构造发

本题中最多5个命题变项:p,q,r,s,t

每个有0,1两种取值,所以总共32种情况,分别枚举即可。

对于每种情况,计算表达式的值,如果有结果为0的则输出not

难点在于如何计算表达式的值,我们采用递归的方法,把表达式分为一或两个子表达式,并把参数end(本表达式的结束位置)传给上一层,一遍上一层获取第二个子表达式的起始位置。最后通过两个子表达式的结束位置,得到整个表达式的结束位置。

end是本表达式的最后一位的下标,即本表达式的长度减一。

所以 end = 2 + end1 + end2;

Sample Input

ApNp
ApNq
0

Sample Output

tautology
not
/*代码一:自己构造栈*/

//Memory Time
//212K   79MS 

#include<iostream>
using namespace std;

int pp,qq,rr,ss,tt;  //各个逻辑变量的值

typedef class STACK
{
    public:
        int value;
        class STACK* next;
        STACK()
        {
            next=0;
        }
}Stack;

typedef class Top
{
    public:
        Stack* top;
        Top()
        {
            top=0;
        }
}linkstack;

void Insert(linkstack* s,int e);  //入栈
int Pop(linkstack* s);  //栈顶值出栈
void Empty(linkstack* s);  //清空栈

bool isvariables(linkstack* s,char ch);  //判断ch是否为变量p q r s t,若是则把其当前值入栈
void operators(linkstack* s,char op);   //根据操作符op对栈执行操作
int K(int x,int y);  //and: x&&y
int A(int x,int y);  //or : x||y
int C(int x,int y);  //implies: (!x)||y
int E(int x,int y);  //equals: x==y
int N(int x);  //not: !x

int main(void)
{
    linkstack* s=new linkstack[sizeof(linkstack)];

    char WFF[110];
    while(cin>>WFF && WFF[0]!='0')
    {
        int len=strlen(WFF);  //逻辑表达式的长度

        bool flag=true;  //标记逻辑表达式是否为永真式
        for(pp=0;pp<=1;pp++)  //枚举逻辑变量的值
        {
            for(qq=0;qq<=1;qq++)
            {
                for(rr=0;rr<=1;rr++)
                {
                    for(ss=0;ss<=1;ss++)
                    {
                        for(tt=0;tt<=1;tt++)
                        {
                            for(int pw=len-1;pw>=0;pw--)
                            {
                                if(!isvariables(s,WFF[pw]))
                                    operators(s,WFF[pw]);
                            }

                            int ans=s->top->value;   //最后栈剩一个值,即为逻辑表达式的值
                            if(!ans)  //只要表达式有一个值为假,它就不是永真式
                            {
                                flag=false;
                                break;
                            }
                            Empty(s);
                        }
                        if(!flag)
                            break;
                    }
                    if(!flag)
                        break;
                }
                if(!flag)
                    break;
            }
            if(!flag)
                break;
        }
        if(flag)
            cout<<"tautology"<<endl;
        else
            cout<<"not"<<endl;
    }
    return 0;
}

void Insert(linkstack* s,int e)
{
    Stack* node=new Stack[sizeof(Stack)];
    node->value=e;
    node->next=s->top;
    s->top=node;

    return;
}

int Pop(linkstack* s)
{
    int e=s->top->value;
    Stack* temp=s->top;
    s->top=s->top->next;
    delete temp;

    return e;
}

void Empty(linkstack* s)
{
    while(s->top)
    {
        Stack* temp=s->top;
        s->top=s->top->next;
        delete temp;
    }
    return;
}

bool isvariables(linkstack* s,char ch)
{
    switch(ch)
    {
        case 'p':Insert(s,pp);return true;
        case 'q':Insert(s,qq);return true;
        case 'r':Insert(s,rr);return true;
        case 's':Insert(s,ss);return true;
        case 't':Insert(s,tt);return true;
    }
    return false;
}

void operators(linkstack* s,char op)
{
    switch(op)
    {
        case 'K':
            {
                int x=Pop(s);
                int y=Pop(s);
                Insert(s,K(x,y));
                break;
            }
        case 'A':
            {
                int x=Pop(s);
                int y=Pop(s);
                Insert(s,A(x,y));
                break;
            }
        case 'C':
            {
                int x=Pop(s);
                int y=Pop(s);
                Insert(s,C(x,y));
                break;
            }
        case 'E':
            {
                int x=Pop(s);
                int y=Pop(s);
                Insert(s,E(x,y));
                break;
            }
        case 'N':
            {
                int x=Pop(s);
                Insert(s,N(x));
                break;
            }
    }
    return;
}

int K(int x,int y)
{
    return x&&y;
}

int A(int x,int y)
{
    return x||y;
}

int C(int x,int y)
{
    return (!x)||y;
}

int E(int x,int y)
{
    return x==y;
}

int N(int x)
{
    return !x;
}
View Code

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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