C的计算器

#include <stdio.h>
#include <ctype.h>
#include <stdlib.h>
int result(int a,char b,int c)
{
    int i;
    switch (b)
    {
    case '+':
        i=(a+c);
        break;
    case '-':
        i=(a-c);
        break;
    case '*':
        i=(a*c);
        break;
    case '/':
        i=(a/c);
        break;

    default:
        i=0;
        break;
    }
    return i;
}


int main(int argc, char *argv[])
{
    int  a=0,b=0;
    char c,cs;
    char *s,*p;
    bool t=1;
    s=(char*)malloc(100);
    p=s;
    while (c=getchar())
    {

        if (isdigit(c))
        {
            *s=c;
            s++;
        }
        else
        {

            if (t)
            {
                cs=c;
                *s='\0';
                s=p;
                a=atoi(s);
                t=0;
            }
            else
            {
                *s='\0';
                s=p;
                b=atoi(s);
                a=result(a,cs,b);
            }

        }
        if (c=='=')
        {
            printf("结果:%d",a);
            free(s);
            break;
        } ;

    }


    return 0;
}

转载于:https://www.cnblogs.com/vcyuyan/articles/1758630.html

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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