1.1~1.4-数据结构基础概念和时间复杂度-总结-《数据结构第2版(严蔚敏)》

笔记目录
1.1~1.4-数据结构基础概念和时间复杂度
2.1~2.8-顺序表、链表
6.4 -图的储存结构与创建

1.1~1.4数据结构基础概念

已学过的概念总结
具体如图、树,分解具体总结

1.1数据结构的研究内容——对数据合理组织、高效处理

1.2基本概念和术语

数据 Data

输入计算机,并被处理的符号集合
例如:人类 通过编码变成数据来处理

数据元素 Data Element

组成数据的基本单位
例如:

数据项 Data Item

组成数据元素的最小、‘不可分割’单元
例如:人身上的细胞

数据对象Data Object

相同性质的数据元素的集合
例如:黄种人

1.3数据结构Data structure

相互之间存在一种或多种关系的数据元素的集合

逻辑结构

线性非线性
线性表树、二叉树
链表有向图
无向图
队列集合
字符串
数组
广义表

抽象数据类型

Abstract Data Type

ADT 抽象数据类型名
{
数据对象:{}
数据关系:{}
基本操作:
create(x,y)
操作结果:创建…

}
ADT 抽象数据类型名

1.4算法时间复杂度

计算方法:

1、加法常数用1取代
2、常系数也用1取代
3、只保留最高阶

执行次数计算方法非正式术语大O表示
12常数用1常数阶O(1)
2n+3保留最高,系数换为1线性阶O(n)
2n2+3保留最高,系数换为1平方阶O(n2)
3n3+2n+3保留最高,系数换为1立方阶O(n3)
3log2n系数换为1对数阶O(log2n)
3nlog2n常系数换为1(n不替换)对数阶O(nlog2n)
2n指数阶O(2n)

计算举例:

//O(1)
x=90;y=100;
while(y>0)
	if(x>100)
		{x=x-10;y--}
	else x++;
//O(mn)
for(i=0;i<n;i++)
	for(j=0;j<m;j++)
//O(log~2~n)
while(i<n)
	i=i*3;
//O(genhao n)
x=n;//n>1
y=0;
while(x<=y*y)
	y++;
  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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