33. Search in Rotated Sorted Array

Suppose an array sorted in ascending order is rotated at some pivot unknown to you beforehand.

(i.e., [0,1,2,4,5,6,7] might become [4,5,6,7,0,1,2]).

You are given a target value to search. If found in the array return its index, otherwise return -1.

You may assume no duplicate exists in the array.

Your algorithm’s runtime complexity must be in the order of O(log n).

Example 1:

Input: nums = [4,5,6,7,0,1,2], target = 0
Output: 4
Example 2:

Input: nums = [4,5,6,7,0,1,2], target = 3
Output: -1

来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/search-in-rotated-sorted-array
著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。

class Solution {
    public int search(int[] nums, int target) {
        int left = 0;
        int right = nums.length-1;
        int mid = (left + right)>>>1;
        while(left <= right){
            if(nums[mid]==target)   return mid;
            
            if(nums[left] <= nums[mid]){//左边升序
                if(target>=nums[left] && target<nums[mid]){//在左边
                    right = mid-1;
                }else{
                    left = mid+1;
                }
            }else{//右边升序
                if(target>nums[mid] && target<=nums[right]){//在右边
                    left = mid+1;
                }else{
                    right = mid-1;
                }
            }

            mid = (left+right)>>>1;
        }
        return -1;
    }
}
主要内容:本文详细介绍了一种QRBiLSTM(分位数回归双向长短期记忆网络)的时间序列区间预测方法。首先介绍了项目背景以及模型的优势,比如能够有效利用双向的信息,并对未来的趋势上限和下限做出估计。接着从数据生成出发讲述了具体的代码操作过程:数据预处理,搭建模型,进行训练,并最终可视化预测结果与计算分位数回归的边界线。提供的示例代码可以完全运行并且包含了数据生成环节,便于新手快速上手,深入学习。此外还指出了模型未来发展的方向,例如加入额外的输入特性和改善超参数配置等途径提高模型的表现。文中强调了时间序列的标准化和平稳检验,在样本划分阶段需要按时间序列顺序进行划分,并在训练阶段采取合适的手段预防过度拟合发生。 适合人群:对于希望学习和应用双向长短时记忆网络解决时序数据预测的初学者和具有一定基础的研究人员。尤其适用于有金融数据分析需求、需要做多一步或多步预测任务的从业者。 使用场景及目标:应用于金融市场波动预报、天气状况变化预测或是物流管理等多个领域内的决策支持。主要目的在于不仅能够提供精确的数值预计还能描绘出相应的区间概率图以增强结论置信程度。 补充说明:本教程通过一个由正弦信号加白噪构造而成的简单实例来指导大家理解和执行QRBiLSTM流程的所有关键步骤,这既方便于初学者跟踪学习,又有利于专业人士作为现有系统的补充参考工具。
在Python中,并没有一个内建函数或方法叫做`.minimum_rotated_rectangle`。不过,如果你是在图像处理或计算机视觉的上下文中提到这个术语,可能是你在使用某个库或框架时接触到的函数或方法,它用于计算并返回最小旋转矩形。 在OpenCV库中,可以使用`minAreaRect()`函数来找到给定点集的最小旋转矩形。这个函数返回一个`RotatedRect`对象,包含了旋转矩形的中心点、宽度、高度以及旋转角度。最小旋转矩形是能够覆盖所有点且面积最小的矩形。 以下是一个使用OpenCV实现最小旋转矩形的例子: ```python import cv2 import numpy as np # 假设points是一个二维点集,例如 [[x1, y1], [x2, y2], ..., [xn, yn]] points = np.array([[10, 10], [10, 30], [30, 30], [30, 10]], dtype=np.float32) # 使用minAreaRect函数计算最小旋转矩形 rect = cv2.minAreaRect(points) # 输出旋转矩形的中心点、尺寸和旋转角度 print("旋转矩形的中心点:", rect[0]) print("旋转矩形的尺寸:", rect[1]) print("旋转矩形的角度:", rect[2]) # 绘制旋转矩形 box = cv2.boxPoints(rect) box = np.int0(box) cv2.drawContours(image, [box], 0, (0, 255, 0), 2) ``` 在这段代码中,首先创建了一个点集`points`,然后使用`minAreaRect()`函数计算出最小旋转矩形。`rect[0]`是旋转矩形的中心,`rect[1]`是旋转矩形的尺寸(宽度和高度),`rect[2]`是旋转矩形的角度。最后,使用`boxPoints()`函数和`drawContours()`函数将旋转矩形绘制到图像上。
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