例题8-8(uva-1471)

该博客主要讨论了一种算法问题,即如何找到一个整数数组中,最长的连续递增子序列。程序实现了动态规划的方法,通过维护一个有序集合来跟踪当前已知的递增子序列,并更新最长长度。在每一步中,程序会查找大于等于当前元素的子序列,然后更新答案和集合状态。这是一个典型的计算机科学算法问题,涉及数据结构和动态规划技巧。
#include <iostream>
#include <istream>
#include <sstream>
#include <vector>
#include <stack>
#include <list>
#include <map>
#include <set>
#include <deque>
#include <queue>
#include <cstring>
#include <unordered_map>
#include <unordered_set>
#include <algorithm>
#include <numeric>
#include <chrono>
#include <ctime>
#include <cmath>
#include <cctype>
#include <string>
#include <cstdio>
#include <iomanip>


#include <thread>
#include <mutex>
#include <condition_variable>
#include <functional>
#include <iterator>
using namespace std;
const int maxn = 1e6 + 7;
int n, input[maxn], startLen[maxn], EndLen[maxn];

struct Node
{
	Node() :num(0), len(0) {}
	Node(int a, int b) :num(a), len(b) {}
	int num;
	int len;
	bool operator<(const Node& in)const  {
		return num < in.num;
	}
};

//要保证 数字相对大 长度长
set<Node> mset;

int main()
{
	int t;
	cin >> t;
	while (t--) {
		cin >> n;
		for (int i = 0; i < n; i++) {
			cin >> input[i];
		}
		
		
		startLen[n - 1] = 1;
		//计算当前下标开始的连续递增长度
		for (int i = n - 2; i >= 0; i--) {
			if (input[i] < input[i + 1]) startLen[i] = startLen[i + 1] + 1;
			else startLen[i] = 1;
		}
		
		EndLen[0] = 1;
		mset.clear();
		mset.insert(Node(input[0], EndLen[0]));

		Node cur;
		int ans = 1;
		for (int i = 1; i < n; i++) {
			//计算当前下标结尾的连续递增长度
			if (input[i] > input[i - 1]) EndLen[i] = EndLen[i - 1] + 1;
			else EndLen[i] = 1;

			cur.num = input[i];
			cur.len = EndLen[i];
			//找最开始>=当前节点的位置
			auto it = mset.lower_bound(cur);
			bool needSave = true;
			//因为要递增 所以要往前一步
			if (it != mset.begin()) {
				Node before = *(--it);
				//此时它的数字肯定小于 input[i]
				ans = max(ans, startLen[i] + before.len);
				//是否需要保存 要保证数字相对大的 长度长
				if (before.len >= cur.len) needSave = false;
			}

			if (needSave)
			{
				//以前的肯定不会大于现在的
				//因为以前的数字比现在的大 那么一定能找到一个比之前数字小的 并且长度比之前数字小1
				//上面已经判断了 比它小的数字 长度一定要比它小 才会进到这里
				mset.erase(cur);
				mset.insert(cur);
				it = mset.find(cur);
				it++;
				while (it != mset.end() && it->num > cur.num && it->len <= cur.len) it = mset.erase(it);
			}
		}
		cout << ans << endl;
	}
	return 0;
}
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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