80. 删除有序数组中的重复项 II

双指针

变量:
i遍历数组
j停留在应该替换的位置
cur保存当前遍历到的数字
cnt保存当前遍历到数字的个数
策略:
如果 nums[i] = cur,说明相同字符,此时:
如果 nums[j] != cur,那么应该替换
然后计数cnt+1,如果cnt>2,那么应该停留,因为已经有两个元素保存了
如果 nums[i] != cur,说明出现新字符,此时:
更新cur,和cnt,替换num[j]

class Solution:
    def removeDuplicates(self, nums) -> int:
        j = 0
        cnt = 0
        i = 0
        cur = nums[j]
        while i < len(nums):
            # 如果当前和初始值相同
            if nums[i] == cur:
                # 当j还停留在上一个数字时,不应该移动
                if nums[j] != cur:
                    nums[j] = nums[i]
                cnt += 1
                if cnt <= 2:
                    j += 1
            else:  # 遇到新元素
                cur = nums[i]
                nums[j] = nums[i]
                j += 1
                cnt = 1
            i += 1

        return j
内容概要:本文介绍了MATLAB实现DBN-RBF深度置信网络结合RBF神经网络多输入单输出回归预测的详细项目实例。项目旨在通过深度置信网络(DBN)和径向基函数神经网络(RBF)的结合,设计出一种高效的回归预测模型,以应对高维数据和非线性关系的挑战。DBN用于无监督特征提取,RBF用于快速回归,两者结合显著提升了预测精度和模型泛化能力。文中详细描述了项目的背景、目标、挑战、解决方案、模型架构、代码实现、GUI设计、性能评估及未来改进方向。 适合人群:具备一定编程基础,对机器学习和深度学习有一定了解的研发人员,尤其是从事金融预测、医疗健康、智能制造等领域的工程师和技术人员。 使用场景及目标:①解决高维数据的特征提取难题,提升非线性回归的拟合精度;②通过无监督学习与快速训练能力的结合,提高模型的预测精度和泛化能力;③应用于金融预测、医疗健康、智能制造等多个领域,提供高效的回归预测工具;④通过实时数据流处理和GPU加速推理,确保系统在实时应用中的快速响应。 其他说明:此项目不仅提供了详细的理论分析和代码实现,还涵盖了系统架构设计、模型部署与应用、安全性与用户隐私保护等方面的全面指导。通过结合其他深度学习模型、多任务学习、增量学习等技术,项目具备广阔的扩展性和应用前景。系统还支持自动化CI/CD管道、API服务与业务集成、前端展示与结果导出等功能,确保了系统的高可用性和易用性。
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