KMP算法

在进行字符串匹配的过程中,如果直接使用暴力法匹配,则时间复杂度为O(mn),其具体代码如下:

int string_match(string T, string P){//普通的字符串匹配算法,时间复杂度为O(mn)
    int i=0;
    int j=0;
    int lenT=T.size();
    int lenP=P.size();
    cout<< lenT <<"   "<<lenP<<endl;
    if(lenT<lenP)
        return -1;
    while(i<lenT && j<lenP){//对字符串进行比较
        if(T[i]==P[j])//如果两者相等,则比较下一个字符
            i++,j++;
        else{
            i=i-j+1;//不相等,那个将目标串下标退回到目前模式串的首位在目标串的位置
            j=0;//将模式串下标归零
        }
    }
    if(j>=lenP)//匹配成功
        return (i-lenP);//输出匹配成功时候的位置
    else
        return -1;
}

对于KMP算法,其算法复杂度为O(m+n) :
每当一趟匹配过程出现字符不相等时,主串指示器不用回溯,而是利 用已经得到的“部分匹配”结果,将模式串的指示器向右“滑动”尽 可能远的一段距离后,继续进行比较。

主要参考的博客为:https://www.cnblogs.com/yjiyjige/p/3263858.html
其中,计算next数组的方法如下:

void get_next(char*p, int next[]){
    int lenp = strlen(p);
    next[0] = -1;
    int k = -1;
    int j = 0;
    while(j<lenp-1){
        if(k==-1||p[j]==p[k]){
            if(p[++j]==p[++k])//当两个字符相等时要跳过
                next[j] = next[k];
            else
                next[j] = k;
        }
        else
            k = next[k];
    }
}

KMP算法如下:

int string_KMP(char* s, char* p){//时间复杂度为O(m + n)
    int i=0;
    int j=0;
    int lens = strlen(s);
    int lenp = strlen(p);
    int next[lenp];
    get_next(p, next);
    while(i<lens && j < lenp){
        //如果j=-1,或者当前字符匹配成功,则i++j++
        if(j==-1||s[i]==p[j]){//j=-1表示位于模式串首位
            i++;
            j++;
        }
        else//如果!=-1,且当前字符匹配失败,则j=next[j]
            j = next[j];
    }
    if(j==lenp)
        return i-j;
    else
        return -1;
}
【6层】一字型框架办公楼(含建筑结构图、计算书) 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。
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