LeetCode Roman to Integer

本文介绍了一种将罗马数字转换为整数的算法实现。通过定义字符与数值的映射,并遍历输入字符串,该算法能正确处理罗马数字中的加减组合规则,如IV表示4,IX表示9等。
int romanToInt(string s) {
	map<char,int> mp;
	mp['I']=1;
	mp['V']=5;
	mp['X']=10;
	mp['L']=50;
	mp['C']=100;
	mp['D']=500;
	mp['M']=1000;
	int ret=0;
	//int unit=1000;
	int i=0;
	while(i<s.length())
	{
		if (s[i]=='V'||s[i]=='L'||s[i]=='D')
		{
			ret += mp[s[i]];
			int j=i;
			i++;
			while(i<s.length()&&mp[s[i]]==mp[s[j]]/5)
			{
				ret += mp[s[i]];
				i++;
			}
		}
		else
		{
			if (i+1<s.length()&&mp[s[i]]==mp[s[i+1]]/5)
			{
				ret += 4*mp[s[i]];
				i += 2;
			}
			else
				if (i+1<s.length()&&mp[s[i]]==mp[s[i+1]]/10)
				{
					ret += 9*mp[s[i]];
					i += 2;
				}
				else
				{
					ret += mp[s[i]];
					i++;
					while(i<s.length()&&mp[s[i]]==mp[s[i-1]])
					{
						ret += mp[s[i]];
						i++;
					}
				}
		}
	}
	return ret;
}

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
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