C++学习摘要-字符串

C++输入与搜索技巧

GETLINE()
cin>>读取字符串是会忽略任何的前导空白字符,直到第一个非空白字符开始读取,同时读取到下一个空白字符结束,例如:输入“ get line ”时,第一个cin只会读取‘get’,而‘line’会停留在缓冲区,知道下一个cin读取他。
为解决这个问题可以用getline函数,顾名思义,get这一行,是整行的读取,直接处理的是输入流,可以读取前导空格、以及中间的与后边的空格。
使用方式为getline(cin,name),name是你要输入的字符串的名称。

string name;
getline(cin, name);

lower_bound()&&upper_bound()
lower_bound(首地址,末地址,所要查找的元素)该函数是用来求一个序列中第一个大于等于所要查找的元素的地址,同时返回这个地址,注意这里返回的是地址,如果要求其在序列中的位置的话需要减去首地址来获得位置(注意实际查找范围为首地址到末地址-1)。
upper_bound()(首地址,末地址,所要查找的元素) 该函数是查找序列中第一个大于所要查找元素的地址,其余同上。
头文件algorithm.

//具体实例,容器:
vector<int> v;
   v.push_back(1), v.push_back(2), v.push_back(3);
   //打印 2 的位置
   cout << lower_bound(v.begin(), v.end(), 2) - v.begin();
//数组:
   int a[] = {1,2,3};
	//打印 2 的位置
	cout << lower_bound(a, a + 3, 2) - a;
//string字符串
	int main()
	{
		string a = "123456";
		int b=lower_bound(&a[0], &a[0] + a.size(), '2')-&a[0];
		cout << b;
		return 0;
	}
upper_bound一样;
内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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