第九周项目4—广义表的算法库

问题及代码


[cpp] view plain copy
/*问题及代码 
 *Copyright(c)2016,烟台大学计算机学院 
 *All right reserved. 
 *文件名称:广义表算法库 .cpp 
 *作者:郗传秀
 *完成日期;2016年10月27日 
 *版本号;v1.0 
 *广义算法库采用程序的多文件组织形式 
 
 
 
 *输入描述:广义表 
 *程序输出:广义表的深度和长度 
*/  
#include <stdio.h>  
#include "glist.h"  
int main()  
{  
    GLNode *g;  
    char *s="(b,(b,a,(#),d),((a,b),c((#))))";  
    g = CreateGL(s);  
    DispGL(g);  
    printf("广义表长度:%d\n", GLLength(g));  
    printf("广义表深度:%d\n", GLDepth(g));  
    return 0;  
}  
#include <stdio.h>  
#include <malloc.h>  
#include "glist.h"  
int GLLength(GLNode *g)     //求广义表g的长度  
{  
    int n=0;  
    GLNode *g1;  
    g1=g->val.sublist;      //g指向广义表的第一个元素  
    while (g1!=NULL)  
    {  
        n++;                //累加元素个数  
        g1=g1->link;  
    }  
    return n;  
}  
  
int GLDepth(GLNode *g)      //求广义表g的深度  
{  
    GLNode *g1;  
    int max=0,dep;  
    if (g->tag==0)          //为原子时返回0  
        return 0;  
    g1=g->val.sublist;      //g1指向第一个元素  
    if (g1==NULL)           //为空表时返回1  
        return 1;  
    while (g1!=NULL)        //遍历表中的每一个元素  
    {  
        if (g1->tag==1)     //元素为子表的情况  
        {  
            dep=GLDepth(g1);    //递归调用求出子表的深度  
            if (dep>max)    //max为同一层所求过的子表中深度的最大值  
                max=dep;  
        }  
        g1=g1->link;            //使g1指向下一个元素  
    }  
    return(max+1);          //返回表的深度  
}  
  
GLNode *CreateGL(char *&s)      //返回由括号表示法表示s的广义表链式存储结构  
{  
    GLNode *g;  
    char ch=*s++;                       //取一个字符  
    if (ch!='\0')                      //串未结束判断  
    {  
        g=(GLNode *)malloc(sizeof(GLNode));//创建一个新节点  
        if (ch=='(')                    //当前字符为左括号时  
        {  
            g->tag=1;                   //新节点作为表头节点  
            g->val.sublist=CreateGL(s); //递归构造子表并链到表头节点  
        }  
        else if (ch==')')  
            g=NULL;                     //遇到')'字符,g置为空  
        else if (ch=='#')               //遇到'#'字符,表示为空表  
            g=NULL;  
        else                            //为原子字符  
        {  
            g->tag=0;                   //新节点作为原子节点  
            g->val.data=ch;  
        }  
    }  
    else                                 //串结束,g置为空  
        g=NULL;  
    ch=*s++;                            //取下一个字符  
    if (g!=NULL)                        //串未结束,继续构造兄弟节点  
    {  
        if (ch==',')                    //当前字符为','  
            g->link=CreateGL(s);        //递归构造兄弟节点  
        else                            //没有兄弟了,将兄弟指针置为NULL  
            g->link=NULL;  
    }  
  
    return g;                           //返回广义表g  
}  
  
void DispGL(GLNode *g)                  //输出广义表g  
{  
    if (g!=NULL)                        //表不为空判断  
    {  
        //先处理g的元素  
        if (g->tag==0)                  //g的元素为原子时  
            printf("%c", g->val.data);  //输出原子值  
        else                            //g的元素为子表时  
        {  
            printf("(");                //输出'('  
            if (g->val.sublist==NULL)   //为空表时  
                printf("#");  
            else                        //为非空子表时  
                DispGL(g->val.sublist); //递归输出子表  
            printf(")");                //输出')'  
        }  
        if (g->link!=NULL)  
        {  
            printf(",");  
            DispGL(g->link);            //递归输出后续表的内容  
        }  
    }  
}  
#ifndef GLIST_H_INCLUDED  
#define GLIST_H_INCLUDED  
  
typedef char ElemType;  
typedef struct lnode  
{  
    int tag;                    //节点类型标识  
    union  
    {  
        ElemType data;          //原子值  
        struct lnode *sublist;  //指向子表的指针  
    } val;  
    struct lnode *link;         //指向下一个元素  
} GLNode;                       //广义表节点类型定义  
  
int GLLength(GLNode *g);        //求广义表g的长度  
int GLDepth(GLNode *g);     //求广义表g的深度  
GLNode *CreateGL(char *&s);     //返回由括号表示法表示s的广义表链式存储结构  
void DispGL(GLNode *g);                 //输出广义表g  
  
#endif // GLIST_H_INCLUDED  


运行结果


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。 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