墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
358平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
数据结构—第四章串—串的定义和实现—选择题
关于数组值，有三个层次，分别是PM（partical match，部分匹配值），next[]和nextva[]。
为什么部分匹配值右移一位就是next数组？
那这就要涉及到一个问题，部分匹配值PM是干嘛的？它是用来确定子串不匹配时的移动位数的。
右移位数=已匹配的字符数-对应部分的匹配值即
move=（j-1）-PM[j-1]
使用PM时，每当匹配失败，就去找它前一个元素的部分匹配值，这样使用起来有些不方便，所以将PM表右移一位，这样哪个元素匹配失败，直接看它自己的部分匹配值即可于是就得到了next数组。
（1）第一个元素右移以后空缺的用-1来填充，因为若是第一个元素匹配失败，则需要将子串向右移动一位，而不需要计算子串移动的位数。
（2）最后一个元素在右移的过程中溢出，因为在原来的子串中，最后一个元素的部分匹配值是其下一个元素使用的，但显然已没有下一个元素，故可以舍去。
(王道408考研数据结构)第四章串-第一节：串的定义和基本操作及存储结构
文章目录一：串基本概念（1）串的定义（2）相关术语（3）串的基本操作二：串的比较三：字符集编码 一：串基本概念 （1）串的定义 串(string)：是由零个或多个字符组成的有限序列，又叫做字符串。一般可以记为sss="a1a1...ana_{1}a_{1}...a_{n}a1a1...an"(n≥0)(n\geq 0)(n≥0)，其中aia_{i}ai可以是字母、数字或其他字符，iii指的就是该字符在串中的位置，nnn指的是该字符串的长度，零个字符的串则被称之为空串(null string)，可以直
求next数组详解
next数组详解思路前缀、后缀、部分匹配值部分匹配（Partial Match，PM）表next数组求解方法代码实现 前缀、后缀、部分匹配值 "前缀"指除了最后一个字符以外，字符串的所有头部组合； "后缀"指除了第一个字符以外，字符串的所有尾部组合。 “部分匹配值”是"前缀"和"后缀"的最长的共有元素的长度 以"abcdabd"为例 － "a"的前缀和后缀都为空集，共有元素的长度为0； － "ab"的前缀为[a]，后缀为[b]，共有元素的长度为0； － "abc"的前缀为[a, ab]，后缀为[bc, c]
从零配置ORB-SLAM3：TUM-VI数据集yaml文件参数调优指南
本文深入解析了ORB-SLAM3在TUM-VI数据集上的yaml配置文件参数调优方法。针对双目惯性模式，详细拆解了相机标定、IMU噪声模型和ORB特征提取三大模块的关键参数，解释了其原理与影响，并通过实战案例展示了如何通过调整特征点数量、FAST阈值及IMU噪声参数，有效提升系统在低纹理环境下的鲁棒性和轨迹精度。
串的模式匹配（二）---KMP算法
KMP算法解析及代码演示
OpenClaw智能体应用第一集--飞书多智能体配置
本文介绍了智能体(Agent)的核心概念与配置实践。Agent作为独立作用域的"大脑"，包含模型(认知引擎)、记忆系统(短期/长期记忆)、人设(角色定义)、工具(外部能力调用)、规划执行(任务拆解)、运行环境等核心要素。每个Agent拥有唯一agentId标识，通过accountId区分渠道账号，Binding机制实现消息路由。实践部分展示了通过命令行配置多个智能体(如writer)的过程，包括插件注册和工具加载。系统支持多Agent架构，可根据不同场景需求灵活配置专属智能体。
【运筹优化】VRPTW建模实战：Python+Gurobi求解带时间窗的车辆路径规划
本文详细介绍了如何使用Python和Gurobi求解带时间窗的车辆路径问题（VRPTW）。通过将物流调度难题抽象为混合整数规划模型，并逐步讲解建模、编码与求解过程，为读者提供了从理论到实践的完整指南，帮助解决物流配送中的路径优化挑战。
KMP算法中next数组及改进的kmp算法nextval数组的手工计算方法
KMP算法是模式匹配专用算法。 它是在已知模式串的next或nextval数组的基础上执行的。如果不知道它们二者之一，就没法使用KMP算法，因此我们需要计算它们。 KMP算法由两部分组成： 第一部分，计算模式串的next或nextval数组。 第二部分，利用计算好的模式串的nextval数组，进行模式匹配。 KMP算法中有next数组和nextval数组之分。...
使用 STM32F7 和 TensorFlow Lite 开发低功耗人脸识别设备
我们讨论了 STM32F7 的特点和能力，TensorFlow Lite 在 STM32F7 上的应用，以及一些降低功耗的优化技术。- 准备模型：选择合适的人脸识别模型，在 TensorFlow 中进行训练和导出，并使用 TensorFlow Lite 转换为适用于 STM32F7 的量化模型。请注意，上述代码仅展示了如何加载和运行 TensorFlow Lite 模型的方法，实际应用中需要集成人脸检测和识别模型，并根据实际需求进行相应的输入和输出处理。结合这两个工具，我们可以开发出低功耗的人脸识别设备。
{草履虫都能看懂的} 数据结构串的PM、next和nextval数组的求法
数据结构pm数组， next 数组和nextval数组的求法
V2签名预装失败原因及解决方案
GOOGLE最新的GTS要求targetSdkVersion 大于30的APK必须使用V2及以上签名。 但实际在预装过程中，GTS测试会失败。 后面发现这是由于预装方式的原因造成的。原来的预装方式是使用APK，指定APK使用预签名的方式。Android.mk如下： LOCAL_PATH := $(call my-dir) include $(CLEAR_VARS) LOCAL_MODULE := DKTest LOCAL_MODULE_CLASS := APPS LOCAL_MODULE_TAGS
Zabbix安装与部署 系统环境：centos7.0
Zabbix安装与部署 系统环境：centos7.0
KMP算法next数组求法，c语言版
KMP的next数组求法详解理论基础PMT值的生成next数组的生成 在网上有很多kmp算法的讲解，大概的框架讲的都还不错，但在next数组的讲解上，我觉得不是很清晰。 在学习KMP算法时，next数组的求解是它的精髓。 在博客中看了许多next数组的求法，推荐一篇kmp算法.我觉得写的非常好。 理论基础 前缀：字符串A和B，A=B+S，S非空，则B为A的前缀 后缀：字符串A和B，A=S+B，S非空，则B为A的后缀 PMT值：前缀集合和后缀集合的交集中，最长元素的长度 prefix:每一个下标位置对应一个P
Linkage Mapper 工具参数详解——Building Network and Map Linkages
此文档用于解析使用LinkageMapper各输入输出参数详情以及可能的影响，并介绍了如何解释模型输出结果和输出参数，适合刚入手的人。篇幅很长很啰嗦，是因为每个参数都解释的万分细致。
（42）5.9数据结构第四章串（定义和基本实现）
/扫描过所有字符都相同，则长度长的串更大。//S中不存在与T相等的子串。//返回子串在主串中的位置。
神经影像和人类基因组关联分析的实践过程
现代全脑转录图谱为研究脑组织的分子相关性提供了前所未有的机会，可以使用无创神经成像进行量化。然而，将神经影像学数据与转录组测量相结合并不是直截了当的，需要仔细考虑才能做出有效的推断。在本文中，我们回顾了最近的研究工作，探讨了不同的方法选择如何影响成像转录组学分析的三个主要阶段，包括1)转录图谱数据的处理；2)将转录测量与独立衍生的神经影像学表型相关联；3)通过基因富集分析评估鉴定的关联的功能意义。我们的目标是为这个快速发展的领域促进标准化和可复制方法的发展。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
25版王道数据结构课后习题详细分析 第四章串 4.1、4.2串的定义和实现、串的模式匹配
设有两个串S?和S?,求S?在S?中首次出现的位置的运算称为 KMP算法的特点是在模式匹配时，指示主串的指针 设主串的长度为n,子串的长度为m,则简单的模式匹配算法的时间复杂度为,KMP 算法的时间复杂度为 在KMP匹配中，用 next数组存放模式串的部分匹配信息，当模式串位j与主串位 i 比较时，两个字符不相等，则j的位移方式是 在KMP匹配中，用 next 数组存放模式串的部分匹配信息，当模式串位j与主串位 i 比较时，两个字符不相等，则i的位移方式是 已知串 S='aaab',其next数组值为
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
数据结构串、数组和广义表
文章目录四、串、数组和广义表4.1、串的定义4.2、案例引入4.3、串的类型定义、存储结构及其运算4.3.1、串的抽象类型定义4.3.2、串的存储结构4.3.3、串的模式匹配算法4.4、数组4.5、广义表第四章小结第四章习题 四、串、数组和广义表 4.1、串的定义 串即字符串，是由零个或多个字符组成的有限序列，是数据元素为单个字符的特殊线性表。 串是内容受限的线性表,它限定了表中的元素为字符 串长：串中字符个数（n≥0）. n=0 时称为空串 空白串：由一个或多个空格符组成的串 子串：串S中任意个连续.
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
408数据结构第四章 串
本篇文章是数据结构第四章：串的内容笔记，讲对数据结构串进行说明与算法补充
【数据结构】第四章：串
【数据结构】第四章：串 一、串的定义 二、串的存储结构 1. 串的顺序存储 2. 串的链式存储 三、串的基本操作 1. 举例 2. 实现 四、模式匹配 1. 朴素模式匹配算法 2. KMP算法
数据结构第四章——串、数组和特殊矩阵
相关概念：（1）串是由零个或多个字符组成的有限序列；（2）串中任意多个连续的字符组成的序列是该串的子串；包含子串的串称为主串；（3）某个字符在串中的序号称为该字符在串中的位置；（4）子串在主串中的位置以子串的第1个字符在主串中的位置来表示；（5）当两个串的长度相等且每个对应位置的字符都相等时，称这两个串是相等的。（6）由一个或多个空格(空格是特殊字符)组成的串称为空格串，空格串不是空串，长度为串中空 格字符的个数。
《数据结构》-第四章 串、数组和广义表(知识点总结)
第四章 串、数组和广义表 本章对串、数组和广义表这几类特殊的线性表进行讨论，也可看做为线性表的扩充。串的特殊性体现在数据元素是一个字符，即是内容受限的线性表，数组与广义表的特殊性为线性表的数据元素自身又是一个数据结构。 对于应试，本章内容较为容易掌握，相对于其他章节所占比分较少，往往以选择或填空题出现，对算法题目主要出现在对BF算法和KMP算法理解上。 【考点】①串的重点考点为串的模式匹配算法； ②数组的主要考点为数组下标与存储地址计算和特殊矩阵的压缩存储...
第四章 串、数组和广义表 【数据结构】
s=‘a1a2a3⋅⋅⋅ana1a2a3⋅⋅⋅ans——串名a1a2⋅⋅⋅ana1a2⋅⋅⋅an——串值n——串长n=0——空串子串（模式串）——传中任意个连续字符组成的子序列。主串（正文串）——包含子串的串。字符位置——字符在序列中的序号。子串位置——子串的第一个字符在朱传中的序号。//数据对象：D={a_i|i=1,2···n,n>=0}
数据结构 习题 第四章 串 （C语言描述）
最近在复习数据结构，所以想把平时上课做的习题做个总结，如果大家有遇到这方面的问题就可以参考一下了，废话不多说，直接开始吧。 1、单选题 S1=“ABCD”，S2=“CD”则S2在S1中的位置是（D ） A.1 B.4 C.2 D.3 2、填空题 c语言有专门的字符串处理函数。 比如比较两个串的大小可以用函数▁▁▁， 连接两个字符串可以用函数▁▁▁， 字符串的赋值操作可以用函数▁▁▁, 求字符串的长度用函数▁▁▁ 使用这些函数时都要加上#include <▁▁▁> （本题中只要写出函数名就可以了。
数据结构 第四章（串、数组和广义表）
（1）串或字符串是由零个或多个字符组成的有限序列，用双引号在序列的两端进行标识。（2）串中的数目称为串的长度，零个字符的串称为空串。（3）串中任意个连续的字符组成的子序列称为该串的子串，包含子串的串相应地称为主串。通常称字符在序列中的序号为该字符在串中的位置，子串在主串中的位置则以子串的第一个字符在主串中的位置来表示。（4）当且仅当两个串的值相等，称这两个串是相等的，也就是说，只有当两个串的长度相等且各个对应位置的字符都相等时两个串才相等。
考研408_数据结构笔记（第四章 串）
本文介绍了串的基本概念、存储结构和模式匹配算法。首先定义串是由字符组成的有限序列，讨论了子串、主串等基本概念以及串的常用操作。在存储结构方面，介绍了顺序存储（静态和动态数组）和链式存储两种实现方式。重点讲解了串的模式匹配算法，包括朴素的暴力匹配算法和优化的KMP算法。KMP算法通过预处理模式串生成next数组，避免主串指针回溯，提高了匹配效率。文章还提出了进一步优化的nextval数组计算方法。这些内容为理解字符串处理和文本搜索算法提供了理论基础。
复试前数据结构知识点复盘【第四章串和数组之串】
这里我大概看了看王道的教材，毕竟学了人家的课，用人家的知识框架，所以提前说一下。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2356
扫一扫
