算法之KMP

kmp算法是一种字符串匹配算法,时间复杂度为(m+n)。

个人对算法学习还在初级阶段。以前对字符串匹配用暴力匹配算法。

暴力匹配算法

两个字符串,模板串mo[]和文本串s[]。

如果用暴力算法,对于模板串mo[],用i表示模板串匹配的位置。用j表示文本串匹配的位置。

1,如果从一开始匹配的上,i和j同时增加。

2,当在某一位置匹配不上时,模板串从0开始,i=0;模板串往前移,此时,j=j-i+1;;

此时,i回溯,j置为零。

int violent_match(char *a,char *b)
{
    int len=strlen(a);
    int len2=strlen(b);
    int i=0,j=0; 
    while(i<len&&j<len2)
    {
      //当匹配时,i和j同时增加
     if(a[i]==b[j])
      i++,j++;
     else
      //匹配不成功时i置为零,j回溯为j—i+1;
     j=j-i+1,i=0;
     }
     if(j==len2)  return i-j;//返回当前位置    else
          return -1;


     }
从代码中就已经看到了反复的查找和回溯,时间复杂度大


KMP算法

kmp算法的核心是next的建立,然后是对两个字符串的匹配函数。

next[]数组是对mo[]自身的标记,通过next减少了重复匹配的次数,其中首位ne[0]=-1;

void get_next(char *a,int ne[])
{   
     int i=0,j=-1;
     int ne[0]=-1;
     while(j==-1||ne[i]==ne[j])
          ne[++i]=ne[++i];
     else
         j=ne[j];//匹配失败时退回;
}

通过get_next 函数,得到了一个关于如果匹配失败后可以退回后缀已经匹配过前缀相同的地方,;

kmp函数,如果mo串匹配一次后,文本串被匹过不删除的话

int kmp(char a[],char p[],int sum){
    get_next(a,ne);
    int len = strlen(p);
    int len2=strlen(a);
    int i=0,j=0;
    while(i<len){

        while(a[j]!=p[i]&&j!=-1)
        j=ne[j];//自身的一个查找,找到ne所回的地方有匹配的或找完(j=-1)才退出循环,如果找不到,i就不增加
        i++,j++;
         if(j>=len2)
            {sum++;
            j=ne[j];//这里匹配成功过一次后,j返回重复前缀的地方,

            }
            }

    return sum;
}
对于如果是例如剪花布条题来说,匹配过一次,文本串里匹配的部分就要不能再配了,因此
int kmp(char a[],char p[],int sum){
    get_next(a,ne);
    int len = strlen(p);
    int len2=strlen(a);
    int i=0,j=0;
    while(i<len){

        while(a[j]!=p[i]&&j!=-1)
        j=ne[j];//自身的一个查找,找到ne所回的地方有匹配的或找完(j=-1)才退出循环,如果找不到,i就不增加
        i++,j++;
         if(j>=len2)
            {sum++;
            j=0;//这里返回的是0,从mo串的第一个开始,

            }
            }

    return sum;
}
对于KMP 算法了解还是很青涩,kmp还有优化方式,了解清楚后会再补充。



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