选秀打分

//-------------------------------------基础版-------------------------

//----------------------------------------------------------------------------

package cn.edu.ijn.langsin.test3;


public class Test3 {
    static int[] judge_type={1,1,2,2,1};        //数组,用来存放评委类型:1代表专家,2代表大众
    static double[] score={8.0,8.2,9.0,8.8,7.8};        //数组,用来存放评委评分
    public static int average() {
        double sumscore1=0;
        double sumscore2=0;
        double average1=0;
        double average2=0;
        int j=0,k=0;
        int intscore1;
        int intscore2;
        int finscore=0;
        if(score.length>0){
        for(int i=0;i<5;i++){
            if(judge_type[i]==1){
                j++;
                sumscore1=sumscore1+score[i];
                
            }
            else if(judge_type[i]==2){
                k++;
                sumscore2=sumscore2+score[i];
                
            }
            else
                System.out.println("错误");
        }
        average1=sumscore1/j;
        average2=sumscore2/k;
        intscore1=(int)Math.floor(average1);
        intscore2=(int)Math.floor(average2);
        if(k==0){
            finscore=intscore1;
        }else if(k!=0){
            finscore=(int)Math.floor(average1*0.6+average2*0.4);
        }
        return finscore;
        }else
            return 0;
    }
    public static void main(String[] args) {
        System.out.println(average());
        
    }
    

}


//-------------------------------------------------------优化版-----------------------------

//-----------------------------------------------------------------------------------------------

package cn.langsin.dafen;

import java.util.Scanner;

public class Dafen {
    public static int average() {
        double sumscore1=0,sumscore2=0,average1=0,average2=0;
        int j=0,k=0,intscore1,intscore2,finscore=0;
        
        Scanner scan = new Scanner(System.in);
        int[] judge_type=new int[5];
        double[] score=new double[5];
        for(int m=0;m<judge_type.length;m++){        //输入judge_type的值
            System.out.println("输入judge_type的值:");
            judge_type[m]=scan.nextInt();
            for(int n=m;n<=m;n++){        //输入score的值
                System.out.println("输入score的值:");
                score[n]=scan.nextDouble();
            }
        }
        if(score.length>0){
        for(int i=0;i<5;i++){
            if(judge_type[i]==1){
                j++;
                sumscore1=sumscore1+score[i];
                
            }
            else if(judge_type[i]==2){
                k++;
                sumscore2=sumscore2+score[i];
                
            }
            else
                System.out.println("错误");
        }
        average1=sumscore1/j;
        average2=sumscore2/k;
        intscore1=(int)Math.floor(average1);
        intscore2=(int)Math.floor(average2);
        if(k==0){
            finscore=intscore1;
        }else if(k!=0){
            finscore=(int)Math.floor(average1*0.6+average2*0.4);
        }
        return finscore;
        }else
            return 0;
    }
    public static void main(String[] args) {
        System.out.println(average());
        
    }

}

//-------------------------------------------------------------------------------------------------

PS:递归实现的还没有做好





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