silverlight 5开发【vb版】(8)-checkbox和combobox

本文介绍了一个简单的用户界面实现,包括文本输入、按钮点击事件、鼠标移动事件和复选框的选中与取消选中事件,以及如何在文本框输入内容后动态更新下拉框选项。

1、checkbox

选项控件

Checked和Unchecked事件最重要

2、combobox

下拉框控件

最重要的事件是

 

SelectionChanged  在当前选定项更改时发生

3、代码:

Partial Public Class MainPage
    Inherits UserControl
    Private currentlocation As Point
    Public Sub New()
        InitializeComponent()
    End Sub

    Private Sub Button1_Click(sender As System.Object, e As System.Windows.RoutedEventArgs) Handles Button1.Click
        ComboBox1.Items.Add(TextBox1.Text)
    End Sub

    Private Sub LayoutRoot_MouseMove(sender As System.Object, e As System.Windows.Input.MouseEventArgs) Handles LayoutRoot.MouseMove
        currentlocation = e.GetPosition(LayoutRoot)
        Label2.Content = "现在鼠标的坐标是:(" & currentlocation.X.ToString() & "," & currentlocation.Y.ToString() & ")"
    End Sub

    Private Sub CheckBox1_Checked(sender As System.Object, e As System.Windows.RoutedEventArgs) Handles CheckBox1.Checked
        Label1.Content = "您好,您选中了!"
    End Sub

    Private Sub CheckBox1_Unchecked(sender As System.Object, e As System.Windows.RoutedEventArgs) Handles CheckBox1.Unchecked
        Label1.Content = "您好,您没有选择!"
    End Sub

    Private Sub ComboBox1_SelectionChanged(sender As System.Object, e As System.Windows.Controls.SelectionChangedEventArgs) Handles ComboBox1.SelectionChanged
        Label4.Content = ComboBox1.SelectedValue
    End Sub
End Class

 

 上面这个代码,当在文本框中输入任何内容后,这些内容将做为下拉框的选项之一,也就是 说下拉框的选项是动态增加的

 

内容概要:本文研究了基于变分模态分解(VMD)、卷积神经网络(CNN)双向长短期记忆网络(BiLSTM)相结合的负荷预测模型,旨在提升电力系统中负荷预测的精度与稳定性。通过VMD将原始负荷数据自适应分解为多个本征模态函数(IMF),有效降低序列的非平稳性与噪声干扰;利用CNN逐层提取各模态分量的局部时序特征与空间结构信息;再通过BiLSTM充分捕捉时间序列的长期依赖关系与前后向动态特征,实现对各分量的高精度预测;最终通过重构获得整体负荷预测结果。该混合模型充分发挥了信号分解技术与深度学习网络的优势,显著提升了在复杂非线性、多波动场景下的预测性能。文中提供了完整的Python代码实现,便于读者复现与应用。; 适合人群:具备一定Python编程基础机器学习知识,从事电力系统、能源管理、智能电网或时序数据分析等相关领域的研究人员、工程技术人员及研究生。; 使用场景及目标:①应用于电力系统短期与中期负荷预测,提升电网调度、能源规划与需求响应的决策效率;②为研究者提供一种融合信号预处理与深度学习的复合预测框架设计思路,用于处理高噪声、非平稳的复杂时序数据;③通过代码实践深入掌握VMD参数优化、CNN特征提取层设计、BiLSTM网络结构搭建及其协同工作机制,推动模型迁移与二次开发。; 阅读建议:建议读者结合提供的代码逐步实现模型,重点关注VMD的分解层数(K值)与惩罚因子(α)的选择、CNN卷积核大小与池化策略的设计,以及BiLSTM的隐藏单元数与dropout参数的调优,并通过真实负荷数据进行训练、验证与性能对比分析,以深入理解模型各组件的作用与整体优化路径。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值