【重点】【回溯】131.分割回文串

本文详细阐述了两种DFS方法,分别应用于字符串分割和回文串判断,展示了如何利用ArrayList和动态规划优化性能。

题目
重点掌握方法2写法!!!

法1:DFS+双指针

Python

class Solution:
    def partition(self, s: str) -> List[List[str]]:
        res = list()
        tmp = list()
        self.dfs(0, s, tmp, res)
        return res

    def dfs(self, idx, s, tmp, res):
        if idx == len(s):
            res.append(tmp.copy())
        
        for i in range(idx, len(s)):
            if self.is_valid(s, idx, i):
                tmp.append(s[idx:i+1])
                self.dfs(i+1, s, tmp, res)
                tmp.pop()
    
    def is_valid(self, s, i, j) -> bool:
        if i < 0 or i >= len(s) or j < 0 or j >= len(s) or i > j:
            return False
        l = i
        r = j
        while l <= r:
            if s[l] == s[r]:
                l += 1
                r -= 1
            else:
                return False
            
        return True

Java

必须掌握基础方法!
注意:使用ArrayList删除尾元素比LinkedList要快很多!!!

class Solution {
   
   
    public List<List<String>> <
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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