二叉查找树的c++实现

学习数据结构与算法分析加深记忆写的, 代码写的不太好 见谅..

  
  
  

template <class T>
class bst_data
{
public:
	bst_data(){}
	~bst_data(){}
	bst_data<T>*		m_right = nullptr;
	bst_data<T>*		m_left = nullptr;
	T*					m_value = nullptr;
};
template <class T>
class binary_search_tree
{
public:
	binary_search_tree(){}
	~binary_search_tree(){}

	bst_data<T>*	get_root() { return m_root_node; }

	bst_data<T>*	create_node()
	{
		bst_data<T> * node = new bst_data<T>;
		node->m_value = new T;
		++m_size;
		return node;
	}

	void			delete_node(bst_data<T> * node)
	{
		if (node)
		{
			delete node->m_value;
			delete node;
		}
		--m_size; 
	}

	bst_data<T>*	create_tree(const T & value)
	{

		m_root_node = create_node();
		*m_root_node->m_value = value;
		return m_root_node;
	}
	bst_data<T>*	clear(bst_data<T>*	node)
	{
		if (node == nullptr)
			return nullptr;
		node->m_left = clear(node->m_left);
		node->m_right= clear(node->m_right);
 
		delete_node(node);
		node = nullptr;
		return nullptr;
	}
	size_t			size()
	{
		return m_size;
	}
 
public:

	T*				find_min(bst_data<T> * node =nullptr)
	{
		node = node == nullptr ? m_root_node : node;
		return find_min_ex(node)->m_value;
	}

	T*				find_max(bst_data<T> * node =nullptr)
	{
		node = node == nullptr ? m_root_node : node;
		return find_max_ex(node)->m_value;
	}

	T*				find(const T &value, bst_data<T>* node )
	{
		if (node == nullptr)
			return nullptr;
		if (value > *node->m_value)
			return find(value,node->m_right);
		return value<*node->m_value ? find(value, node->m_left) : node->m_value;
	}

	bst_data<T>*	insert(const T &value, bst_data<T> * node )
	{
		if (node == nullptr)
		{
			auto element = create_node();
			*element->m_value = value;
			return element;
		}
		if (value > *node->m_value)
			node->m_right = insert(value, node->m_right);
		else if (value < *node->m_value)
			node->m_left = insert(value, node->m_left);
		else
			return nullptr;
		return node;
	}

	bst_data<T>*	remove(const T&value, bst_data<T>* node )
	{
		if (value > *node->m_value)
			node->m_right = remove(value, node->m_right);
		else if (value < *node->m_value)
			node->m_left  = remove(value, node->m_left);
		else if (node->m_left &&node->m_right)
		{
			bst_data<T>*	temp = find_min_ex(node);
			T	temp_value = *temp->m_value;
			*node->m_value = *temp->m_value;
			node->m_right = remove(temp_value, node->m_right);
		}
		else
		{
			bst_data<T>*	temp = node;
			if (node->m_left == nullptr)
				node = node->m_right;
			else if (node->m_right == nullptr)
				node = node->m_left;
			delete_node(temp);
		}
		return node;
	}
	 
	void		for_each_element(bst_data<T>* node, std::function<void(T&)> func)
	{
		if (node == nullptr)
			return;
		func(*node->m_value);
		for_each_element(node->m_left,func);
		for_each_element(node->m_right,func);
	}

private:
	bst_data<T>*	find_min_ex(bst_data<T> * node)
	{
		return node->m_left == nullptr ? node : find_min_ex(node->m_left);
	}
	bst_data<T>*	find_max_ex(bst_data<T> * node)
	{
		return node->m_right == nullptr ? node : find_max_ex(node->m_right);
	}

private:
	bst_data<T>*	m_root_node;
	size_t			m_size = 0;
};

 
 
int main()
{
	
	binary_search_tree<int> tree;
	tree.create_tree(1);
	tree.insert(0, tree.get_root());
	tree.insert(1, tree.get_root());
	tree.insert(2, tree.get_root());
	tree.insert(3, tree.get_root());
	cout << * tree.find_min() << endl;
	
	tree.for_each_element(tree.get_root(), [](int &v){
		cout << v << endl;
	});
 
    return 0;
}

 


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