HDU 1711:Number Sequence (KMP入门)

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=1711



字符串的匹配变成了数字的匹配,思路一样。


AC代码:

#include <iostream>
#include <stdio.h>
#include <string.h>

using namespace std;

int text[1000010];
int patten[10010];
int nex[10010];
void getNext(int m) {
    nex[0] = -1;
    int k = -1,j = 0;
    while(j < m) {
        if(k == -1 || patten[j]==patten[k]) {
            k++;
            j++;
            nex[j] = k;
        }
        else {
            k = nex[k];
        }
    }
}
int kmp(int n,int m) {
    int i = 0,j = 0;
    int lenp = m;   //模式串的长度
    int lent = n;   //文本串的查改都
    while(i < lent && j<lenp) {
        if(j == -1 || text[i]==patten[j]) {
            i++;
            j++;
        }
        else
            j = nex[j];
    }
    if(j>=lenp)
        return i-lenp+1;
    return -1;
}
int main() {
    int N,M,T;
    scanf("%d",&T);
    while(T--) {
        scanf("%d%d",&N,&M);
        for(int i = 0; i < N; i++) {
            scanf("%d",&text[i]);
        }
        for(int i = 0; i < M; i++) {
            scanf("%d",&patten[i]);
        }
        getNext(M);
        int ans = kmp(N,M);
        printf("%d\n",ans);
    }
    return 0;
}


内容概要:本文介绍了MATLAB实现DBN-RBF深度置信网络结合RBF神经网络多输入单输出回归预测的详细项目实例。项目旨在通过深度置信网络(DBN)和径向基函数神经网络(RBF)的结合,设计出一种高效的回归预测模型,以应对高维数据和非线性关系的挑战。DBN用于无监督特征提取,RBF用于快速回归,两者结合显著提升了预测精度和模型泛化能力。文中详细描述了项目的背景、目标、挑战、解决方案、模型架构、代码实现、GUI设计、性能评估及未来改进方向。 适合人群:具备一定编程基础,对机器学习和深度学习有一定了解的研发人员,尤其是从事金融预测、医疗健康、智能制造等领域的工程师和技术人员。 使用场景及目标:①解决高维数据的特征提取难题,提升非线性回归的拟合精度;②通过无监督学习与快速训练能力的结合,提高模型的预测精度和泛化能力;③应用于金融预测、医疗健康、智能制造等多个领域,提供高效的回归预测工具;④通过实时数据流处理和GPU加速推理,确保系统在实时应用中的快速响应。 其他说明:此项目不仅提供了详细的理论分析和代码实现,还涵盖了系统架构设计、模型部署与应用、安全性与用户隐私保护等方面的全面指导。通过结合其他深度学习模型、多任务学习、增量学习等技术,项目具备广阔的扩展性和应用前景。系统还支持自动化CI/CD管道、API服务与业务集成、前端展示与结果导出等功能,确保了系统的高可用性和易用性。
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