NOIP2017金秋冲刺训练营杯联赛模拟大奖赛 游记

Day0

day0当然是把作业写完好好准备比赛啦!

Day1

T0

跟老班请假,令人激动的是老班欣然同意我翘课去打比赛(不过主要是因为我哪些课程都学过吧)

T1

第一眼,蒙蔽。题目描述着实有点晦涩难懂。然后发现本质很简单。
于是入了并查集的坑,写了0.75+-,突然发现是个裸的树状数组套二分!
然后自信的敲完了~~(flag)

T2

第一眼,这个链得构造,然后发现!这不是树的直径喵??
然后进入1h 100行码速喵喵喵?

T3

拒绝第一眼咯,题目一开始出了歧义,导致我理解错题目。后来订正题面之后,我觉得大概是线段树区间最小值的维护,但是小公主突然变懒,交了暴力开颓喵喵喵?

result

10+100+70=180
T1把[n/2]看错(想当然的理解为)[i/2],所以只有10分喵喵喵?
T2 100。T3暴力居然有70!!www rank51(抱枕好像无望了喵喵喵我要是没看错题多好)

Day2

T1

一眼题 贪心A掉

T2

一眼题

#include<bits/stdc++.h>
using namespace std;
char s[500050];int n,t,h,q[500050],p[500050],rwz,con;
int main()
{
    cin>>s;int len=strlen(s);
    for(int i=0;i<len;i++)
    {
        if(s[i]!='('&&s[i]!=')') {n++;continue; }
        if(s[i]=='(') {q[++t]=i;continue;}
        if(s[i]==')') {p[q[t]]=i,p[i]=q[t];t--;continue;} 
    }
    int i=0;con=1;
    while(rwz<n)
    {
        if(s[i]!='('&&s[i]!=')') {cout<<s[i],rwz++,i+=con;continue;}
        if(s[i]=='('&&con==1) {i=p[i]-1,con=-1;continue;}
        if(s[i]=='('&&con==-1) {i=p[i]+1,con=1;continue;}
        if(s[i]==')'&&con==-1) {i=p[i]+1,con=1;continue;}
        if(s[i]==')'&&con==1){i=p[i]-1,con=-1;continue;}

    }
    //cout<<"rwzsb";
    return 0;
}

但是我最后栈写崩了?所以交了暴力喵喵喵。。赛后10min调完是最sad的。

T3

装压 对于每个子集,但是在这里,我算错了时间复杂度O(2^(2^16))但是我误以为是O(2^16)
然后都没想dp就直接搜索了哇哇哇

result

100+40+40=180
T2哇喵喵喵 又没调出来哇哇哇,还有T3沙茶算错时间复杂度,哎我还是菜啊

conclusion

我的码力实在是太弱了,导致我D1T1和D2T2都没调出来,不然我的抱枕啊喵喵喵!
并且D2T3那个沙茶算错复杂度以后不能再犯了!!!!
从现在开始我要虐自己了,码量200行起刷!(逃)加油加油小公主!

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 2
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