UVA ~ 11235 ~ Frequent values (RMQ + 游程编码)

题意:给出一个非降序排列的整数数组a1,a2,...,an,你的任务是对于一系列询问(i,j),回答ai,ai+1,...,aj中出现次数最多的值出现的次数。

【输入格式】

输入包含多组数据。每组数据每一行为两个整数n和q(1≤n,q≤100000)。第二行包含n个非降序排列的整数(-100000≤ai≤100000)。以下q行每行包含两个整数i和j(1≤i≤j≤n),输入结束标志为n=0。

【输出格式】

对于每个查询,输出查询结果。

【分析】

应注意到整个数组是非降序的,所有相等元素都会聚集到一起。这样就可以把整个数组进行游程编码。比如-1,1,1,2,2,2,4就可以编码成(-1,1)(1,2),(2,3),(4,1),其中(a,b)表示有b个连续的a。用value[i]和count[i]分别表示第i段的数值和出现次数,num[p],left[p],right[p]分别表示位置p所在段的编号和左右端点位置,则在下图的情况,每次查询(L,R)的结果为以下3个部分的最大值:从L到L所在段的结束处的元素个数(即right[L]-L+1),从R所在段的开始位置到R处元素个数(即R-left[R]+1),中间第num[L]+1到第num[R]-1段的count的最大值,如图3-8所示(除了最小值变成了最大值,这几乎就是一个RMQ)。


特殊情况:如果L和R在同一段中,则答案是R-L+1。

注意:可能只有左右两段,而没有中间那一段。

以上内容来自算法竞赛入门经典训练指南

#include<bits/stdc++.h>
using namespace std;
const int MAXN = 1e5 + 5;
int n, q, len, a[MAXN], idx[MAXN], ST[MAXN][35];
struct Node
{
    int value, num, left, right;
}A[MAXN];
void RMQ_init()
{
    for (int i = 0; i < len; i++) ST[i][0] = A[i].num;
    for (int j = 1; (1<<j) <= len; j++)
    {
        for (int i = 0; i + (1<<j) -1 < len; i++)
        {
            ST[i][j] = max(ST[i][j-1], ST[i + (1<<(j-1))][j-1]);
        }
    }
}
int RMQ(int L, int R)
{
    int k = 0;
    while ((1<<(k+1)) <= R-L+1) k++;
    return max(ST[L][k], ST[R-(1<<k)+1][k]);
}
int main()
{
    while (~scanf("%d", &n) && n)
    {
        scanf("%d", &q);
        for (int i = 1; i <= n; i++) scanf("%d", &a[i]);
//游程编码
        len = 0;
        for (int i = 1; i <= n; i++)
        {
            if (i == 1) { A[len].left = 1; A[len].value = a[i]; A[len].num = 1; continue; }
            if (a[i] == a[i-1]) A[len].num++;
            if (a[i] != a[i-1])
            {
                A[len++].right = i-1;
                A[len].left = i;
                A[len].value = a[i];
                A[len].num = 1;
            }
            idx[i] = len;
            if (i == n) A[len++].right = i;
        }
//查询
        RMQ_init();
        while (q--)
        {
            int l, r; scanf("%d%d", &l, &r);
            if (idx[l] == idx[r]) { printf("%d\n", r-l+1); continue; }
            int ans = max(A[idx[l]].right - l + 1, r - A[idx[r]].left + 1);
            l = idx[l] + 1; r = idx[r] - 1;
            if (l <= r) ans = max(ans, RMQ(l, r));
            printf("%d\n", ans);
        }
    }
    return 0;
}
/*
10 3
-1 -1 1 1 1 1 3 10 10 10
2 3
1 10
5 10
0
*/


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