PAT-B1014(C语言)

1014 福尔摩斯的约会 (20分)

大侦探福尔摩斯接到一张奇怪的字条:我们约会吧!

3485djDkxh4hhGE 2984akDfkkkkggEdsb s&hgsfdk d&Hyscvnm。

大侦探很快就明白了,字条上奇怪的乱码实际上就是约会的时间星期四 14:04,因为前面两字符串中第 1 对相同的大写英文字母(大小写有区分)是第 4 个字母 D,代表星期四;第 2 对相同的字符是 E ,那是第 5 个英文字母,代表一天里的第 14 个钟头(于是一天的 0 点到 23 点由数字 0 到 9、以及大写字母 A 到 N 表示);后面两字符串第 1 对相同的英文字母 s 出现在第 4 个位置(从 0 开始计数)上,代表第 4 分钟。现给定两对字符串,请帮助福尔摩斯解码得到约会的时间。

输入格式:
输入在 4 行中分别给出 4 个非空、不包含空格、且长度不超过 60 的字符串。

输出格式:
在一行中输出约会的时间,格式为 DAY HH:MM,其中 DAY 是某星期的 3 字符缩写,即 MON 表示星期一,TUE 表示星期二,WED 表示星期三,THU 表示星期四,FRI 表示星期五,SAT 表示星期六,SUN 表示星期日。题目输入保证每个测试存在唯一解。

输入样例:
3485djDkxh4hhGE
2984akDfkkkkggEdsb
s&hgsfdk
d&Hyscvnm
输出样例:
THU 14:04

分析过程

思路:1.用四个字符数组分别存储四个字符串 
2.对第1,2个字符串先找到其相等的第一对大写字母,再找到0-N中一对相等的字符,先认为星期部分字母为A-G,时间部分为0-N;
3.对第3,4个字符串找到其相等的第一对英文字母,记录其下标表示第几分钟。

注意点
1.找到第一对大写字母后应该跳过自身这一对再开始找0-N中的第二对相等字符。
2. 字符数组初始化时,数组大小一定要大于字符串长度+1,否则编译错误。字符串数组最后有\0
3. 转换得到的字符为需要的格式时,最好用数组形式进行转换,通过下标与其对应。
4.我发现以c++代码提交时对gets不识别,以c提交就不要加iostream流。

代码附上

#include<stdio.h>
#include<string.h>
int main()
{
//	思路:1.用四个字符数组分别存储四个字符串 
//	2.对第1,2个字符串先找到其相等的第一对大写字母,再找到0-N中一对相等的字符,先认为星期部分字母为A-G,时间部分为0-N;
//	3.对第3,4个字符串找到其相等的第一对英文字母,记录其下标表示第几分钟。
	char a[70],b[70],c[70],d[70];//不用初始化,直接gets就行 
	gets(a);
	gets(b);
	gets(c);
	gets(d);
	char thefirst[2];//用字符数组存储从1,2个字符串找到的两个字符 
	int i,j,k=0;
	int flag=0;//判断是否找到第一对大写字母  
	int flag1=0;//设置一个找完的标志 
	for(i=0;i<strlen(a);i++)
	{
		if(a[i]>='A'&&a[i]<='G'&&flag==0)
		{
			if(b[i]==a[i])
			{
				thefirst[0]= a[i];
				flag=1; 
				continue;//往下找,跳过第一对相同的开始找第二对 
			}
		}
		if(flag==1)//第一对找到之后再找第二对包含数字的 
		{
			if((a[i]>='A'&&a[i]<='N')||(a[i]>='0'&&a[i]<='9'))
			{
				if(b[i]==a[i])
				{
					thefirst[1]=a[i]; 
					flag1=1;//设置一个找完的标志 
				}
			}
			
		}
		if(flag1==1)//找完就跳出来 
		break;
	}
	//将找到的字母转化为需要的格式
	//星期转化 
	char end1[5]={};//初始化一下,用来装星期字符 
	char change[][4]={"MON","TUE","WED","THU","FRI","SAT","SUN"};
	//字符数组初始化时,数组大小一定要大于字符串长度+1,否则编译错误。
	//字符串数组最后有\0
	for(i=0;i<7;i++)
	{
		if((thefirst[0]-'A')==i)
		{
			for(j=0;j<3;j++)
			end1[j]=change[i][j];
		}
	}
	//小时转化
	int end2;
	char change1[25]={'0','1','2','3','4','5','6','7','8','9','A','B','C','D','E','F','G','H','I','J','K','L','M','N'};//以下标对应小时,不要用if或者switch-case写 
	for(i=0;i<24;i++)
	{
		if((thefirst[1])==change1[i])
		{
			end2=i;
			break;
		}
	}
	//找第3,4对中的第一对相同的英文字母,获取其下标 
	int end3;
	for(i=0;i<strlen(c);i++)
	{
		if((c[i]>='a'&&c[i]<='z')||(c[i]>='A'&&c[i]<='Z'))
		{
			if(c[i]==d[i])
			{
				end3=i;
				break;
			}
		 } 
	} 
	//输出
	printf("%s %02d:%02d\n",end1,end2,end3); 

	 

}
  • 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
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