达人高手解此override,new 死节
using System;
using System.Collections.Generic;
using System.Text;
namespace JobTest1
{
public class A
{
public virtual void Fun1(int i)
{
Console.WriteLine(i);
}
public void Fun2(A a)
{
a.Fun1(1);
Fun1(5);
}
}
public class B : A
{
public override void Fun1(int i)
{
base.Fun1(i + 1);
}
public static void Main()
{
B b = new B();
A a = new A();
a.Fun2(b);
b.Fun2(a);
}
}
}
代码2:将override改成了new
using System;
using System.Collections.Generic;
using System.Text;
namespace JobTest1
{
public class A
{
public virtual void Fun1(int i)
{
Console.WriteLine(i);
}
public void Fun2(A a)
{
a.Fun1(1);
Fun1(5);
}
}
public class B : A
{
public new void Fun1(int i)
{
base.Fun1(i + 1);
}
public static void Main()
{
B b = new B();
A a = new A();
a.Fun2(b);
b.Fun2(a);
}
}
}
当然,结果是可以运行出来的,俺笨,就是走不明白为什么会是这个结果,达人解之。先谢了
相关推荐
白色炫彩风的商务企业网站模板下载.zip
白色炫彩风的商务企业网站模板下载.zip
炫彩背景博客网站模板_炫彩 博客 墨绿色 白色 简洁.zip
炫彩背景博客网站模板_炫彩 博客 墨绿色 白色 简洁.zip炫彩背景博客网站模板_炫彩 博客 墨绿色 白色 简洁.zip
140余套简约风格简历模板Word可编辑版彩色版.zip
1.IOS毛玻璃.docx 10.创意内容.docx 13.淡绿色时间轴.docx 14.豆瓣风格.docx 15.多年经验-简洁线条.docx 16.方块背景简历.docx 17.分层简洁简历.docx 18.分条简洁.docx 19.规整分栏.docx 2.lowpoly风格.docx 20.国企_简历.doc 21.含icon蓝色边简历.docx 22.含icon-应届.docx 23.含公司logo.docx 24.黑白灰-多年经验.docx 25.黑白灰简洁简历.docx 26.黑粉商务风.docx 27.红白灰-多年经验.docx 28.红白色时间轴简历.docx 29.红色肌理红色肌理风格.docx 3.暗红色中英文.docx 30.红色简洁欧美.docx 31.红色时间轴简历.docx 32.灰蓝色时间轴.docx 33.极简英文简历.docx 34.简洁传统.docx 35.简洁红白色简历.docx 36.简洁橘色简历.docx 37.橘色简洁.docx 38.酷黑.docx 39.酷黑炫彩.docx 4.百科风格简历.docx 40.蓝黑色简历.docx 等等...
蓝色炫酷彩带光斑PPT背景图片.zip
这是一张蓝色炫酷彩带光斑PPT背景图片; 关键词:蓝色彩带幻灯片背景图片,白色光斑PowerPoint背景图片,.jpg格式;
新型电力系统下PI-LSTM物理信息长短期记忆神经网络的电力变压器状态评估方法(Matlab代码实现)
内容概要:本文提出了一种基于物理信息长短期记忆神经网络(PI-LSTM)的电力变压器状态评估方法,旨在适应新型电力系统对设备状态精准评估的需求。该方法将物理规律作为先验知识融入LSTM网络,通过构建包含变压器热力学、电气特性等物理约束的损失函数,提升模型在数据稀疏或噪声干扰下的泛化能力与解释性。利用Matlab实现了PI-LSTM模型的搭建、训练与验证,通过实际案例对比传统LSTM与PI-LSTM在状态参数预测精度、趋势拟合度及异常检测敏感性方面的表现,证明了所提方法的有效性和优越性,为变压器等关键电力设备的智能运维提供了新的技术路径。; 适合人群:从事电力系统、智能电网、设备状态监测与故障诊断研究的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于新型电力系统中电力变压器的健康状态评估与预测性维护;②为掌握物理信息神经网络(PINN)在电力系统中的融合应用提供Matlab实践范例; 阅读建议:建议读者结合Matlab代码深入理解PI-LSTM的网络结构设计、物理约束项的数学表达与代码实现细节,并尝试在不同工况数据集上复现和测试,以充分掌握其在提高模型物理一致性与预测可靠性方面的核心优势。


