【CF 138A】Literature Lesson(字符串处理+模拟)

本文介绍了一道ACM竞赛题目,该题要求判断一首由不同韵律组成的长诗的整体韵律类型。通过从后向前处理每组输入并进行元音字母匹配的方法,实现对四种基本韵律(aabb、aaaa、abab、abba)的自动识别,并给出相应的代码实现。

传送门:http://acm.hust.edu.cn/vjudge/contest/view.action?cid=114353#problem/F

第一次pc^2练习赛,队内大腿回家,没有比赛……比的艰辛无比。

题意:每4句诗构成一组,分为4种韵律,aabb,aaaa,abab,abba。一首长诗如果每组都是一种韵律,那么整首诗的韵律就是这种,如果是由aaaa和其他韵律构成的,那么就是那种韵律,如果是由除了aaaa这种之外的两种或以上构成的,就输出NO。

分析:最开始没太读懂题意,后来按照自己的理解试着敲一发,运气1A。这题就是把每组输入从后向前进行处理,处理到第k个元音,如果字符中元音大于k,则输出肯定为no,之后基本就是模拟比较的过程,容易错的地方主要是一共有几个需要特判,也就是需要标记最后统一输出no的,具体的代码中有。

 

代码:

/* ***********************************************
Author        :Torrance_ZHANG
Created Time  :2016/4/30 20:50:27
File Name     :ceshi.cpp
************************************************ */

#include <stdio.h>
#include <string.h>
#include <iostream>
#include <algorithm>
#include <vector>
#include <queue>
#include <set>
#include <map>
#include <string>
#include <math.h>
#include <stdlib.h>
#include <time.h>
typedef long long int LL;
using namespace std;
char s[100010],ss[5][100010];
int tmp[10];
int main(){
    int n,k,l;
    while(~scanf("%d%d",&n,&k)){
        bool flag=true;
        memset(tmp,0,sizeof(tmp));
        for(int i=1; i<=n; i++){
            memset(ss,'\0',sizeof(ss));
            for(int j=1; j<=4; j++){
                scanf("%s",s);
                int pos=k;
                int len=strlen(s);
                for(l=len-1; l>=0&&pos>0; l--){
                    ss[j][len-l-1]=s[l];
                    if(s[l]=='a'||s[l]=='e'||s[l]=='i'||s[l]=='o'||s[l]=='u'){
                        pos--;
                    }
                }
                /*for(int ii=0;ii<len-l;ii++)
                    cout<<ss[j][ii]<<endl;*/
                if(pos>0)
                    flag=false;
            }
            int f12=strcmp(ss[1],ss[2]);
            int f23=strcmp(ss[2],ss[3]);
            int f14=strcmp(ss[1],ss[4]);
            int f24=strcmp(ss[2],ss[4]);
            int f34=strcmp(ss[3],ss[4]);
            int f13=strcmp(ss[1],ss[3]);
            //cout<<f12<<" "<<f13<<" "<<f14<<" "<<f23<<" "<<f24<<" "<<f34<<endl;
            if(f12==0&&f34==0&&f13==0)
                tmp[1]++;
            else if(f12==0&&f34==0&&f13!=0)
                tmp[2]++;
            else if(f13==0&&f24==0&&f12!=0)
                tmp[3]++;
            else if(f14==0&&f23==0&&f12!=0)
                tmp[4]++;
            else flag=false;
            int ans=0;
            for(int i=2; i<=4; i++){
                if(tmp[i]>0)
                    ans++;
            }
            if(ans>1)
                flag=false;
        }
        if(!flag)
            printf("NO\n");
        else{
            if(tmp[2]>0)
                printf("aabb\n");
            else if(tmp[3]>0)
                printf("abab\n");
            else if(tmp[4]>0)
                printf("abba\n");
            else printf("aaaa\n");
        }
    }
}

 

转载于:https://www.cnblogs.com/Torrance/p/5449740.html

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