基于MVC的struts在学生管理系统中的应用

基于JSP(Java Server Page)和Java Servlet的Struts开源框架为Java Web开发提供了非常大的便利,Struts已经成为利用JavaServlet和JSP构建Web应用程序最流行的表示框架包,我们将通过学生管理系统之中的一些子功能介绍Struts的应用。     

基于Struts架构应用系统的设计和实现

主要介绍了MVC(模型-视图-控制)模型的Model2架构,以及基于Model2的应用开发架构Struts的体系结构。通过一个实际系统(警卫系统)的开发,说明了Struts在开发应用系统中的优越性,和一些流行的框架做了比较并且指出了Struts架构的有待改进的地方。     

基于Struts体系结构的企业级应用系统

Struts是一个MVC框架，它提供了对开发MVC系统的底层支持，采用的主要技术有Servlet，JSP和自定义标签库．本文在介绍MVC模式的基础上，介绍了Struts体系结构，以远程教育应用系统为例，用Struts体系结构构建企业级应用系统，分析该应用系统的企业级实体Bean的数据关系，最后给出了远程教育应用系统的部署。     

基于Struts体系结构的企业级应用系统

Struts是一个MVC框架,它提供了对开发MVC系统的底层支持,采用的主要技术有Servlet,JSP和自定义标签库.本文在介绍MVC模式的基础上,介绍了Struts体系结构,以远程教育应用系统为例,用Struts体系结构构建企业级应用系统,分析该应用系统的企业级实体Bean的数据关系,最后给出了远程教育应用系统的部署.     

基于Struts框架的MIS系统设计与实现

传统的Web应用开发中,表示层仅单独采用JSP技术,系统存在可扩展性差、模块耦合度高以及开发团队分工不明细的问题,采用基于MVC的Struts框架可以很好地解决上述问题.介绍了MVC的设计思想和基于MVC的Struts框架,并采用该框架设计和实现MIS系统以及采用Struts的开发流程.     

支持多种Web客户端的MVC模型

本文分析和研究了现有Struts框架中使用JSP作为View实现技术的不足和缺陷，提出了一种采用XSL技术的改进方法并给出改进模型IXIStruts，同时讨论了若干关键实现技术，克服了原有Struts框架的缺点。     

基于MVC模式的Struts框架在高校开放实验室系统的应用

Struts提供了一个非常好的MVC框架,在Web应用开发中把界面和业务逻辑分离,提高了代码的可重用性和灵活性。文中首先介绍了Struts概念和体系结构及其对Model,View和Controller层的实现原理。然后介绍了高校开放式实验室系统各个功能模块以及整个系统基于Struts的开发流程。最后,通过一个应用示例,详细介绍了Struts框架在系统开发中的应用。     

基于MVC2的Web应用

传统的Web应用程序开发普遍采用2层结构，存在显示与逻辑事务没有分离、程序的移植性差、流程控制混乱等缺陷，这种缺陷在大型系统开发中表现得十分突出．MVC2框架采用分层技术，把系统划分为表示、逻辑和控制3部分，有效地克服了传统开发的不足．Struts是MVC2的一个实现，是一个可重用的MVC2设计，也是一组Servlet、相互协作的类和JSP标记，包含了丰富的标记库和独立于该框架工作的实用程序类．Struts通过将问题划分为更小的组件，有助于提高代码的可重用性和灵活性，实现了系统程序流程控制简单有效．本文以XML文档检索系统为例，说明了Struts在系统程序流程控制方面的应用．     

Struts框架与Web程序开发的应用研究

Struts是基于MVC设计模式,当今Web程序开发最广泛应用的框架之一,在Web应用开发中很好地将显示和逻辑分离,提高了代码的可重用性和灵活性。本文首先分析了Struts框架结构及其对Model,View和Controller层的实现原理,并总结了Struts框架的优点和不足之处,以及开发时就注意的一些细节的问题。     

基于MVC模式的Struts框架在Web系统开发中的应用

对于开发者来说,解决好Web应用系统的表示逻辑、业务逻辑及数据逻辑层次结构问题是增强代码重用性和可维护性、提高开发效率的重要因素之一.基于MVC模式的多层开发模型,对复杂的Web应用系统开发是较为理想的系统构建方式.Struts是一个基于SunJ2EE平台的MVC框架,主要是采用Servlet和JSP技术来实现的.Struts把Servlet、JSP、自定义标签和信息资源整合到一个统一的框架中,利用Struts,开发人员无需自己编码就可实现全套MVC模式,可极大的提高开发效率.     

电磁层析成像系统

为了研制新型电磁层析成像(EMT)系统,提高EMT系统图像重建质量,通过对多种电磁层析成像系统的比较,尤其分析了两种典型电磁层析成像系统:单线圈激励系统和平行场激励系统的结构特点和发展过程,根据传统EMT系统的基本结构和物理原理,给出了典型EMT系统的数学模型;归纳了电磁层析成像技术中常用图像重建算法:线性反投影算法、启发式图像重建算法、ART算法和相关算法的优缺点;总结了EMT系统传感器阵列的设计特点、优于其他电层析成像系统的特点以及当前在开发中遇到的困难,对于电磁层析成像技术的发展具有指导意义,为新型系统的研制提供了理论依据.     

GM(1,1)模型背景值构造的不同方法与应用

GM(1,1)模型的误差主要来源于背景值和初始值,因此提出3种不同的背景值构造方法分别为:把背景值的固定权改为变权构造背景值的方法、将数据序列抽象为指数函数构造背景值的方法、将数据序列抽象为非齐次指数函数构造背景值的方法,并以X(n)为初始值和新陈代谢方法来建立GM(1,1)模型.通过工程实例检验这3种不同背景值构造方法建立的GM(1,1)模型的预测精度.计算结果表明,将数据序列抽象为非齐次指数函数构造背景值建立的模型预测精度较高,可为类似工程提供参考.     

多变量灰色模型在预测中的应用

单变量的GM(1,1)模型用于单一时间序列的建模与预测,而MGM(1,n)模型是对GM(1,1)模型在多元变量情况下的自然推广,通过对MGM(1,n)模型建立过程以及应用方法的示例,来说明该模型的现实应用价值.     

基于改进的卷积神经网络邮件分类算法研究

针对传统文本分类方法中出现的维度过高和数据稀疏问题,通过对卷积神经网络(Convolutional Neural Network,CNN)和 inception V1 模型的深入研究,将两个模型融合起来,提出了一种基于 i-CNN 模型的 邮件分类方法;在卷积、池化操作中加入了 1×1 卷积核降低特征向量的厚度,减少了参数,提高了计算性能; 通过数据验证,i-CNN 模型对邮件的分类结果高达 92. 18%,在对比实验中,i-CNN 模型相对于几种机器学 习分类模型,取得了最高的分类精准率,在有无 inception 结构模型对比中,i-CNN 模型精准率高于 CNN 模 型;说明该模型具有较好的分类效果,且 inception V1 模型的融入能提高文本分类的准确率。     

基于自相关的GM（1，1）与GM（1，N）联合模型优化及应用

分析基于自相关理论的GM（1,1）与GM（1,N）联合模型,将仅适合GM（1,1）模型的数据拓展到适合GM（1,N）模型。用数值积分中的Simpson公式来重建GM（1,1）与GM（1,N）的联合模型,在参数辨识过程中引入累积法,降低线性方程组系数矩阵的条件数,使联合模型求解更加稳定,提高了模拟及预测精度,并且克服了原GM（1,N）模型必须获得预报时刻点相关数据列的值的缺陷,有利于新息GM（1,N）模型的应用。数值实验结果表明,优化后模型数值稳定性好,其系数矩阵的条件数在数值上比通用的最小二乘法有所降低,且模拟平均相对误差也有所降低,预测精度得到提高。     

灰色系统模型初始条件的改进及应用

本文讨论了GM(1,1)预测模型初始条件取值存在的问题.从GM(1,1)预测模型的建模机制出发,找出该问题存在的根本原因,并从使模型拟合误差平方和最小的角度出发,提出一种新的初始条件取值方法.     

多个正态总体均值与标准差比在简单树序约束下的最大似然估计

考虑k(k>3)个正态总体均值与标准差（均值和标准差均未知）之比在简单树序约束下最大似然估计的求解问题, 应用保序回归理论给出了计算均值和标准差最大似然估计的迭代算法, 并证明了所给迭代算法是收敛的, 给出了k=7时利用迭代算法的模拟结果.     

基于灰色马尔可夫模型的采煤机生产率的预测

生产率是衡量采煤机工作性能的一项重要指标,对煤矿开采的科学决策以及发展规划具有重要的指导意义.通过建立采煤机生产率的指标评价体系,运用灰色GM (1,1)模型以及灰色马尔可夫模型分别进行了预测,经过比较可发现,灰色马尔可夫模型预测的准确率和预测精度都优于GM(1,1)模型,尤其对波动性和随机性大的数据具有很好的拟合和预测效果,为具有多因素影响的采煤机生产性能预测评价提供了一种有效的途径和方法.     

残差修正的GM(1,1)模型预测路基沉降量

用普通GM(1,1)模型进行路基沉降预测时,有时会出现较大偏差,甚至完全失效。为此提出了改进措施,引入残差修正的GM(1,1)预测模型,用于高速铁路某试验段路基的沉降预测。工程实例表明,残差修正的GM(1,1)模型的预测精度明显高于普通GM(1,1)模型。在路基沉降预测中有明显的优势,值得在工程中推广应用。     

GM(1,1)模型建模的一种方法

根据ＧＭ（１ ,１） 模型的特点,通过在原始数据序列前加一个数的方式,提出了ＧＭ（１ ,１） 模型建模的一种方法－ 该方法克服了直接用原始数据序列建立模型的原有方法不能利用第一点数据的缺陷,提高了原始数据利用率,在短数据序列的场合可得到改善的模型结果