Java算法

1. 利用数组实现一个栈(先进后出)

元素辅助数组arr,栈实际容量size,初始容量initialSize

栈的常用操作:入栈push(),出栈pop(),取栈顶元素peek(),获取栈的元素个数或者实际容量size(),判空isEmpty()

1.1 在构造栈对象时可以给一个默认初始容量。

1.2 push()时栈满需要扩容(双倍),利用Arrays.copyOf(arr,newSize)。

1.3 pop()时栈空需要报错。

public class ArrImplStack {

	private int[] arr;

	private int size = 0;

	private int initialSize = 15;

	public ArrImplStack() {
		arr = new int[initialSize]; // 分配初始数组空间给此栈
	}

	public void push(int value) {
		// 栈已满,需要扩容:copyOf()底层先开辟一个initialSize*2大小的新数组,然后将原数组arraycopy到新数组并返回新数组
		if (size == initialSize) {
			arr = Arrays.copyOf(arr, initialSize * 2);
		}
		arr[size++] = value;
	}

	public int pop() {
		if (size == 0) {    //size已经指向索引0,不能再往下了
			throw new IndexOutOfBoundsException("栈已空");
		}
		return arr[--size];
	}

	public int peek() {
		if (size == 0) {
			throw new IndexOutOfBoundsException("栈已空");
		}
		int index = size - 1;
		return arr[index];
	}
	
	public boolean isEmpty(){
		return size==0;
	}
	
	public int size() {
		return size;
	}
}

2. 利用数组实现一个循环队列(先进先出)

辅助数组arr,指向待删除节点位置的头指针front,指向待插入位置的尾指针rear,循环队列的最大容量maxSize。

队列的常用操作:入队列enQueue(),出队列deQueue(),获取队列实际容量或者元素个数size(),判空isEmpty(),返回队列头指针getHead()

2.1 构造循环队列时可指定最大容量,利用构造方法。

2.2 为了判断队列满还是空,牺牲了一个存储单元。

(rear+1)% maxSize = front,即rear的下一个位置就是front,追上front,表示队列已满。此时牺牲的单元就是rear指向的单元。enQueue()时需要判断队列是否满,有地儿则入队列,rear = (rear+1)%maxSize,因为是循环队列,有可能回到0重新开始。

front = rear ,front追上rear,表示队列空,待删除的位置就是待插入的位置,没得删啊。deQueue()时需要判断队列是否为空,有值则出队列,front=(front+1)%maxSize,同样因为是循环队列的原因。

2.3 获取当前循环队列大小(元素个数)时,别忘了(rear-front+maxSize)%maxSize,因为rear-front有可能为负数。

public class ArrImplCirQueue {

	private int[] arr;

	private int front = 0;                   //指向队头元素(待删除位置)

	private int rear = 0;                    //指向队尾元素下一个位置(待插入位置)

	public int maxSize = 15;                 //循环队列默认大小

	public ArrImplCirQueue(int maxSize) {
		this.maxSize = maxSize;
		arr = new int[maxSize];              //构造指定大小的循环队列
	}

	//入队
	public boolean enQueue(int value) {      
		if (front == (rear+1) % maxSize) {   //rear下一个位置就是front,表示队列已满
			System.out.println("循环队列已满");
			return false;
		}
		arr[rear] = value;                   //元素插入队尾
		rear = (rear + 1) % maxSize;         //指向下一个待插入位置,有可能从0位置继续入队
		return true;
	}

	//出队
	public int deQueue() {
		if (front == rear) {                 //待删除位置就是待插入位置,没得删
			System.out.println("循环队列已空");
			return -1;
		}
		int item = arr[front];               
		arr[front] = 0;                      //删除元素置为0即可
		front = (front + 1) % maxSize;       //指向待删除元素,有可能从0位置继续出队
		return item;
	}
	
	//返回队头元素
	public int getHead(){
		if (front == rear) {                 
			System.out.println("循环队列已空");
			return -1;
		}
		return arr[front];
	}

	//判空
	public boolean isEmpty() {
		return front == rear;
	}

	//当前长度(元素个数)
	public int size() {
		return (rear - front + maxSize) % maxSize;  //不加maxSize有可能为负数
	}

}

3. 自定义一个链表

单链表由一个个节点连接而成。节点listNode:数据域data,指向下一个节点的next指针域。访问权限为default(同包下能访问就行),这里让数据域能存放任意类型的节点。

public class ListNode{
	
	//数据
	Object data;    //default,包权限
	//下一个节点
	ListNode next;
}

链表包含元素:头节点first,尾节点last,长度size。

链表的常用操作:插入addNode(),删除deleteNode(),判空isEmpty(),获取链表实际长度size(),获取头节点getFist(),获取尾节点getLast()几大功能。

3.1 addNode()时传的是数据,需要先构建一个节点出来,然后判断头节点first是否还是默认初始值null,是的话将first指向新节点,否则直接插在last后面,并且将last指向当前新节点。size还别忘了++。

3.2 deleteNode()比较麻烦,因为需要找到链表的倒数第二个节点,并将其next置null。只能根据头节点first依次遍历到倒数第二个节点(其next=last),先将last节点数据保存下来,将倒数第二个节点next置null,并将last指向它。size别忘了--。

public class MyList {
	
	//头节点
	private ListNode first;
	//尾节点
	private ListNode last; 
	//链表长度
	private int size;
	
	//添加
	public void addNode(Object item){ 
		//创建新节点
		ListNode nn = new ListNode();        
		//数据域
		nn.setData(item);
		//链表为空,第一次添加节点(头节点指向它)
		if(first == null){
			first = nn;
		}else{
			//尾节点指向当前新添加的节点
			last.setNext(nn);
		}
		//当前节点为新的尾节点
		last = nn;
		size++;
	}
	
	//删除单链表的最后一个节点(单链表只能从前往后遍历到倒数第二个节点,删除最后一个节点)
	public Object deleteNode(){
		ListNode tempNode = first;
		//头节点不为空,链表存在节点,遍历到倒数第二个节点为止
		while(tempNode!=null && tempNode.getNext()!=last){
			tempNode = tempNode.getNext();
		}	
		//返回尾节点的数据
		Object item = last.getData();
		//倒数第二个节点的next为空
		tempNode.setNext(last.getNext());
		//倒数第二个节点为尾节点
		last = tempNode;
		size--;
		return item;
	}
	
	//判空
	public boolean isEmpty(){
		return size==0;
	}
	
	//长度
	public int size(){
		return size;
	}
	
	//返回头节点
	public ListNode getFirst(){
		return first;
	}
	
	//返回尾节点
	public ListNode getLast(){
		return last;
	}
}

4. 反转一个链表(只给头节点head)

输出反转后链表的头节点(原链表的尾节点)。

拿到题目首先思考测试用例,再动手写代码。

4.1 特殊情况:头节点为null,只有一个节点,那直接返回头节点就行了丫。多省事。

4.2 一般情况:链表有多个节点。实现反转,也就是将每个当前节点的next指向其前一个节点,此时原链(指向其后一个节点)会断开,所以需要一个later指针出手,先记录下来。为了方便,当前节点的前一个节点也用pre标记着,只不过初始时赋值为null,因为反转后头节点head就是尾节点,其next就是null丫。

当later不为null时,就依次将当前节点mid的next指向pre节点,pre,当前指针mid,later依次后移,继续反转。

最后一次,later为null,当前节点的next还没指向倒数第二个节点,需要补充处理一下。

	//反转链表:只给此链表的头节点
	public static ListNode reverseList(ListNode head){
		//边界情况,头节点为空和链表只有一个节点,无需反转,直接返回头节点即可
		if(head==null || head.next==null){
			return head;
		}
		//初始时,头节点的next置空,当前节点为头节点,下一个节点要处理的节点为头节点的下一个节点
		//pre--mid--lat
		ListNode pre = null;
		ListNode mid = head;
		ListNode lat = head.next;
		while(lat!=null){      //当前节点已经是尾节点,但是还没有断链
			mid.next = pre;    //当前节点的下一个节点为前一个节点,断链
			pre = mid;         //当前节点归为前面已经反转好的节点
			mid = lat;         //待处理节点为当前节点的下一个节点
			lat = lat.next;    //待处理节点的下一个节点(用于判断是否到达尾节点)
		}
		mid.next = pre;        //处理原链表的最后一个节点
		return mid;
	}

5. 通过一次迭代:O(n) 找到LinkedList的中间元素

分析:单链表,要想获取长度,只能依次遍历到链表末尾。

           两个指针,指针p每次前进2时,指针q才前进1。当p到达链表末尾的时候,q刚好就是中间节点。

//假设链表非空
public static void main(String[] args) {
		
		MyList mList = new MyList();
		mList.addNode(1);
		mList.addNode(2);
		mList.addNode(3);
		mList.addNode(4);
		ListNode head = mList.getFirst();
		ListNode pListNode = head;
		ListNode qListNode = head;
		int len = 0;
		while(pListNode.next!=null){
			pListNode = pListNode.getNext();
			len++;
			if(len%2==0){
				qListNode = qListNode.getNext();
			}
		}
		len++;   //len从第二个节点开始加,所以长度要加上头节点
		System.out.println("链表的长度为:"+len);
		System.out.println("中间节点为:"+qListNode.toString());		
	}

 

  • 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
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