hdu 3724 Encoded Barcodes



#include<cstdio>
#include<iostream>
#include<cstring>
#include<cmath>
using namespace std;
struct Trie
{
	Trie *next[26];
	int sum;
	Trie()
	{
		for(int i=0;i<26;i++)
			next[i]=NULL;
		sum=0;
	}
}*root=new Trie,*temp;
void MakeTrie(char str[])
{
	temp=root;
	for(int i=0;str[i]!='\0';i++)
	{
		if(temp->next[str[i]-'a']==NULL)
			temp=temp->next[str[i]-'a']=new Trie;
		else
			temp=temp->next[str[i]-'a'];
		(temp->sum)++;
	}
}
void Freedom(Trie* &p)  
{  
    if(p==NULL)  
        return ;  
    for(int i=0;i<26;i++)  
        if(p->next[i]!=NULL)  
            Freedom(p->next[i]);  
    delete p;  
    p=NULL;  
}  
int FindTrie(char str[])
{
	temp=root;
	for(int i=0;str[i]!='\0';i++)
	{
		if(temp->next[str[i]-'a']==NULL)
			return 0;
		else
			temp=temp->next[str[i]-'a'];
	}
	return temp->sum;
}
int get(int num[])
{
	int sum=0;
	int k=1;
	for(int i=7;i>=0;i--)
	{
		sum+=num[i]*k;
		k<<=1;
	}
	return sum;
}
int main()
{
	char str[100];
	int ans=0;
	int n,m;
	double num[10];
	int N[10];
	double av;
	int k;
	double Max=-1111111.0;
	double Min=100000.0;
	while(cin>>n>>m)
	{
		for(int i=1;i<=n;i++)
		{
			scanf("%s",str);
			MakeTrie(str);
		}
		ans=0;
		while(m--)
		{
			cin>>k;
			for(int cnt=0;cnt<k;cnt++)
			{
				Max=-1111111.0;
				Min=100000.0;
				for(int i=0;i<8;i++)
				{
					scanf("%lf",&num[i]);
					Max=max(Max,num[i]);
					Min=min(Min,num[i]);
				}
				av=(Max+Min)/2.0;
				for(int i=0;i<8;i++)
				{
					if(num[i]>=av)
						N[i]=1;
					else
						N[i]=0;
				}
				str[cnt]=get(N);
			}
			str[k]='\0';
			ans+=FindTrie(str);
		}
		for(int i=0;i<26;i++)
            Freedom(root->next[i]);
		cout<<ans<<endl;
	}
	return 0;
}


内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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