《数据结构》实验一: VC编程工具的灵活使用


一..实验目的

     复习巩固VC编程环境的使用,以及C++模板设计。

1.回顾并掌握VC单文件结构程序设计过程。

2.回顾并掌握VC多文件工程设计过程

3.掌握VC程序调试过程。

4.回顾C++模板和模板的程序设计。

二.实验时间

   第二周第二次课。2个学时。

三.实验内容

1. 设计一个单文件结构程序完成从键盘输入两个数,输出二者的“和”和“积”的结果。要求如下:

1)设计函数来计算“和”和“积”,在主函数中调用,并能考虑重载函数,使整数和小数均能计算。

2)分别使用单步调试和断点调试来调试程序。并多次运行力求熟练调试方法。

代码如下:

#include<iostream>
using namespace std;

void pro(int x,int y)
{
	int z;
	z = x * y;
	cout<<"这两个数的积是:"<<z<<endl;
}

void pro(double x,double y)
{
	double z;
	z = x * y;
	cout<<"这两个数的积是:"<<z<<endl;
}

void add(int x,int y)
{
	int sum;
	sum = x + y;
	cout<<"这两个数的和是:"<<sum<<endl;
}

void add(double x,double y)
{
	double sum;
	sum = x + y;
	cout<<"这两个数的和是:"<<sum<<endl;
}

int main()
{
	float a,b;
	cout<<"请输入两个数:"<<endl;
	cin>>a>>b;
	cout<<"这两个数是:"<<" a="<<a<<"  b="<<b<<endl;
	add(a,b);
    pro(a,b);
	return 0;
}

调试结果如下:



2.使用函数的模板来实现上述功能。

代码如下:

#include<iostream>
using namespace std;

template<class T1,class T2>
T1 pro(T1 x,T2 y)
{
	T1 z;
	z = x * y;
	cout<<"这两个数的积是:"<<z<<endl;
	return 0;
}

template<class H1,class H2>
H1 add(H1 x,H2 y)
{
	H1 sum;
	sum = x + y;
	cout<<"这两个数的和是:"<<sum<<endl;
	return 0;
}

int main()
{
	float a,b;
	cout<<"请输入两个数:"<<endl;
	cin>>a>>b;
	cout<<"这两个数是:"<<" a="<<a<<"  b="<<b<<endl;
	add(a,b);
	pro(a,b);

	return 0;
}

调试结果如1。

3.使用一个类来实现上述功能。要求:

  1)使用类模板

  2)使用多文件:类的声明有头文件中;类的函数定义一个源文件中,在主程序文件中设计主函数程序,在实例化输出结果。

类模板代码如下:

#include<iostream>
using namespace std;

template <class T>

class heji
{
	public:
		void add(T x,T y)
		{
			T sum;
			sum = x + y;
			cout<<"这两个数的和是:"<<sum<<endl;
		}

		void pro(T x,T y)
		{
			T z;
			z = x * y;
			cout<<"这两个数的积是:"<<z<<endl;
		}
};

源程序代码如下:

#include<iostream>
using namespace std;

#include"jiyuhe.h"

int main()
{
	float a,b;
	cout<<"请输入两个数:"<<endl;
	cin>>a>>b;
    cout<<"这两个数是:"<<" a="<<a<<"  b="<<b<<endl;
    heji<double>m;
	heji<double>n;
	m.add(a,b);
	n.pro(a,b);

	return 0;
}

调试结果如1.



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 2
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