20161213C语言基础07_常量

本文介绍了C语言中常量的概念与作用,包括通过#define和const声明常量的方法,并对比了两者的区别。此外还列举了一些常见的预定义宏如INT_MAX等。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

魔数:随意凭空出现的数值。eg:int a = 100;

常量申明的时候就要赋值,不再能改变。C语言中,申明常量有两种方式

表现形式:

  #define Height 170//没有分号!!!,使用宏不安全!宏复杂的时候,里面可能包含公式,优先级等各种问题都可能出现,他是直接替换

  const int Height 170;//const使变量常量化,常量不再能改变!

  枚举也可以申明常量!先不讲。

前缀:

  const 申明的,前面加c_,宏申明的前面加 k_,这算是约定俗成的规则。或者常量名全部大写。(两种一般后者用的多)

明示常量:

  limits.h

    INT_MAX  INT_MIN  UINT_MAX  LONG_MAX  LONG_MIN  ULONG_MAX  LLONG_MAX  LLONG_MIN  ULLONG_MAX  CHAR_BIT  CHAR_MAX  CHAR_MIN

    SCHAR_MAX  SCAHR_MIN UCHAR_MAX  SHRT_MAX  SHRT_MIN  USHRT_MAX

  float.h

    FLT_MANT_GIG  FLT_DIG  FLT_MAX_10_EXP  FLT_MIN_10_EXP  FLT_MIN  FLT_MAX  FLT_EPSILON。










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