--禁止输入"~`!@#$%^&*():"{}[]<>?/"这些特殊符号的正则表达式怎么写?谢谢!

kisssuner 2006-04-07 12:19:28
[^\~^\`^\!^\@^\#^\$^\%^\^^\&^\*^\(^\)^\+^\=^\|^\\^\{^\}^\[^\]^\;^\"^\<^\>^\?^\/]
我写成这样好像不对!正确的怎么写阿????谢谢
...全文
736 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
libany 2006-04-07
  • 打赏
  • 举报
回复
TextBox:[a-zA-Z_0-9]{4,20},如果TextBox没有输任何值验证也能通过
没有为什么,这是在客户端检验,你没有对TextBox操作当然不会引发事件了
libany 2006-04-07
  • 打赏
  • 举报
回复
[^`/!@#$%^&',.*():{}[]<>]
kisssuner 2006-04-07
  • 打赏
  • 举报
回复
我用正则式验证TextBox:[a-zA-Z_0-9]{4,20},如果TextBox没有输任何值验证也能通过,为什么呢?
Jenyli2004 2006-04-07
  • 打赏
  • 举报
回复
^\W
kisssuner 2006-04-07
  • 打赏
  • 举报
回复
up
内容概要:本文介绍了一个基于MATLAB实现的VMD-SVM联合模型,用于机械设备的故障诊断与分类预测。该方法结合变分模态分解(VMD)和支持向量机(SVM),首先利用VMD对原始振动信号等工业监测数据进行自适应分解,提取具有物理意义的本征模态分量,有效分离噪声与关键故障特征;随后通过时频域特征提取与PCA降维,构建高判别性特征集,并输入优化后的SVM分类器实现多类别、非线性故障的精准识别。项目涵盖完整的模型架构、参数优化策略及应对工程挑战的解决方案,并提供了部分MATLAB代码示例,支持实时预测、可视化展示与系统集成。; 适合人群:具备一定信号处理与机器学习基础,从事工业故障诊断、智能运维、智能制造等相关领域的科研人员、工程技术人员及研究生;熟悉MATLAB编程者更佳; 使用场景及目标:①解决复杂工况下设备故障信号的特征提取与分类难题;②实现旋转机械、电力设备等多类型装备的智能健康监测与预测性维护;③构建高鲁棒性、可扩展的故障诊断系统; 阅读建议:建议结合文中提供的代码示例与完整程序(含GUI设计)进行实践操作,重点关注VMD参数调优、特征构造与SVM多分类实现过程,同时可拓展至迁移学习与边缘部署以提升工程应用价值。
传送带损坏与对象检测数据集 一、基础信息 • 数据集名称:传送带损坏与对象检测数据集 • 图片数量: 训练集:645张图片 验证集:185张图片 测试集:92张图片 总计:922张工业监控图片 • 训练集:645张图片 • 验证集:185张图片 • 测试集:92张图片 • 总计:922张工业监控图片 • 分类类别: Hole(孔洞):传送带表面的孔洞损坏。 Human(人类):工作区域中的人类,用于安全监控。 Other Objects(其他对象):非预期对象,可能引起故障。 Puncture(刺穿):传送带被刺穿的损坏。 Roller(滚筒):传送带滚筒部件。 Tear(撕裂):传送带撕裂损坏。 impact damage(冲击损坏):由于冲击导致的损坏。 patch work(修补工作):已修补的区域。 • Hole(孔洞):传送带表面的孔洞损坏。 • Human(人类):工作区域中的人类,用于安全监控。 • Other Objects(其他对象):非预期对象,可能引起故障。 • Puncture(刺穿):传送带被刺穿的损坏。 • Roller(滚筒):传送带滚筒部件。 • Tear(撕裂):传送带撕裂损坏。 • impact damage(冲击损坏):由于冲击导致的损坏。 • patch work(修补工作):已修补的区域。 • 标注格式:YOLO格式,包含边界框和类别标签,适用于目标检测任务。 • 数据格式:图像数据来源于工业监控系统,适用于计算机视觉分析。 二、适用场景 • 工业自动化检测系统开发:用于构建自动检测传送带损坏和异物的AI模型,实现实时监控和预防性维护,减少停机时间。 • 安全监控应用:识别人类和其他对象,提升工业环境的安全性,避免事故和人员伤害。 • 学术研究与创新:支持计算机视觉在制造业、物流和自动化领域的应用研究,促进AI技术与工业实践的融合。 • 教育与培训:可用于培训AI模型或作为工业工程和自动化教育的案例数据,帮助学习者理解实际应用场景。 三、数据集优势 • 多样化的类别覆盖:包含8个关键类别,涵盖多种损坏类型和对象,确保模型能够处理各种实际工业场景,提升泛化能力。 • 精准的标注质量:采用YOLO格式,边界框标注准确,由专业标注人员完成,保证数据可靠性和模型训练效果。 • 强大的任务适配性:兼容主流深度学习框架(如YOLO、TensorFlow、PyTorch),可直接用于目标检测任务,并支持扩展至其他视觉任务需求。 • 突出的工业价值:专注于工业传送带系统的实际需求,帮助提升生产效率、降低维护成本,并增强工作场所安全,具有较高的实际应用价值。

62,256

社区成员

发帖
与我相关
我的任务
社区描述
.NET技术交流专区
javascript云原生 企业社区
社区管理员
  • ASP.NET
  • .Net开发者社区
  • R小R
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告

.NET 社区是一个围绕开源 .NET 的开放、热情、创新、包容的技术社区。社区致力于为广大 .NET 爱好者提供一个良好的知识共享、协同互助的 .NET 技术交流环境。我们尊重不同意见,支持健康理性的辩论和互动,反对歧视和攻击。

希望和大家一起共同营造一个活跃、友好的社区氛围。

试试用AI创作助手写篇文章吧