操作符详解

操作符详解

右移到底是采用算术右移还是逻辑右移是取决于编译器的,编译器通常是采用算术右移

不可以移动负数位(比如:让A右移负3位就不行)

计算机里的运算都是用的补码!!!

&(按位与)和&&(逻辑与)区分

|(按位或)和||(逻辑或)区分

&(对应的二进制位两个都是1,才是1;有零则为0)

|(对应的二进制位只要有1,就是1;两个同时为0,才是0)

^(对应的二进制位相同为0,不同为1)

操作符的特点:

a^a=0

0^a=a

^是支持交换律的(即a^b^c和a^c^b的结果相同)

n&(n-1)之后可以把n的二进制位的最右边的1变成0

原码,反码,补码都是32位的二进制数

a&b时&是按位与

&a时&是取地址

函数调用操作符最少有1个操作数

相邻操作符,优先级高的先执行

相邻操作符优先级相同的情况下,结合性说了算

char类型的取值范围是:-128~127

算数转换:讨论的是类型大于等于整形类型的那些类型

关系运算符也是左结合

a+=1的记忆方法:把左边的用小括号阔起来移到后边的最左边,右边算出来的值就是a

右结合:运算是从右到左看整体

也可以比如:a/=2

变量的名字仅仅是给程序员看的,编译器不看名字,编译器是通过地址找内存单元的

地址也是16进制的

a*b时是乘法

a时 a是指针变量, *是解引用操作符

内容概要:本文详细探讨了基于樽海鞘算法(SSA)优化的极限学习机(ELM)在回归预测任务中的应用,并与传统的BP神经网络、广义回归神经网络(GRNN)以及未优化的ELM进行了性能对比。首先介绍了ELM的基本原理,即通过随机生成输入层与隐藏层之间的连接权重及阈值,仅需计算输出权重即可快速完成训练。接着阐述了SSA的工作机制,利用樽海鞘群体觅食行为优化ELM的输入权重和隐藏层阈值,从而提高模型性能。随后分别给出了BP、GRNN、ELM和SSA-ELM的具体实现代码,并通过波士顿房价数据集和其他工业数据集验证了各模型的表现。结果显示,SSA-ELM在预测精度方面显著优于其他三种方法,尽管其训练时间较长,但在实际应用中仍具有明显优势。 适合人群:对机器学习尤其是回归预测感兴趣的科研人员和技术开发者,特别是那些希望深入了解ELM及其优化方法的人。 使用场景及目标:适用于需要高效、高精度回归预测的应用场景,如金融建模、工业数据分析等。主要目标是提供一种更为有效的回归预测解决方案,尤其是在处理大规模数据集时能够保持较高的预测精度。 其他说明:文中提供了详细的代码示例和性能对比图表,帮助读者更好地理解和复现实验结果。同时提醒使用者注意SSA参数的选择对模型性能的影响,建议进行参数敏感性分析以获得最佳效果。
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