【b301】神经网络

神经网络(NOIP2003第1题)

Time Limit: 1 second
Memory Limit: 50 MB

【问题背景】
人工神经网络(Artificial Neural Network)是一种新兴的具有自我学习能力的计算系统,在模式识别、函数逼近及贷款风险评估等诸多领域有广泛的应用。对神经网络的研究一直是当今的热门方向,兰兰同学在自学了一本神经网络的入门书籍后,提出了一个简化模型,他希望你能帮助他用程序检验这个神经网络模型的实用性。

【问题描述】
在兰兰的模型中,神经网络就是一张有向图,图中的节点称为神经元,而且两个神经 元之间至多有一条边相连,下图是一个神经元的例子:

图中,X1—X3是信息输入渠道,Y1-Y2是信息输出渠道,C1表示神经元目前的状态, Ui是阈值,可视为神经元的一个内在参数。 神经元按一定的顺序排列,构成整个神经网络。在兰兰的模型之中,神经网络中的神 经无分为几层;称为输入层、输出层,和若干个中间层。每层神经元只向下一层的神经元 输出信息,只从上一层神经元接受信息。下图是一个简单的三层神经网络的例子。

兰兰规定,Ci服从公式:(其中n是网络中所有神经元的数目)

公式中的Wji(可能为负值)表示连接j号神经元和 i号神经元的边的权值。当 Ci大于0时,该神经元处于兴奋状态,否则就处于平静状态。当神经元处于兴奋状态时,下一秒它会向其他神经元传送信号,信号的强度为Ci。 如此.在输入层神经元被激发之后,整个网络系统就在信息传输的推动下进行运作。 现在,给定一个神经网络,及当前输入层神经元的状态(Ci),要求你的程序运算出最后网 络输出层的状态。

【输入】

共n+p+1行;
第一行是两个整数n(1≤n≤20)和p;
接下来的N行,每行两个整数,第i+1行是神经元i最初状态和其阈值(Ui),非输入层的神经元开始时状态必然为0。再下面P行,每行由两个整数i,j及一个整数Wij,表示连接神经元i、j的边权值为Wij。

【输出】

输出包含若干行,每行有两个整数,分别对应一个神经元的编号,及其最后的状 态,两个整数间以空格分隔。仅输出最后状态非零的输出层神经元状态,并且按照编号由小到大顺序输出!若输出层的神经元最后状态均为 0,则输出 NULL。

【输入样例】

5 6
1 0
1 0
0 1
0 1
0 1
1 3 1
1 4 1
1 5 1
2 3 1
2 4 1
2 5 1

【输出样例】

3 1
4 1
5 1

【题目链接】:http://noi.qz5z.com/viewtask.asp?id=b301

【题意】

【题解】

按照题目去模拟那个过程就好。
加上一个记忆化搜索。
题目最后输出的是大于0的状态,小于等于0的状态都不要输出哦。
N最大是200而不是20.。题目有误。

【完整代码】

#include <cstdio>
#include <cstring>
#include <vector>
#include <iostream>
using namespace std;
#define rei(x) scanf("%d",&x)
#define rep1(i,x,y) for (int i = x;i <= y;i++)
const int N = 200 + 10;
int n, p;
int c[N],u[N],ru[N],f[N],chu[N];
vector <int> G[N],W[N];
bool bo[N];

int dfs(int x)
{
    if (bo[x])
    {
        if (f[x] > 0)
            return f[x];
        else
            return 0;
    }
    int len = G[x].size();
    int sum = 0;
    rep1(i, 0, len - 1)
    {
        int y = G[x][i], w = W[x][i];
        sum += dfs(y)*w;
    }
    f[x] = sum - u[x];
    bo[x] = true;
    if (f[x] > 0)
        return f[x];
    else
        return 0;
}

int main()
{
    //freopen("D:\\rush.txt", "r", stdin);
    //freopen("D:\\rush_out.txt", "w", stdout);
    memset(f, 255, sizeof f);
    rei(n), rei(p);
    rep1(i, 1, n)
    {
        rei(c[i]), rei(u[i]);
    }
    rep1(i, 1, p)
    {
        int x, y, z;
        rei(x), rei(y), rei(z);
        G[y].push_back(x);
        W[y].push_back(z);
        ru[y]++,chu[x]++;
    }
    rep1(i, 1, n)
        if (ru[i] == 0)
            f[i] = c[i], bo[i] = true;
    rep1(i, 1, n)
        if (!bo[i])
            dfs(i);
    int cnt = 0;
    rep1(i, 1, n)
        if (chu[i] == 0)
        {
            if (f[i] > 0)
            {
                printf("%d %d\n", i, f[i]);
                cnt++;
            }
        }
    if (cnt == 0)
        puts("NULL");
    //fclose(stdin);
    //fclose(stdout);
    return 0;
}

转载于:https://www.cnblogs.com/AWCXV/p/7626572.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MATLAB 2020b引入了对LSTM(长短期记忆)神经网络的支持。LSTM是一种常用的循环神经网络(RNN)架构,被广泛应用于序列数据建模和预测任务。在MATLAB 2020b中,引入了方便且高效的函数,用于创建、训练和预测LSTM模型。 创建LSTM模型的主要步骤包括:定义网络层、设置网络参数、配置网络选项,并使用trainNetwork函数进行训练。MATLAB提供了内置的网络层函数,例如lstmLayer、fullyConnectedLayer和sequenceInputLayer,用于构建LSTM模型的基本结构。用户可以方便地自定义这些层的属性,如激活函数、权重初始化方式等。 训练LSTM模型的方法是使用trainNetwork函数,该函数接受输入序列数据和相应的目标输出,并根据预定义的网络结构和参数进行训练。训练期间,可以使用多个选项来优化模型性能,如学习率衰减、正则化、批量归一化等。此外,还可以使用自定义的验证数据集来监控模型的泛化性能。 训练完成后,可以使用已训练的LSTM模型进行预测。MATLAB提供了predict函数,可以使用已训练的模型对新的序列数据进行预测,得到相应的输出结果。此外,还可以使用classify函数对输出进行分类,或使用classifyAndUpdateState函数进行逐步预测。 总之,MATLAB 2020b为LSTM神经网络提供了全面且易用的支持。通过提供内置的网络结构和训练函数,用户可以方便地构建、训练和预测LSTM模型,用于各种序列数据建模和预测任务,例如情感分析、语言生成、股票预测等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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