Java-余弦-递推

C语言实验——余弦

Time Limit: 1000 ms  Memory Limit: 65536 KiB
Problem Description
输入n的值,计算cos(x)。 

Input
输入数据有多行,每行两个数,包括x和n。第一数据为x,第二个数据为n。
Output
输出cos(x)的值,保留4位小数。
Sample Input
0.0 100
Sample Output
1.0000

Hint

递推:

import java.util.Scanner;  
  public class Main {  
		public static void main(String[] args) {  
			Scanner sc = new Scanner(System.in);
			while(sc.hasNext()) {
				double x = sc.nextDouble();
				double n = sc.nextDouble();
				double sum = 0.0, flag = 1.0, s = 1.0;
				
				for(int i = 0; i <= n; i++) {
					if(i != 0) {
						s = s * (x * x) * 1.0 / ((2 * i)* (2 * i - 1));
					}
					sum += (s * flag);
					flag = -flag;
				}
				System.out.println(String.format("%.4f", sum));
			}
			sc.close();
		}
}  



公式法:

import java.util.Scanner;  
  public class Main {  
		public static void main(String[] args) {  
			Scanner sc = new Scanner(System.in);
			while(sc.hasNext()) {
				double x = sc.nextDouble();
				double n = sc.nextDouble();
				double sum = 1;
				double x1, x2;
				for(int i = 1; i <= n; i++) {
					double t = 1;
					for(int j = 1; j <= 2 * i; j++) {
						t *= j;
					}
					sum += Math.pow(x, 2*i)/(t *Math.pow(-1, i));
				}
				System.out.println(String.format("%.4f", sum));
			}
			sc.close();
		}
}  

余弦相似度是一种用于衡量两个向量之间夹角的度量,常用于文本处理和自然语言处理中,以评估文档或句子之间的相似性。该度量基于两个向量的点积与它们各自模长的乘积之比[^1]。 在Java中实现余弦相似度计算时,通常会涉及以下步骤: 1. 将文本转换为数值型向量,这可以通过诸如词袋模型(Bag of Words)、TF-IDF 或其他嵌入技术来完成。 2. 计算两个向量的点积。 3. 分别计算每个向量的模长(即欧几里得范数)。 4. 使用上述结果来计算余弦相似度。 下面是一个简单的 Java 方法实现余弦相似度计算的例子: ```java public class CosineSimilarity { /** * 计算两个向量之间的余弦相似度 * @param vectorA 第一个向量 * @param vectorB 第二个向量 * @return 余弦相似度 */ public static double cosineSimilarity(double[] vectorA, double[] vectorB) { double dotProduct = 0.0; double magnitudeA = 0.0; double magnitudeB = 0.0; for (int i = 0; i < vectorA.length; i++) { dotProduct += vectorA[i] * vectorB[i]; // 计算点积 magnitudeA += Math.pow(vectorA[i], 2); // 计算向量A的模长平方 magnitudeB += Math.pow(vectorB[i], 2); // 计算向量B的模长平方 } return dotProduct / (Math.sqrt(magnitudeA) * Math.sqrt(magnitudeB)); // 计算余弦相似度 } public static void main(String[] args) { // 示例向量 double[] vectorA = {1, 2, 3}; double[] vectorB = {4, 5, 6}; System.out.println("Cosine Similarity: " + cosineSimilarity(vectorA, vectorB)); } } ``` 这个例子中的 `cosineSimilarity` 方法接收两个双精度浮点数数组作为输入,并返回它们之间的余弦相似度。注意,在实际应用中,向量可能非常大,因此可能需要使用更高效的数据结构和算法来处理这些向量。此外,对于稀疏向量(即大多数元素为0的向量),可能需要使用特定的稀疏矩阵技术来优化性能[^2]。
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