7-42 实验7_7_连续子序列 (100 分)

已知两个由正整数组成的无序序列A、B,每个序列的元素个数未知,但至少有一个元素。你的任务是判断序列B是否是序列A的连续子序列。假设B是“1 9 2 4 18”,A是“33 64 1 9 2 4 18 7”,B是A的连续子序列;假设B是“1 9 2 4 18”,A是“33 1 9 64 2 4 18 7”,B不是A的连续子序列。

输入格式:

依次输入两个乱序的正整数序列A、B,序列中元素个数未知,但每个序列至少有一个元素,并以输入“-1”结束(-1不算序列中元素),每个序列占一行。两个数列的长度均不超过1000。

输入保证合法,且所有整数均可用int存储。

输出格式:

如果序列B是序列A的连续子序列,则输出“ListB is the sub sequence of ListA.”,否则输出“ListB is not the sub sequence of ListA.”。

输入样例:

5 4 3 2 1 -1
3 2 1 -1

输出样例:

ListB is the sub sequence of ListA.
#include<stdio.h>
int main()
{
	int a[1000],b[1000],c[1000];
	int m=-1,n=-1;
	int i;
	int k=0,d=1;
	while(a[m]!=-1)
	{
		m++;
		scanf("%d",&a[m]);
	}
	while(b[n]!=-1)
	{
		n++;
		scanf("%d",&b[n]);
	}
	for(i=0;i<m;i++)
	{
		if(a[i]==b[0])
		{
			c[k]=i;
			k++;
		}
		
	}
	while(k!=0)
	{
		d=0;
		k--;
		for(i=0;i<n;i++)
		{
			if(a[c[k]+i]!=b[i])
			d++;
		}
		if(d==0)
		break;
	}
	if(d==0)
	printf("ListB is the sub sequence of ListA.\n");
	else
	printf("ListB is not the sub sequence of ListA.\n");
	return 0;
}

传统信道估计依赖导频信号与统计假设,最小二乘(LS)和最小均方误差(MMSE)算法在复杂多径环境中面临模型失配与计算复杂度瓶颈。基于数据驱动的方法通过神经网络学习信道响应的隐含特征,可建立“输入导频-输出信道”的非线性映射关系。深度神经网络凭借多层非线性变换能力,能够有效捕捉多径时延、多普勒频移等复杂特性,且具备抗噪声鲁棒性。 MLP作为最基础的神经网络,通过全连接层学习接收信号与信道响应的非线性映射。其简单结构适合初学者理解前向传播和反向传播机制。CNN利用卷积核提取信道响应的空间特征,将信道响应视为二维图像(频率×时间),可利用局部相关性处理空间-频率维度的信道特征。卷积层自动学习局部特征,适合处理OFDM等网格化信道数据。循环神经网络(LSTM)通过门控机制记忆历史状态,特别适合处理时变信道的时序特性。遗忘门和输入门协同工作,捕获信道状态的时间依赖性。 四、实验步骤和要求 实验步骤:(参数可更改) 1、MLP信道估计(二选一) (1) 生成数据集:使用nrTDLChannel创建TDL-A信道模型,随机生成500组输入输出样本对(接收信号作为输入,真实信道响应作为标签)。 (2) 构建MLP网络:输入层(128神经元)→ ReLU激活层 → 隐藏层(64神经元)→ ReLU激活层 → 输出层(64神经元)。使用回归层计算均方误差损失。 (3) 训练配置:采用Adam优化器,设置30个训练轮次,批大小32,开启训练进度可视化。保存训练好的网络用于性能测试。 2、CNN信道估计(二选一) (1) 数据预处理:将信道响应转换为二维格式(频率索引×时间索引),添加实部和虚部作为双通道图像。 (2) 构建CNN网络:图像输入层(64×64×2)→ 卷积层(8个3×3滤波器)→ ReLU激活 → 最大池化层(2×2)→ 全连接层(64)→ 回归层。 (3) 训练过程:使用与实验1相同的数据集,比较CNN与MLP的训练收敛速度和测试误差(选)。可视化卷积层学习到的特征滤波器(选)。 3、LSTM信道预测 (1) 创建时序数据集,生成包含200个时间序列的样本,每个序列有10个连续时刻的信道状态。前9个时刻作为输入,预测第10个时刻状态。 (2) 构建LSTM网络:序列输入层 → LSTM层(128单元)→ 全连接层(64)→ 回归层。设置序列长度为9。 (3) 训练与预测:观察训练过程中时间步长的处理机制,测试网络对未来3步的预测能力。绘制预测结果与真实值的时序对比图。 实验要求: 1、记录不同神经网络在相同测试集上的MSE。 2、测量不同信噪比(如10/20/30dB)下的误差变化。 3、比较训练时间和单次推理时间。 4、LSTM预测,绘制时序预测对比图(包含历史状态和未来预测)。 生成matlab2024b代码
06-27
评论 1
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

打赏作者

呆呆水獭_(:_」∠)_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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