leetcode139. 单词拆分

该博客讨论了一种使用动态规划算法解决LeetCode上的‘单词拆分’问题的方法。通过建立一个规划数组,双层循环更新,判断字符串是否能由字典中的单词拆分。程序实现中用到了哈希表存储字典单词,并检查子串是否存在于字典中。

题目链接:https://leetcode-cn.com/problems/word-break/

题意:

给定一个非空字符串 s 和一个包含非空单词的列表 wordDict,判定 s 是否可以被空格拆分为一个或多个在字典中出现的单词。

说明:

拆分时可以重复使用字典中的单词。
你可以假设字典中没有重复的单词。

方法:动态规划,双重循环更新规划数组 

class Solution {
public:
    bool wordBreak(string s, vector<string>& wordDict) {
        int size = s.size();//记录字符串长度
        unordered_set<string> mp;//哈希表,存储字典中的字符串
        for(auto& str:wordDict)
        {
            mp.insert(str);//更新哈希表
        }
        vector<bool> dp(size+1,false);//规划数组,dp[i]表示从0到i是否可以拆分成字典中的单词
        dp[0] = true;//空串是可行的
        for(int i=0;i<=size-1;i++)
        {
            for(int j=i+1;j<=size+1;j++)
            {
                string sub = s.substr(i,j-i);//切取子段
                // if(j==4&&sub=="leet") return true;
                if(dp[i]==true&&mp.find(sub)!=mp.end())//从0到i可以被切分为字典中的单词,并且从i+1到j也是字典中的单词
                    dp[j] = true;//对应的状态位置为true
            }
        }
        return dp[size];//返回最后一个dp值
    }
};

 

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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