
ll_level --
end if
loop
tv_1.setredraw(true)
if li_find = 0 then
messagebox("提示","所给信息没有找到!!")
end if

---- 该程序是在TreeView控件中逐项进行查找比较,因而执行的效率和显示结果都不是很理想,但我们在实际应用中,通常TreeView控件都是与DataWindow相联系的,因而很容易借助DataWindow实现顺着TreeView控件的树枝往下查找,执行速度快并且定位准确(不必展开一些不必要的分枝)。而且还很容易实现模糊查询(部份匹配)。
训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!

604

社区成员

发帖
与我相关
我的任务
社区描述
PowerBuilder 控件与界面
社区管理员
  • 控件与界面社区
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