总结

2016.8.14
考试思路:
T1
其实这一题很简单,但是我比赛时想太多了,还记录了每种分数有多少个,所以错了。
T2
比赛时暴力循环加判断,就得了45分。
T3
就是根据重量加力量从大到小排个序,最大的当然就是放在最下面,然后累加上面的重量,再用最下面的力量减去它,比赛时没有考虑到最下面的危险系数不一定是最高的,而我只考虑了这一种情况,所以错了几个点。
T4
看懂了题目,可是没想出解决方法,于是弃了。


正确思路:
T1
就是从小到大排个序,然后输出1到k,就可以了。
T2
这题是个找规律,就是找在这1到n里面,个位有多少个1,十位有多少个1,以此类推,按照推倒出来的公式往下找就可以了。
T3
大概思想同上,每个安好位置后,要考虑每一个的的危险系数,所以可以用一个f数组记录到这第i个人之前累加的危险系数是多少,然后再找最大的之前累加重量减去当前一个人的重量。
T4
其实就是判断每个字母在每个位置又没有出现过,如果输入的数是0,则把这个字母在这个点出现的赋为一个记录变量,表示是第几次加入字符串,可是如果这个字母在这个点已经出现过了就不用更新,因为要取最早出现的时候是第几次。如果输入的数是1则从j从1到字符串的长度看看这个字母在这个点是否有值,如果有就取最大的那个,只要有一个没有出现过就输出-1,否则输出最大那个。
内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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