leetcode记录42. Trapping Rain Water

本文详细解析了LeetCode上的一道经典算法题目“Trapping Rain Water”,介绍了如何使用栈来解决这个问题,通过逐行代码解释,展示了如何计算两个高墙间可以储存的雨水量。算法在效率上表现优异,运行时间和内存使用均达到较高水平。

leetcode记录2. Trapping Rain Water

CategoryDifficultyLikesDislikes
algorithmsHard (44.24%)417377
√ Accepted
  √ 315/315 cases passed (4 ms)
  √ Your runtime beats 95.99 % of cpp submissions
  √ Your memory usage beats 8.86 % of cpp submissions (9.5 MB)

class Solution {
public:
    int trap(vector<int>& height) {
        stack<int> s;
        int result = 0;
        if (height.size() <= 2)
        {
            return 0;
        }
        s.push(0);
        for (int i = 1; i < height.size(); i++)
        {
            int h = s.top();
            if (height[i] > height[h])
            {
                if(s.size() == 1)
                {
                    s.pop();
                    s.push(i);
                }
                else
                {
                    s.pop();
                    result += min(height[s.top()]-height[h], height[i]-height[h]) * (i-s.top()-1);
                    if (height[s.top()] > height[i])
                    {
                        s.push(i);
                    }                
                    else
                    {
                        i--;
                    }
                    
                }
            }
            else
            {
                s.push(i);
            }
            
        }
        return result;
        
    }
};
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
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