省队集训Round3 DAY2

T3

这里写图片描述
这里写图片描述
这里写图片描述

题解

首先我们需要计算出M。
N为奇数,中间位不受反转的影响(翻转后每一位异或1),即这一位的位置不会改变,如果反转只可能是0->1。所以我们可以把中间位当成标记位,刚开始编码的时候为0,如果给出的编码中间位为1,那么说明反转过了,需要逆操作后再进行解码, M=2N1
N位偶数,把数列从中间劈开,后一半是前一半反转后的结果,这样的数列如果进行反转操作得到的数列是不变的。
剩下的数列还是要考虑标记位的问题。把i与n-i+1两两配对,如果从小到大找到第一对相同的数对的位置,把他作为标记位,该开始都为00,如果给出的编码为11说明反转过了。设标记位为k,那么n-k..n位为1..k-1位反转后的结果,这个就可以方便的找到标记位。两个标记位中间的部分可以自由安排。
M=2N/2+N/2k=12k12N2k
这种情况的话可以把编码根据标记位的问题分成N/2+1段,无论是编码还是解码的过程只需要找到对应的段进行操作即可。

代码

#include<iostream>
#include<cstdio>
#include<algorithm>
#include<cstring>
#include<cmath>
using namespace std;
class Entropy{
    public:
    long long L[100];int cnt=0,n;
    long long quickpow(int num,int x)
    {
        long long ans=1,base=num;
        while (x) {
            if (x&1) ans=ans*base;
            x>>=1;
            base=base*base;
        }
        return ans;
    }
    long long getM(int N){
        n=N;
        if (N==1) return 0;
        if (N&1) return quickpow(2,N-1);
        long long ans=0;
        ans=quickpow(2,N/2); L[++cnt]=ans;
        for (int k=1;k<=N/2;k++) 
         ans+=quickpow(2,k-1)*quickpow(2,N-2*k),L[++cnt]=ans;
        return ans;
    }
    int find(long long x)
    {
        int l=1; int r=cnt; int ans=cnt;
        while (l<=r) {
            int mid=(l+r)/2;
            if (L[mid]>=x) ans=min(ans,mid),r=mid-1;
            else l=mid+1;
        }
        return ans;
    }
    string encode(long long x){
        if (n&1) {
            int t=0,a[100];
            while (x) {
                if (x&1) a[++t]=1;
                else a[++t]=0;
                x>>=1;
            }
            for (int i=t+1;i<=n-1;i++) a[i]=0;
            reverse(a+1,a+n);
            string s; s.clear();
            for (int i=1;i<=(n-1)/2;i++)
             if (a[i]==1) s+='1';
             else s+='0';
            s+='0';
            for (int i=(n-1)/2+1;i<=n-1;i++)
             if (a[i]==1) s+='1';
             else s+='0';
            return s;
        }
        int pos=find(x+1);
        if (pos==1) {
            int t=0,a[100];
            while (x) {
                if (x&1) a[++t]=1;
                else a[++t]=0;
                x>>=1;
            }
            for (int i=t+1;i<=n/2;i++) a[i]=0;
            reverse(a+1,a+n/2+1);
            string s; s.clear();
            for (int i=1;i<=n/2;i++)
             if (a[i]==0) s+='0';
             else s+='1';
            for (int i=n/2;i>=1;i--)
             if (a[i]==0) s+='1';
             else s+='0';
            return s;
        }
        long long val=x+1-L[pos-1];
        long long mod=quickpow(2,n-2*(pos-1));
        long long c=(val-1)/mod;
        int t=0,a[100];
        while (c) {
            if (c&1) a[++t]=1;
            else a[++t]=0;
            c>>=1;
        }
        for (int i=t+1;i<=pos-2;i++) a[++t]=0;
        reverse(a+1,a+pos-2+1);
        string s; s.clear();
        for (int i=1;i<=pos-2;i++) 
         if (a[i]==1) s+='1';
         else s+='0';
        s+='0';
        c=val%mod; c=(c-1+mod)%mod;
        t=0; int b[100];
        while (c) {
            if (c&1) b[++t]=1;
            else b[++t]=0;
            c>>=1;
        }
        for (int i=t+1;i<=n-2*(pos-1);i++) b[++t]=0;
        reverse(b+1,b+n-2*(pos-1)+1);
        for (int i=1;i<=n-2*(pos-1);i++)
         if (b[i]==1) s+='1';
         else s+='0';
        s+='0';
        for (int i=pos-2;i>=1;i--)
         if (a[i]==1) s+='0';
         else s+='1';
        return s;
    }
    long long decode(string s){
        if (n&1) {
            string s1; s1.clear(); s1=s;
            if (s1[(n+1)/2-1]=='1'){
                s.clear();
                for (int i=n-1;i>=0;i--) 
                 if (s1[i]=='1') s+='0';
                 else s+='1';
            }
            int t=0; long long a[100];
            for (int i=1;i<=(n-1)/2;i++)
             if (s[i-1]=='0') a[++t]=0;
             else a[++t]=1;
            for (int i=(n-1)/2+2;i<=n;i++)
             if (s[i-1]=='0') a[++t]=0;
             else a[++t]=1;
            long long ans=0,x=1;
            for (int i=n-1;i>=1;i--) {
                ans+=a[i]*x;
                x*=2;
            }
            return ans;
        }
        int k=0,pos;
        string s1; s1.clear();
        for (int i=n-1;i>=0;i--) 
         if (s[i]=='1') s1+='0';
         else s1+='1';
        for (int i=0;i<=n-1;i++)
         if (s[i]==s1[i]) k++,pos=i-1;
        for (int i=1;i<=n/2;i++)
         if (s[i-1]==s[n-i]) {
          pos=i-1;
          break;
         }
        //cout<<pos<<endl;
        if (k==n) {
            long long ans=0,x=1;
            for (int i=n/2;i>=1;i--){
                long long now=1;
                if (s[i-1]=='0') now=0;
                ans+=now*x;
                x*=2;
            }
            return ans;
        }
        if (s[pos]=='1') {
            string s1; s1.clear(); s1=s;
            s.clear();
            for (int i=n-1;i>=0;i--) 
             if (s1[i]=='1') s+='0';
             else s+='1';
        }
        long long ans=0;
        ans+=L[pos+1]-1;
        long long sum=0,x=1;
        for (int i=pos-1;i>=0;i--) {
            long long now=1;
            if (s[i]=='0') now=0;
            sum+=now*x;
            x*=2;
        }
        long long sum1=0,x1=1;
        for (int i=n-pos-2;i>=pos+1;i--) {
            long long now=1;
            if (s[i]=='0') now=0;
            sum1+=now*x1;
            x1*=2;
        }
        long long k1=quickpow(2,n-2*(pos+1));
        ans+=k1*sum;
        ans+=sum1+1;
    //  cout<<ans<<endl;
        return ans;
    }
};
#include "entropy.h"
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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