Surrounded Regions

Given a 2D board containing 'X' and 'O', capture all regions surrounded by 'X'.

A region is captured by flipping all 'O's into 'X's in that surrounded region.

For example,

X X X X
X O O X
X X O X
X O X X

 

After running your function, the board should be:

X X X X
X X X X
X X X X
X O X X


public class Solution {
    public void solve(char[][] board) {
		if (board == null || board.length <= 1 || board[0].length <= 1) {
			return;
		}
		for (int i = 0; i < board[0].length; i++) {
			fill(board, 0, i);
			fill(board, board.length - 1, i);
		}
		for (int i = 0; i < board.length; i++) {
			fill(board, i, 0);
			fill(board, i, board[0].length - 1);
		}
		for (int i = 0; i < board.length; i++) {
			for (int j = 0; j < board[0].length; j++) {
				if (board[i][j] == 'O')
					board[i][j] = 'X';
				else if (board[i][j] == '#')
					board[i][j] = 'O';
			}
		}
    }

	private void fill(char[][] board, int i, int j) {
		if (board[i][j]!='O') {
			return;
		}
		board[i][j] = '#';
		Queue<Integer> queue = new LinkedList<Integer>();
		int code = i*board[0].length+j;
		queue.add(code);
		while (!queue.isEmpty()) {
			code = queue.poll();
			int row = code/board[0].length;
			int col = code%board[0].length;
			if (row >= 1 && board[row - 1][col] == 'O') {
				queue.add((row - 1) * board[0].length + col);
				board[row - 1][col] = '#';
			}

			if (row <= board.length - 2 && board[row + 1][col] == 'O') {
				queue.add((row + 1) * board[0].length + col);
				board[row + 1][col] = '#';
			}

			if (col >= 1 && board[row][col - 1] == 'O') {
				queue.add(row * board[0].length + col - 1);
				board[row][col - 1] = '#';
			}

			if (col <= board[0].length - 2 && board[row][col + 1] == 'O') {
				queue.add(row * board[0].length + col + 1);
				board[row][col + 1] = '#';
			}
		}
	}
}
 
内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【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)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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