近期学的一些小知识

本文深入探讨了Floyd算法求最小环的应用及其对理解Floyd算法的重要性,并介绍了矩阵快速幂的原理与实现,通过具体代码展示了如何利用矩阵快速幂进行高效计算。

近期学了一些比较简单的东西,就不单独开个blog了

1、Floyd 求 最小环

我觉得学了这个真的很加深对 floydfloydfloyd 的理解啊。由于我们每次枚举到的中间点 kkk 都不参与前面 i−ji-jij 的最短路中,所以我们可以以 kkk 和 相邻的两个点 i,ji,ji,j 构成一个环。

代码如下
for(k = 1; k <= n; k++){
		for(i = 1; i <= n; i++){
			for(j = 1; j <= n; j++){
				if(i == j || i == k || k == j) continue;
				ans = min(ans, f[i][j] + mp[i][k] + mp[k][j]);

			}
		}
		for(i = 1; i <= n; i++)
			for(j = 1; j <= n; j++) f[i][j] = min(f[i][j], f[i][k] + f[k][j]);
	}

2、矩阵快速幂

原理和快速幂一样,只是把乘法变成了矩阵乘法。由于函数无法返回一个数组,所以我们用结构体把矩阵封装起来。

代码如下
#include <bits/stdc++.h>
#define LL long long
#define mod 1000000007
#define mem(p) memset(&p, 0, sizeof(p))
using namespace std;
LL z = 1;
struct mat{
	LL a[105][105];
	int r, c;
};
mat p, ans;
int n;
mat matmul(mat x, mat y){
	int i, j, k;
	mat p;
	mem(p);
	for(i = 0; i < x.r; i++){
		for(j = 0; j < y.c; j++){
			for(k = 0; k < x.c; k++){
				p.a[i][j] = (p.a[i][j] + z * x.a[i][k] * y.a[k][j] % mod) % mod;
			}
		}
	}
	p.r = x.r; p.c = y.c;
	return p;
}
void mul(LL b){

	int i, j;

	while(b){

		if(b & 1) ans = matmul(ans, p);
		p = matmul(p, p);
		b >>= 1;
	}
	for(i = 0; i < n; i++){
		for(j = 0; j < n; j++) printf("%d ", ans.a[i][j]);
		printf("\n");
	}
}
int main(){
	int i, j, c;
	LL k;
	scanf("%d%lld", &n, &k);
	for(i = 0; i < n; i++)
		for(j = 0; j < n; j++){
			scanf("%d", &c);
			p.a[i][j]  = ans.a[i][j] = c;
		}
	p.r = ans.r = p.c = ans.c = n;
	mul(k - 1);
	return 0;
} 
【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