90. 子集 II

在这里插入图片描述
解法:回溯算法

class Solution {   
public:
    vector<vector<int>> res;    //保存结果
    
    void backtrack(vector<int>& nums,vector<int> track,int start){
        sort(track.begin(),track.end());    //排序
        if(find(res.begin(),res.end(),track)==res.end()) //若结果中不包含就加入
            res.push_back(track);
        for(int i=start;i<nums.size();i++){ //选择路径
            track.push_back(nums[i]);       //做选择
            backtrack(nums,track,i+1);
            track.pop_back();               //撤销选择
        }
    }

    vector<vector<int>> subsetsWithDup(vector<int>& nums) {      
        vector<int> track;  //路径
        backtrack(nums,track,0);
        return res;
    }
};

优化:枝剪
在这里插入图片描述
以 [1, 2, 2’]为例
如果按照子集的剪枝方案将会得到的非空子集为: [[1],[1,2],[1,2,2’],[1,2’],[2],[2,2’],[2’]]
1.出现重复解的为 [2] [2’] 和 [1, 2] [1, 2’]
2.观察选取到重复的解的特点, 重复的解是因为有 2 个或以上个相同的元素(如 2,2’)在同一层回溯过程中被分别选择, 作为最终解的一部分了
3.要在回溯过程中区分出来这种数值相同的情况(就是要区分出来 2 == 2’)
4.因为输入数据已经经过排序, 所以一种显而易见的做法就是在回溯时, 检查当前元素是否和上一个元素相同,即 nums[i - 1] == nums[i] 如果发现和上一个相同了就饿可以直接跳过(如 nums = [1, 2, 2’] nums[1] == nums[2], nums[2] 就直接跳过了)
5.需要注意的是 nums[i - 1] == nums[i] 的作用是在递归树的同一层上的, 也就是防止 nums = [1, 2, 2’] 出现 [1, 2], [1, 2’] 两个重复的解 (即: 通过 nums[1] == nums[2]: continue 进行的剪枝)
6.而解 [1, 2, 2’] 实际中的 2, 2’ 是位于递归树的不同层级的, 也就是剪枝要从每一层的第二个元素开始, 所以还要增加一个 i > start 或者 i != start
7.最终相对于子集 的思路就是要增加一个 i > start && nums[i - 1] == nums[i] 或 i != start && nums[i - 1] == nums[i] 的剪枝

class Solution {   
public:
    vector<vector<int>> res;    //保存结果
    
    void backtrack(vector<int>& nums,vector<int> track,int start){
        res.push_back(track);
        for(int i=start;i<nums.size();i++){ //选择路径
            if(i>start && nums[i]==nums[i-1])   //枝剪:i>start防止越界,前面先进行了排序
                continue;
            track.push_back(nums[i]);       //做选择
            backtrack(nums,track,i+1);
            track.pop_back();               //撤销选择
        }
    }

    vector<vector<int>> subsetsWithDup(vector<int>& nums) { 
        sort(nums.begin(),nums.end());    //排序,为了后面枝剪    
        vector<int> track;  //路径
        backtrack(nums,track,0);
        return res;
    }
};
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在信号处理领域,DOA(Direction of Arrival)估计是一项关键技术,主要用于确定多个信号源到达接收阵列的方向。本文将详细探讨三种ESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques)算法在DOA估计中的实现,以及它们在MATLAB环境中的具体应用。 ESPRIT算法是由Paul Kailath等人于1986年提出的,其核心思想是利用阵列数据的旋转不变性来估计信号源的角度。这种算法相比传统的 MUSIC(Multiple Signal Classification)算法具有较低的计算复杂度,且无需进行特征值分解,因此在实际应用中颇具优势。 1. 普通ESPRIT算法 普通ESPRIT算法分为两个主要步骤:构造等效旋转不变系统和估计角度。通过空间平移(如延时)构建两个子阵列,使得它们之间的关系具有旋转不变性。然后,通过对子阵列数据进行最小二乘拟合,可以得到信号源的角频率估计,进一步转换为DOA估计。 2. 常规ESPRIT算法实现 在描述中提到的`common_esprit_method1.m`和`common_esprit_method2.m`是两种不同的普通ESPRIT算法实现。它们可能在实现细节上略有差异,比如选择子阵列的方式、参数估计的策略等。MATLAB代码通常会包含预处理步骤(如数据归一化)、子阵列构造、旋转不变性矩阵的建立、最小二乘估计等部分。通过运行这两个文件,可以比较它们在估计精度和计算效率上的异同。 3. TLS_ESPRIT算法 TLS(Total Least Squares)ESPRIT是对普通ESPRIT的优化,它考虑了数据噪声的影响,提高了估计的稳健性。在TLS_ESPRIT算法中,不假设数据噪声是高斯白噪声,而是采用总最小二乘准则来拟合数据。这使得算法在噪声环境下表现更优。`TLS_esprit.m`文件应该包含了TLS_ESPRIT算法的完整实现,包括TLS估计的步骤和旋转不变性矩阵的改进处理。 在实际应用中,选择合适的ESPRIT变体取决于系统条件,例如噪声水平、信号质量以及计算资源。通过MATLAB实现,研究者和工程师可以方便地比较不同算法的效果,并根据需要进行调整和优化。同时,这些代码也为教学和学习DOA估计提供了一个直观的平台,有助于深入理解ESPRIT算法的工作原理。
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