程序设计 unlite3

1.数据存储与输入输出

a.内存的存储单位:1位(bit)最基本的内存单位;8位=1字节(byte);计算机中只用0和1表示;0为空1为满。

b.数据类型:

类型      字节          长度
char   1-128~127
unsigned char   10~255
short   2-32768~32767
unsigned short   20~65535
int   4-2^31~2^32-1
unsigned int   40~2^32-1
long   4同int
unsigned long   4同unsigned int 
float   4-10^37~10^38有效数为7
double   8-10^307~0^308有效数15-16位
long double  12-10^-4931~-10^4932有效位19位
   
整数在计算机的存储方式为:一个数1字节,只能存储0-128之间的整数

字符:一个字符在内存中按照逐个字符的ASCII码连续存放。如:A   65 0101   0x41        a 97  0141   0x61

3.数据在编程语言中的表现形式:

a.常量(固定不变的量):1.字面量:整形常量、实行常量、字符型常量、字符串常量

                2.符号量:#define  PI   3.14159267

b.变量(其值在运算过程中可以变化的量):多种类型皆可。

c.scanf 输入(精度不可控)

其输入类型:

d       十进制整数 u  无符号十进制o  八进制整数
f 或e  小数或指数c   单个字符s   字符串
x         十六进制  

输出类型:如上且有下

标志意义
    +         输出符号(正号或负号)
空格输出值为正时冠以空格,为负时冠以负号
#对o类输出时加前缀o;对x类输出时加前缀0x;对e,g,f类当结果有小数时才给出小数点
-结果左对齐,右边填空格










内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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