字符串截取

题意:输入一个字符串由五部分组成 s1<s2>s3<s4>s5和另一个字符串由“…”结尾,第一行输出s1s2s3s4s5,另一行将“…”换成s4s3s2s5的形式输出。


#include <stdio.h>
#include <string.h>
#define MAXN 110
void getss(char s[])  //截取字符串
{
	int i;
	for(i=0; i<MAXN; i++)
	{
		if((s[i] = getchar()) == '<' || s[i] == '>' || s[i] == '\n'){
			s[i] = '\0';
			break;
		}
	}	
}
int main()
{
	int n;
	char s1[MAXN],s2[MAXN],s3[MAXN],s4[MAXN],s5[MAXN],c,line[MAXN];  //存储截取的字符串
	scanf("%d",&n);
	c = getchar();
	while(n--)
	{		
		getss(s1);      //字符串截取
		getss(s2);      //字符串截取
		getss(s3);      //字符串截取
		getss(s4);      //字符串截取
		getss(s5);      //字符串截取
		gets(line);      // 存储另一行字符
		line[strlen(line) - 3] = '\0';
		printf("%s%s%s%s%s\n",s1,s2,s3,s4,s5);
		printf("%s%s%s%s%s\n",line,s4,s3,s2,s5);
	}
	return 0;
}


转载于:https://www.cnblogs.com/NYNU-ACM/p/4236812.html

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
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