LeetCode 144. Binary Tree Preorder Traversal

本文介绍了一种使用栈实现二叉树节点值的前序遍历的方法,并提供了一个迭代器类来辅助遍历过程。
// Given a binary tree, return the preOrder traversal of its nodes' value
// The main idea here is to use stack, nothing special

vector<int> preorderTraversal(TreeNode* root) {
    vector<int> result;
    if(!root) return result;
    stack<TreeNode*> nodes;
    nodes.push(root);
    while(!nodes.empty()) {
        TreeNode* tmp = nodes.top();
        nodes.pop();                     // remember to pop it out.
        result.push_back(tmp->val);
        if(tmp->right != NULL)
            nodes.push(tmp->right);
        if(tmp->left != NULL)
            nodes.push(tmp->left);
    }
}


Preorder iterator

class PreorderIterator {
private:
  stack<TreeNode*> nodes;

public:
  void preorderIterator(TreeNode* root) {
    nodes.push_back(root);
  }
  void hasNext() {
    return !nodes.empty();
  }

  void getNext() {
    if(hasNext()) {
      TreeNode* top = nodes.top();
      if(top->right) nodes.push_back(top->right);
      if(top->left) nodes.push_back(top->left);
      nodes.pop();
    }
  }
}



【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)内容概要:本文提出了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学公开的轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号分解精度,抑制模态混叠;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的动态特征,最终实现高精度的轴承故障分类。整个诊断流程充分结合了信号预处理、智能优化与深度学习的优势,显著提升了复杂工况下轴承故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①应用于旋转机械设备的智能运维与故障预警系统;②为轴承等关键部件的早期故障识别提供高精度诊断方案;③推动智能优化算法与深度学习在工业信号处理领域的融合研究。; 阅读建议:建议读者结合MATLAB代码实现,深入理解OCSSA优化机制、VMD参数选择策略以及CNN-BiLSTM网络结构的设计逻辑,通过复现实验掌握完整诊断流程,并可进一步尝试迁移至其他设备的故障诊断任务中进行验证与优化。
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