【bzoj2337】【HNOI2011】【XOR和路径】【高斯消元】

Description

题解:

          按位考虑,假设当前考虑到第x位.

          f[i]表示从i到n第x位是1的概率.

          枚举i的后继节点j

          如果i到j的边第x位是1,那f[i]+=1/d[i]*(1-f[j]);

          如果i到j的边第x为是0,那f[i]+=1/d[i]*f[j];

          f[n]=0;

          这样对于每个i都可以列出一个方程,高斯消元即可.

          每次把f[1]*(2^x)累加进答案即可.

代码:

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
#define N 510 
#define M 10010
using namespace std;
double ans,a[N][N],p[N];
int n,m,cnt,x,y,v,d[N],bin[N],point[N],next[M<<1];
struct use{
  int st,en,v;
}e[M<<1];
int read(){
  int x(0);char ch=getchar();
  while(ch<'0'||ch>'9') ch=getchar();
  while(ch>='0'&&ch<='9') x=x*10+ch-'0',ch=getchar(); 
  return x;
}
void add(int x,int y,int v){
  d[x]++;
  next[++cnt]=point[x];point[x]=cnt;
  e[cnt].st=x;e[cnt].en=y;e[cnt].v=v;
}
void gauss(){
  for (int i=1;i<=n;i++){
    int k=i;
    for (int j=i+1;j<=n;j++) if (fabs(a[j][i])>fabs(a[k][i])) k=j;
    if (k!=i) for (int j=1;j<=n+1;j++) swap(a[i][j],a[k][j]);
    for (int j=i+1;j<=n;j++){
      double temp=-a[j][i]/a[i][i];
      for (int x=1;x<=n+1;x++) a[j][x]+=a[i][x]*temp;
	}  
  }
  for (int i=n;i>=1;i--){
    for (int j=i+1;j<=n;j++) a[i][n+1]-=a[i][j]*p[j];
    p[i]=a[i][n+1]/a[i][i];
  }
}
int main(){
  n=read();m=read();
  for (int i=1;i<=m;i++){
    x=read();y=read();v=read();
    add(x,y,v);if (x!=y)add(y,x,v);
  }	
  bin[0]=1;
  for (int i=1;i<=30;i++) bin[i]=bin[i-1]*2;
  for (int k=0;k<=30;k++){
  	memset(a,0,sizeof(a));
    for (int i=1;i<n;i++){
      double temp=1.0/d[i];
      a[i][i]=1.0;
      for (int j=point[i];j;j=next[j])
        if (e[j].v&bin[k]) a[i][e[j].en]+=temp,a[i][n+1]+=temp;
        else a[i][e[j].en]-=temp;
    }
    a[n][n]=1.0;
	gauss();
    ans+=p[1]*bin[k];
  }
  printf("%.3f\n",ans);
} 


【轴承故障诊断】加权多尺度字典学习模型(WMSDL)及其在轴承故障诊断上的应用(Matlab代码实现)内容概要:本文介绍了加权多尺度字典学习模型(WMSDL)在轴承故障诊断中的应用,并提供了基于Matlab的代码实现。该模型结合多尺度分析与字典学习技术,能够有效提取轴承振动信号中的故障特征,提升故障识别精度。文档重点阐述了WMSDL模型的理论基础、算法流程及其在实际故障诊断中的实施步骤,展示了其相较于传统方法在特征表达能力诊断准确性方面的优势。同时,文中还提及该资源属于一个涵盖多个科研方向的技术合集,包括智能优化算法、机器学习、信号处理、电力系统等多个领域的Matlab仿真案例。; 适合人群:具备一定信号处理机器学习基础,从事机械故障诊断、工业自动化、智能制造等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①学习并掌握加权多尺度字典学习模型的基本原理与实现方法;②将其应用于旋转机械的轴承故障特征提取与智能诊断;③结合实际工程数据复现算法,提升故障诊断系统的准确性鲁棒性。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注字典学习的训练过程与多尺度分解的实现细节,同时可参考文中提到的其他相关技术(如VMD、CNN、BILSTM等)进行对比实验与算法优化。
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