k_over 重叠字符串

SMOTE原理与工业级实操:解决数据不平衡的工程指南 SMOTE(合成少数类过采样技术)是一种针对分类任务中类别不平衡问题的基础性数据增强方法,其核心是通过K近邻插值在特征空间内生成语义合理的合成样本,而非简单复制。它基于局部流形假设,在医疗诊断、金融风控、工业缺陷检测等高价值小样本场景中具有显著技术价值。相比随机过采样,SMOTE能提升模型对少数类的召回率与F1-score,避免因数据分布偏斜导致的指标幻觉;但其效果高度依赖特征质量、维度合理性与预处理顺序。本文聚焦SMOTE的数学直觉、参数边界、防坑实践及与标准化、Pipeline、t-SNE可视化的完整工 阅读详情
#include <stdlib.h>
#include <stdio.h>
#include <iostream>
#include <string.h>
using namespace std;
#define maxn 1024
#define maxm 1024


int bufa[maxn],bufb[maxn],bufs[maxm],bufv[maxn];
int sa[maxn],height[maxn],rank[maxn];


int cmp(int *src,int a,int b,int l){
return src[a]==src[b]&&src[a+l]==src[b+l];
}
void da(int *src,int n,int m)
{
int i,*x=bufa,*y=bufb,*t;
for(i=0;i<m;i++)   bufs[i]=0;
for(i=0;i<n;i++)   bufs[x[i]=src[i]]++;
for(i=1;i<m;i++)   bufs[i]+=bufs[i-1];
for(i=n-1;i>=0;i--)sa[--bufs[x[i]]]=i;


int p=0,j;
for(j=1,p=1;p<n;j*=2,m=p)
{
for(p=0,i=n-j;i<n;i++) y[p++]=i;
for(i=0;i<n;i++) if(sa[i]>=j) y[p++]=sa[i]-j;


for(i=0;i<n;i++) bufv[i]=x[y[i]];

for(i=0;i<m;i++) bufs[i]=0;
for(i=0;i<n;i++) bufs[bufv[i]]++;
for(i=1;i<m;i++) bufs[i]+=bufs[i-1];
for(i=n-1;i>=0;i--) sa[--bufs[bufv[i]]]=y[i];


for(t=x,x=y,y=t,i=1,p=1,x[sa[0]]=0;i<n;i++)
 x[sa[i]]=cmp(y,sa[i],sa[i-1],j)? p-1:p++;
}
}


void cal_height(int *src,int n)
{
int i,k,j;
for(i=1;i<n;++i) rank[sa[i]]=i;
for(i=0,k=0;i<n;height[rank[i++]]=k)
 for(k? k--:0,j=sa[rank[i]-1];src[i+k]==src[j+k];k++)
;
}


int RMQ[maxn],mm[maxn];
int best[20][maxn];


void initRMQ(int n)
{
int i,j,a,b;
for(mm[0]=-1,i=1;i<n;i++)
 mm[i]=((i&(i-1))==0)?mm[i-1]+1:mm[i-1];
for(i=1;i<n;i++) best[0][i]=i;
for(i=1;i<=mm[n-1];i++)
 for(j=1;j<n-(1<<i)+1;j++){
a=best[i-1][j];
b=best[i-1][j+(1<<(i-1))];
best[i][j]=RMQ[a]>RMQ[b]? a:b;
 }
}


int askRMQ(int a,int b)
{
int t;
t=mm[b-a+1]; b-=((1<<t)-1);
a=best[t][a];
b=best[t][b];
return RMQ[a]>RMQ[b] ? sa[a-1]:sa[b-1];
}


int abs(int n) { return n<0? -n:n;}


int check(int n)
{
int test=(n-1)/2,i;
int max=0,min=0x7fffffff;
for(;test>0;test--){
printf("test=%d\n", test);
for(i=1;i<n;i++)
 if(height[i]>=test){
if(sa[i-1]>max) max=sa[i-1];
if(sa[i]>max) max=sa[i];
if(sa[i-1]<min) min=sa[i-1];
if(sa[i]<min) min=sa[i];
if(max-min>=test)
 return test;
 }
 else 
max=0;
}
return test;
}


int main()
{
char src[maxn],c;
int nsrc[maxn];
int i=0,n;
bzero(src,sizeof(src));
while((c=getchar())!='\n') src[i++]=c;
n=strlen(src);
for(i=0;i<n;i++) nsrc[i]=src[i];
nsrc[n++]=0;


da(nsrc,n,1024);
cal_height(nsrc,n);


for(i=1;i<n;i++) RMQ[i]=height[i];


initRMQ(n);


for(i=1;i<n;i++) printf("%d--> %d\n",i,height[i]);puts("");
for(i=1;i<n;i++) printf("%d\n", sa[i]-sa[i-1]);
for(i=0;i<n;i++) printf("%s\n",src+sa[i]);


printf("%d\n",check(n));





// printf("max len lapped substr:\n");
// int pos=askRMQ(1,n-1);
// int slen=RMQ[rank[pos]+1];
// printf("slen=%d\n",slen);
// printf("pos=%d\n",pos);
// *(src+pos+slen)=0;
// printf("%s\n",src+pos);

}
Cleanlab数据标签清洗实战:用统计诊断提升模型准确率 在监督学习中,标签噪声是导致模型泛化能力下降的隐性瓶颈。本文围绕数据标签质量这一基础概念,解析其对模型性能的深层影响机制——并非简单误标,而是模型预测与真实标签间的统计矛盾。基于交叉验证的留一预测概率、自我置信度与类别重叠度等核心原理,Cleanlab提供了一套可复现、可量化、不依赖模型结构的数据健康评估体系。该技术适用于图像分类、文本标注、语音识别等各类带标签任务,尤其适合在调参失效、准确率停滞时,快速定位系统性标注偏差。文中以罗马数字识别为例,完整呈现从环境配置、Keras模型封装、pred_probs 阅读详情

相关推荐

IoU详解:目标检测中定位评估的核心指标与工程实践

IoU(交并比)是目标检测任务中衡量边界框定位精度的基础空间相似性指标,源于集合论中的Jaccard指数,将预测框与真实框的重叠关系量化为0–1之间的连续值。其数学本质是两矩形面积交集与并集之比,具备尺度不变性、几何可解释性和梯度友好性,成为mAP、NMS等关键流程的底层驱动。在工业质检、自动驾驶、医学影像等场景中,IoU不仅决定模型是否‘检出’,更直接影响召回率、误报率与业务落地效果;而COCO/VOC坐标格式差异、阈值设定(如0.3/0.5/0.7)、以及GIoU/CIoU等改进型损失的选择,共同构成从

chongyuwan4121的博客 353

DeepSeek官方API实操避坑指南:从401报错到128K上下文稳定调用

DeepSeek API是新一代大模型服务接口,基于HTTP/2与TLS 1.3协议实现高并发低延迟调用。其核心原理依赖严格的请求头校验(如X-DeepSeek-Version、X-DeepSeek-User-ID)、模型名称大小写敏感匹配及SSE流式响应解析机制。技术价值在于支持128K超长上下文与v4版本专属能力,显著提升法律、金融等长文本场景的推理准确率。典型应用场景包括VSCode/Codex插件集成、私有知识库问答系统、客服对话流水线及本地代理穿透部署。本文聚焦真实环境下的六大高频卡点——模型名拼

weixin_34327761的博客 340

iaito逆向分析工具:Rizin的现代化GUI界面与十大核心技巧

逆向工程是分析二进制文件、理解程序内部逻辑的关键技术领域,广泛应用于软件安全分析、漏洞挖掘和恶意代码研究。其核心原理是通过静态和动态分析技术,解析可执行文件的机器码、数据结构与控制流程,从而还原程序的设计意图与实现细节。这项技术的价值在于能够深入闭源软件内部,发现潜在的安全风险、进行漏洞验证或实现软件兼容性开发。在安全研究、CTF竞赛、软件调试与兼容性开发等场景中,逆向分析工具是研究人员的必备利器。本文聚焦于iaito这一工具,它作为Rizin逆向框架的现代化图形界面,通过可视化分析、交互式调试和自动化脚本

weixin_34025151的博客 566

POJ 3261 字符串上的k次覆盖问题

题目大意: 给定一个数组,求一个最大的长度的子串至少出现过k次 一个子串出现多次,也就是说必然存在2个子串间的前缀长度为所求的值 通过二分答案,通过线性扫一遍,去判断出现次数,也就是说每次遇见一个height[i] , 出现次数就加1,否则重置为1 1 #include <cstdio> 2 #include <cstring> ...

weixin_30408165的博客 310

5个高危SQL陷阱:窗口函数、NULL处理与JOIN逻辑避坑指南

SQL是数据工程的基石,但其声明式语法背后隐藏着执行模型与业务语义的深层错位。理解COUNT(DISTINCT)在多表JOIN后的行膨胀原理、LEFT JOIN中ON与WHERE的过滤时机差异,是保障数据准确性的关键;掌握ROW_NUMBER()分区排序的稳定性机制和NULL在聚合运算中的传播特性,则直接决定查询结果是否可重现、可维护。这些并非冷门技巧,而是线上慢查询、数据偏差与报表飘移的共性根源。本文聚焦真实生产场景,解析窗口函数、空值陷阱、关联逻辑等高频tricky点,提供可验证、可监控、可回滚的工程化

weixin_34228387的博客 455

2026年5月典型AI应用落地

2026年5月AI应用全面进入商用化阶段,呈现三大特征:产业端深度渗透核心业务场景,如法律领域AI合同处理系统完成8500万元项目;消费端实现规模普及,京东618全场景AI化,智能家居产品涌现;基础设施层面运营商推出词元套餐降低使用门槛。政策法规与国际合作同步推进,日本通过首部AI专项法律,中国举办多场产业对接会。AI应用从技术验证转向实效产出,进入精算回报的成熟期。

AI_Encyc的博客 2631

每日算法题三道之给定一个字符串求k个不同字符的最长子串

题目: 给定字符串str,计算最多包括k个不同字符的最长子串,如给定字符串”eceba”和k=3,则包括3个不同字符的最长子串为”eceb” 思路: 用两个变量i,j分别标志字符串子串的起始位置和终止位置str[i,j],两次for循环,外层起始位置,内层终止位置来暴力找子串str[i,j],当找到的子串str[i,j]中不同字符的个数小于k时继续遍历,等于时若大于原先找到的子串则更新,大于...

rlyhaha的博客 1227

AU混响终极指南:从‘干声’到‘空间感’,用总音轨和发送技巧打造专业人声

本文详细介绍了如何在Adobe Audition(AU)中使用混响效果器,通过总音轨和发送技巧将‘干声’转化为具有专业‘空间感’的人声。从混响基础原理到总线架构设置,再到精细控制和自动化调整,全面解析了提升音频质量的实用技巧,适用于音乐制作、播客和内容创作。

weixin_30512089的博客 332

「HAOI2018」字串覆盖

「HAOI2018」字串覆盖 题意: ​ 给你两个字符串,长度都为\(N\),以及一个参数\(K\),有\(M\)个询问,每次给你一个\(B\)串的一个子串,问用这个字串去覆盖\(A\)串一段区间的最大收益是多少?(\(N,M\le100000,K\leq10^9\))其中,子串长度在\(51\)到\(2000\)的询问个数不会超过\(11000\)个。 题解: ​ 题目的暗示很明显,分...

andy_zeng123456的博客 532

高通camera open代码流程(hal到kernel)

内容:简单介绍Camera open代码调用流程,从HAl到kernel。(api1+hal1) 前言 Android camera api和hal对应关系。安卓在版本更新过程中,camera相关代码也经历了几个版本的更新,表现为camera HAL版本更新(HAL1->HAL2->HAL3),camera API版本更新(camera API1->camera API2),接下...

oxoo123的专栏 4276

SystemRDL:从寄存器描述到自动化生成的完整指南

本文详细介绍了SystemRDL如何通过“一份描述,多处生成”的理念,彻底解决芯片与FPGA设计中手动维护寄存器带来的不一致与低效问题。文章提供了从语言快速上手、核心组件讲解到使用PeakRDL工具链实现自动化代码与文档生成的完整实战指南,帮助硬件工程师构建高效、可靠的寄存器开发流程。

weixin_29243279的博客 659

关于字符串覆盖问题的解答。

为什么我的在vc++中能运行正确,为什么一提交就错了呢? 哪位大神来看看指点一下下啊 代码如下: #include using namespace std; int minLength(const char *s){ //由于字符串只由字符a,b,c组成, //将其每三个分为一组,每次循环只代替一次 //少于三个的特殊处理 int length=0;//s指向数组

oprell的专栏 850

CTFHUB------XSS反射型(WP)

文章目录前言XSS测试平台 前言 一开始我直接在上面写js脚本发现出错,最后发现只能通过下面的输入框来执行XSS测试,于是我们只能用XSS测试平台解决问题 XSS测试平台 注册一个XSS测试平台 这里随便填写 勾选默认模块就够了,点击下一步 这时会出现一个找个将代码复制 拼接到网站后缀name后面,点击send 这时平台会收到一个记录点开即可 得到flag ...

Y4tacker的博客 1万+

问题 K: 字符串处理

字符串处理(结构体成员创建模板) 题目描述: 输入一个字符串str和一个整数k,输出字符串中出现次数第k多的字符。 输入: 第一行是一个字符串,字符串长度小于10000; 第二行是一个整数k(0<k<10)。 输出: 输出字符串出现次数第k多的字符,如果第k多的字符有多个,输出ASCII码最小的那个字符,单独占一行。 样例输入: hello world 2 样例输出: o 代码: #include<stdio.h> #include<string.h> #include&

Wanghy__的博客 455

基于Pascal VOC数据集的YOLOv8目标检测系统实现:人、鸟、猫、牛、电视、车等20类目标识别与UI界面部署全流程详解

VOC 2007、VOC 2012 两个主要版本;每个图像提供 bounding box(目标框)+ 目标类别;共计 20 类,所有图像手工标注,质量高。完整复现 Pascal VOC 20类检测任务成功训练 YOLOv8 模型实现可视化 UI + 实时检测系统支持多平台部署和演示。

YOLO 771

【RBF预测】基于粒子群算法优化RBF神经网络实现数据回归预测含Matlab源码

1 简介 原油含水率预测对于确定油井水,油层位以及估计原油产量有着非常重要意义.BP神经网络是最近常用的原油含水率预测方法,然而,由于BP神经网络存在容易陷入局部极小值,收敛速度慢等问题,影响了其预测的实用性和准确性,对此,提出基于粒子群优化RBF神经网络(PSO-RBFNN)的原油含水率预测方法,粒子群优化算法用于RBF神经网络参数优化.在分析原油含水率预测的影响因素基础上,建立粒子群优化RBF神经网络的原油含水率预测模型.实验结果表明,在原油含水率预测中,基于粒子群优化RBF神经网络比BP神经网络有着

qq_59747472的博客 1233

数据挖掘算法工程师笔试复盘:KMP到K-Means考点全解析

字符串匹配是计算机科学中最基础的问题之一,KMP算法通过next数组避免主串回溯,将复杂度从O(n*m)降至O(n+m),是衡量编程基本功的试金石。同样,聚类作为无监督学习的核心,K-Means以简单高效著称,但受限于凸簇假设,面对噪声和不规则形状时DBSCAN更可靠。这类算法不仅是笔试中的高频考点,更直接映射到搜索引擎排序、用户画像分群等真实工程场景。无论目标是算法岗位笔试还是实际项目落地,都需要理解算法原理、适用边界与复杂度表现。围绕算法与数据两大主线,从KMP手算next数组到聚类迭代模拟,从BM25

weixin_30600197的博客 433

【实战项目开发技术分享】机器人安全通过狭窄区域的方案

在机器人的应用领域中,有时会遇到需要机器人通过狭窄区域的情况。无论是室内还是室外,机器人需要具备适应性和灵活性,以便在狭窄的空间中进行安全、高效的导航。本文将提供一些如何让机器人通过狭窄区域的实现方案和思路,希望帮助读者可以根据实际的开发需要进行适当调整和扩展。

xiewf的博客 2万+

深入了解Canvas标签(6)——组合

<br />之前的例子里面,我们总是将一个图形画在另一个之上,大多数情况下,这样是不够的。比如说,它这样受制于图形的绘制顺序。不过,我们可以利用 globalCompositeOperation属性来改变这些做法。(文/鬼武者)<br /><br />globalCompositeOperation<br /><br />我们不仅可以在已有图形后面再画新图形,还可以用来遮盖,清除(比 clearRect 方法强劲得多)某些区域。 globalCompositeOperation = type复制代码<br

zhangye20851的专栏 655

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

imbalanced-learn实战指南:解决类别不均衡的重采样技术

类别不均衡是风控、医疗诊断、工业预测等场景中的基础性挑战,其本质是模型在默认准确率优化目标下对少数类判别能力缺失。重采样并非数据造假,而是通过过采样(如SMOTE生成语义合理的合成样本)、欠采样(如ENN剔除边界噪声)及集成策略(如EasyEnsemble),对原始偏态分布进行可解释、可验证的校准。该技术显著提升召回率与F1-score,支撑高代价场景下的可靠决策——例如信用卡欺诈检测中将真实欺诈捕获率从6.25%提升至82.4%。本文聚焦imbalanced-learn工具包的核心原理、参数设计逻辑与端到

diegouyi3472的博客 320

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

力扣OJ(2301-2600)

给你一个字符串 s ,每 两个 连续竖线 '|' 为 一对。第一次操作中,选择 i = 2 和 j = 1 ,操作可以执行的原因是 2 * nums[2] <= nums[1] ,标记下标 2 和 1。第一次操作中,选择 i = 3 和 j = 0 ,操作可以执行的原因是 2 * nums[3] <= nums[0] ,标记下标 3 和 0。第二次操作中,选择 i = 1 和 j = 2 ,操作可以执行的原因是 2 * nums[1] <= nums[2] ,标记下标 1 和 2。

nameofcsdn的博客 674

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

ROUGE指标全解析:从原理、计算到工业级评估实践

ROUGE(Recall-Oriented Understudy for Gisting Evaluation)是自然语言处理中用于自动评估文本摘要质量的核心指标体系,其本质是基于n-gram重叠的召回率导向度量,聚焦生成摘要对参考摘要关键信息点的覆盖能力。它不评估语法、事实性或流畅度,而是通过ROUGE-N、ROUGE-L、ROUGE-W和ROUGE-SU4等变体,在词元匹配、语序柔性对齐、连续语义单元强化及跨词关系建模四个维度量化信息召回效果。该技术广泛应用于新闻摘要、金融研报、医疗文档等场景,支撑模型

431

从入门到精通动态规划:4个模板吃透LintCode 40+道DP经典题

LintCode 是经典算法训练平台,而本仓库 **LintCode**(C++11 题解集)收录了 LintCode 全部 289 道题的完整解法。动态规划(Dynamic Programming,简称 DP)是面试和竞赛中的"重灾区",本文用 **4 个模板** 带你一次吃透仓库中 **40+ 道 DP 经典题**,从爬楼梯到戳气球,一篇搞定。🚀 ## 30秒看懂动态规划:为什么它能"化繁

gitblog_00409的博客 355

Python+Pygame贪吃蛇实战:从零掌握游戏开发核心架构

面向对象编程(OOP)是构建复杂软件系统的核心范式,它将数据与操作封装成对象,通过类与实例的机制实现代码复用与模块化。在游戏开发领域,这一原理体现为将游戏角色、物品等实体抽象为独立的对象类,每个类管理自身的状态与行为。Pygame作为Python的2D游戏开发库,其技术价值在于封装了底层的图形渲染、事件处理与音频播放,让开发者能聚焦于游戏逻辑而非底层细节。通过实现经典贪吃蛇游戏,开发者能实践事件循环、碰撞检测、状态管理等通用游戏架构,理解帧率控制与游戏主循环如何驱动实时交互。本项目以贪吃蛇为切入点,完整展示

weixin_30906185的博客 291

NLP评估指标全解析:从BLEU到BERTScore的5种方法演进与代码实现

本文全面解析了NLP评估指标的演进历程,从早期的BLEU、ROUGE到现代的BERTScore,详细介绍了5种核心方法的原理与Python实现。通过对比实验和选择矩阵,帮助开发者理解不同指标在机器翻译、文本摘要等任务中的适用性,并提供可直接使用的评估脚本,提升自然语言处理模型的评估效率与准确性。

weixin_30321449的博客 416

猿辅导2023校招技术笔试拆解:算法、SQL与备考策略

校园招聘技术笔试是许多技术岗候选人面临的第一道筛选关卡,它并非选拔天才,而是通过统一标准快速检验算法功底、代码实现能力、数据库与计算机基础等核心素养。技术笔试的出题逻辑通常以算法与数据结构为主,辅以SQL查询和计算机基础知识,强调在有限时间内写出正确、可运行的代码,考察的不仅是解题思路,更是边界处理与输入输出等工程细节。掌握这类笔试的底层规律,有助于候选人更高效地备考,尤其针对教育科技公司等业务场景,区间合并、时间戳处理、分组TopN等题型频繁出现。本文从笔试题型分布、典型真题推演到复习优先级与实战避坑指南

weixin_30719711的博客 292
上一篇: aba 回文练习 -- 参考罗大神的
下一篇: m_sort 归并排序(迭代)
lsff01
博客等级 码龄14年 4粉丝 33原创
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  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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