2018年1月22日训练日记

本文介绍了图论中强连通分量的概念,并给出了Tarjan算法的具体实现代码。此外,还探讨了无向图中割顶与桥的求解方法,通过实例展示了如何使用DFS遍历算法来确定割顶。

今天主要学习了图论算法知识里的强连通分量部分。代码模板基本都是一样的,关键是理解。理解之后就感觉简单多了。

主要是学会求连通分量的个数以及哪些点属于哪些连通分量。这里附上个人Tarjan算法模板代码:

void tar(int k)
{
    low[k]=dfn[k]=++ti;
    us[k]=1;
    sta[++f]=k;
    for(int i=he[k];i!=-1;i=a[i].nex)
    {
        int v=a[i].v;
        if(!dfn[v])
        {
         tar(v);
         low[k]=min(low[k],low[v]);
        }
        else if(us[v]) low[k]=min(low[k],dfn[v]);
    }
    if(low[k]==dfn[k])
    {
        cnt++;
        do{
            j=sta[f--];
            us[j]=0;
            sum[j]=cnt;
        }while(j!=k);
    }
}
void solve()
{
 for(int i=1;i<=n;i++)
 if(!dfn[i]) tar(i);//zhu yi!!!这里dfn注意清零
 //cout<<cnt<<endl;
 if(cnt!=1) puts("No");
 else puts("Yes");
}

另外就是看了无向图求割顶与桥的模板,看了几个模板,存边都没用链式前向星,而是用的vector,不知道这对结果是否有什么影响。

下面附上例题poj 2117 求割顶数量的核心代码:

int dfs(int u,int fa)
{
    int lowu;
    pre[u]=lowu=++ti;
    int cm=0;
    for(int i=0;i<vc[u].size();i++)
    {
        int v=vc[u][i];
        if(!pre[v])
        {
         cm++;
         int lowv=dfs(v,u);
         lowu=min(lowu,lowv);
         if(lowv>=pre[u]) ok[u]=1;//不要少了=,WA了一次,最后ok[i]=1即i为割顶
        }
        else if(pre[v]<pre[u]&&v!=fa)
        lowu=min(lowu,pre[v]);
    }
    if(fa<0&&cm==1) ok[u]=0;
    return low[u]=lowu;
}

目前准备多看几个博客和例题,争取理解透彻,能随时写出模板代码。

明天的主要任务是看无向图双连通分量的知识,总结一下,理解透彻原理及模板代码并正确熟练地敲出来,做几道经典例题。

一会儿去补昨天的EOJ月赛题目。。。

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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