- 博客(31)
- 收藏
- 关注
RSS订阅原创 C++——合并K个升序链表leetcode23
使用归并排序中的合并步骤，写一个merge函数用于合并两个有序链表，并返回合并后的链表头部。对原vector，每次迭代都合并相邻的两个，如果最后剩下一个，就单着等下一轮，每次合并后，都把合并后的链表头部赋值给合并的第一个链表的vector位置，然后erase第二个，重复直到vector的size为1。输入：lists = [[1,4,5],[1,3,4],[2,6]]请你将所有链表合并到一个升序链表中，返回合并后的链表。给你一个链表数组，每个链表都已经按升序排列。输出：[1,1,2,3,4,4,5,6]
2024-07-09 13:09:44
190
原创 C++——二叉树的层序遍历leetcode102
使用一个队列（先入先出），每次循环取出上面一整层，然后存放下面一整层，也就是嵌套一个循环，广度优先搜索，给你二叉树的根节点 root ，返回其节点值的 层序遍历。（即逐层地，从左到右访问所有节点）。输出：[[3],[9,20],[15,7]]也就是需要把是哪一层都标出来。
2024-07-09 01:11:45
178
原创 C++——二叉树的直径leetcode543
迭代，考虑写一个函数depth，输入二叉树中某个位置节点，返回以该节点为开始的最大长度，即向左或向右的最大深度，包括该节点。同时全局维护一个变量ans代表当前子树下的二叉树最大直径，则穿过该节点的二叉树最大直径为L+R，其中L为该节点左边不包括该节点的节点数，R为该节点右边不包括该节点的节点数。而ans=max(ans, L+R)二叉树的 直径 是指树中任意两个节点之间最长路径的 长度。给你一棵二叉树的根节点，返回该树的 直径。两节点之间路径的 长度 由它们之间边数表示。
2024-07-08 23:42:13
285
原创 C++——对称二叉树leetcode101
递归判断，写一个sym函数，输入未left和right两个节点，分别为二叉树沿轴对称位置处的两个节点，那么为轴对称的条件为：left和right节点的val相同，并且其下面层也是对称的，并且如果left和right均为空，则对称，有一个为空，则不对称。给你一个二叉树的根节点 root ， 检查它是否轴对称。
2024-07-08 13:18:37
151
原创 C++——LUR缓存leetcode148
使用双向链表来保存key和value，使用哈希表来保存key和对应的链表地址，从而可以O(1)差找和增加删除，初始化需要双向链表的头节点和尾节点，以及cache容量，并在类中实现moveToHead(将某个节点移动到链表头部，get或者put更新)、removeTali(删除最后的节点，put一个新的超容量)、addToHead(新建一个节点，并添加到头部，put一个新的未超容量)int get(int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -1。根据官方结题思路而来，
2024-07-07 18:45:17
219
原创 C++——排序链表leetcode148
每次排序的子链表的长度从1开始指导长度比链表的长度length更长，子链表merge时，每次merge两个子链表，如果长度在subLength之上就需要再向后进行新的一轮merge，merge函数就是正常的合并两个有序链表的函数，返回合并后的头节点，在合并之后判断后面是否还需要进行合并。给你链表的头结点 head ，请将其按 升序 排列并返回 排序后的链表。按照官方解题的思路，由下向上归并排序。
2024-07-07 16:53:26
132
原创 C++编译--Scons
（1）、Scons是一个开源由python脚本编程的下一代程序建造工具/编译工具，功能上类似GNU make，它采用不同于makefile文件的方式，而是使用SConstruct和SConscript文件系统来替代，这俩都是用python写的脚本。（2）、Scons中可能出现的文件：SConstruct, SConscript。（3）、SConstruct是scons的顶层配置文件(只有一个)。输入scons命令后，自动调用该脚本。
2024-06-16 01:22:22
710
原创 Linux——bash命令
在文件中存在Shebang的情况下，类Unix操作系统的程序加载器会分析Shebang后的内容，将这些内容作为解释器指令，并调用该指令，并将载有Shebang的文件路径作为该解释器的参数。source后的脚本不再是新开的子shell运行，source使得vars.sh中的每一行，都像是在父Shell中执行一样。会把多个命令组合起来，前一个命令的输出会变成后一个命令的输入，返回hcetutiy，一定要和||区分开。直接在Shell中赋值的变量，子进程不可见，而用export赋值的变量，子进程可见。
2024-06-04 23:38:02
1012
原创 深度学习——神经网络损失函数-持续更新
⑧REL系列：平均相对误差，REL的值表示平均相对误差的百分比，强调了深度估计的准确性。在pytorch中torch.nn.HuberLoss(reduction=‘mean’)，pytorch中的smoothL1好像也具有类似的功能，是一样的。③smooth L1损失函数：平滑之后的L1损失函数：分段函数，来消除L1的折点不光滑问题。对每个像素返回0或1，然后对整幅图取平均，其中 是给定的阈值通常为(1.25, 1.25^2, 1.25^3)。②L2损失函数：均方误差：是目标值与估计值的差值的平方和。
2024-06-04 23:34:37
105
原创 C++——最小覆盖子串leetcode76
使用左右双指针和哈希表，使用哈希表存储t中的字符出现次数，然后双指针表示滑窗边界，从左边开始，计算滑窗内部的s的哈希表，对应到t的哈希表，如果有不够的字符，就把right指针向右，如果够了，就计算长度，同时将left指针向右，缩小边界。如果 s 中不存在涵盖 t 所有字符的子串，则返回空字符串 “”。解释：最小覆盖子串 “BANC” 包含来自字符串 t 的 ‘A’、‘B’ 和 ‘C’。输入：s = “ADOBECODEBANC”, t = “ABC”输入：s = “a”, t = “a”
2024-06-04 23:32:15
262
原创 C++——K个一组翻转链表leetcode25
对于第一组子链表需要特殊处理，因为第一组子链表不需要把上一组的末尾赋给其开头，并且第一组的子链表翻转之后需要把新的链表头部保存下来。对于后面的子链表，每次翻转完之后，将上一组的末尾的next指向这一组的开头的节点，并更新末尾节点指针。给你链表的头节点 head ，每 k 个节点一组进行翻转，请你返回修改后的链表。输入：head = [1,2,3,4,5], k = 2。输入：head = [1,2,3,4,5], k = 3。输出：[2,1,4,3,5]输出：[3,2,1,4,5]
2024-06-04 23:31:23
211
原创 C++——随机链表的复制leetcode138
新节点的 next 指针和 random 指针也都应指向复制链表中的新节点，并使原链表和复制链表中的这些指针能够表示相同的链表状态。【思路来源于leetcode评论区】首先复制一份只有next，而random都为nullptr的链表，然后构造哈希表<Node*, Node*>分别存放原链表节点和新链表节点，最后遍历原链表节点，把根据原链表random对应的原链表节点找到新链表节点的random应该对应的新链表节点。输出：[[7,null],[13,0],[11,4],[10,2],[1,0]]
2024-06-04 23:31:08
239
原创 C++——合并两个有序链表leetcode21
将两个升序链表合并为一个新的 升序 链表并返回。新链表是通过拼接给定的两个链表的所有节点组成的。维护一个pre_Nod为dummy_head，表示新的链表的前一个节点，用于赋值next。循环遍历，直到两个链表有一个被遍历空，查看是哪个被遍历空，让pre_Node指向另一个。然后根据两个头节点值的大小可以得到最后的新的头节点newhead。输入：l1 = [1,2,4], l2 = [1,3,4]输入：l1 = [], l2 = [0]输入：l1 = [], l2 = []输出：[1,1,2,3,4,4]
2024-06-04 23:30:56
310
原创 C++——缺失的第一个正数leetcode41
目标值一定在[1,N+1]范围内，如果数组全部元素正好是1-N，那么需要的就是N+1。那么我们可以只关注数组中在[1,N+1]范围内的数，对于这里面的每个数，将其元素值在数组中对应的index做上标记，例如转为负数，那么首先需要处理数组中原始的负数，将原始的负数都设置为n+1不会影响结果。然后对于剩下的数，需要进行判断，如果在[1,N]之间，就把对应索引的数设置负，需要注意的是，如果有重复的数，不要重复变负，需要判断。解释：范围 [1,2] 中的数字都在数组中。输入：nums = [3,4,-1,1]
2024-06-04 23:30:44
177
原创 C++——滑动窗口最大值leetcode239
考虑使用优先队列（优先队列默认是会把最大值存放在堆顶，每次只能访问取出优先级最大，也就是值最大的那个元素，这样就默认排序了），先将第一个滑窗的都保存到优先队列中，然后每次向后移动时，添加一个元素，并且判断最大值的位置(优先队列保存值和索引)，如果位置超出左侧滑窗边界，那么就pop()最大值，一直到最大值的索引在滑窗内部，其他不影响结果的值就不用管。输入：nums = [1,3,-1,-3,5,3,6,7], k = 3。输入：nums = [1], k = 1。输出：[3,3,5,5,6,7]
2024-06-04 23:30:35
231
原创 C++——和为k的子数组leetcode560
为了减少时间复杂度。我们发现当遍历到nums[i]的时候，如果我们能够知道此时的前i项和sum_i，并且能够以O(1)查询前i-1个数字的前s项和【s=0~(i-1)】，那么当前所需的那个前s项和就等于sum_i-k。给你一个整数数组 nums 和一个整数 k ，请你统计并返回 该数组中和为 k 的子数组的个数。因此考虑用一个哈希表在遍历过程中添加前i项和数值以及出现的次数，并在遍历过程中判断。输入：nums = [1,1,1], k = 2。输入：nums = [1,2,3], k = 3。
2024-06-04 23:30:24
196
原创 C++——无重复字符的最长字串leetcode3
对于当前位置，使用一个right指针来判断后面的字符是否重复，使用一个哈希集合存储已经无重复的字符，如果无重复就一直向后添加，如果有重复的结束循环，说明right位置字符和前面的某个字串重复了，在哈希集合中删除第i个字符，换i++位置重复判断，不需要从头开始，还是从right位置开始。解释: 因为无重复字符的最长子串是 “abc”，所以其长度为 3。解释: 因为无重复字符的最长子串是 “wke”，所以其长度为 3。解释: 因为无重复字符的最长子串是 “b”，所以其长度为 1。输入: s = “bbbbb”
2024-06-04 23:30:07
318
原创 C++——接雨水leetcode42
判断：如果最低平面和左指针位置处的高度一致，那么就从左边往右开始找更高的（在找的过程中记录积累了多少水，因为找的过程中水平面一直是min_height，因此，积累的水就是水平面减去每个的高度），直到左边的高度高于原来min_height，再次判断左右哪边是最低的(回到循环开头)。解释：上面是由数组 [0,1,0,2,1,0,1,3,2,1,2,1] 表示的高度图，在这种情况下，可以接 6 个单位的雨水（蓝色部分表示雨水）。输入：height = [0,1,0,2,1,0,1,3,2,1,2,1]
2024-06-04 23:29:55
193
原创 C++——三数之和Leetcode15
给你一个整数数组 nums ，判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i!= k ，同时还满足 nums[i] + nums[j] + nums[k] == 0。此时再left++，right–，因此原本的nums[i]+nums[left]+nums[right]=0，所有left和right需要同时变化，同时外层循环退出条件需要注意left<right。输入：nums = [-1,0,1,2,-1,-4]输出：[[-1,-1,2],[-1,0,1]]
2024-06-04 23:29:32
224
原创 C++——最长连续序列Leetcode128
使用一个哈希集合保存nums的所有元素，for循环遍历nums判断哪个元素是一个递增序列的最后一个元素(即不存在该元素值-1的元素，如果是最后一个元素，进入训练依次判断是否有其值-1的元素，并维护递增长度len，在外层维护一个总长度max_len)解释：最长数字连续序列是 [1, 2, 3, 4]。输入：nums = [0,3,7,2,5,8,4,6,0,1]请你设计并实现时间复杂度为 O(n) 的算法解决此问题。输入：nums = [100,4,200,1,3,2]
2024-06-04 23:29:17
241
原创 C++——字母异位词组合
考虑使用一个哈希表，键为每个字符串经过sort之后的字符串(保证唯一性)，值为原来的字符串都存储在vector里面。输入: strs = [“eat”, “tea”, “tan”, “ate”, “nat”, “bat”]输出: [[“bat”],[“nat”,“tan”],[“ate”,“eat”,“tea”]]给你一个字符串数组，请你将 字母异位词 组合在一起。字母异位词 是由重新排列源单词的所有字母得到的一个新单词。输入: strs = [“a”]输出: [[“a”]]输出: [[“”]]
2024-06-04 23:29:03
272
原创 C++——常用的排序方法
n个元素的vector，需要排n-1次，每次比较前面的若干个，每次比较当前和下一个并判断是否需要交换，返回0 2 2 3 5 5 5 6 6 7 8 12 32 34 89。返回0 2 2 3 5 5 5 6 6 7 8 12 32 34 89。在vector中设置左指针和右指针，每次。
2024-06-04 23:28:47
660
原创 深度学习——神经网络的常用激活函数
激活函数将非线性引入到网络中，没有激活函数相当于原始的感知机，只有线性操作，近似为矩阵相乘操作，加入激活函数后可以更好地拟合非线性函数。
2024-05-06 15:54:04
573
原创 毫米波雷达——毫米波FMCW MIMO雷达测距、测速、测角
是快时间采样频率，当目标距离超过最大不模糊距离时，回波信号的中频信号频率会超过采样频率，根据采样定理，信号处理时会发生频谱混叠，ADC采样频率确定了我们希望看到的最大不模糊距离。对于相干雷达，通常采用测量相位差的方法来进行测速，当目标以恒定的速率沿某一方向运动时，由于其距离的变化，会引起接收信号相位的变化，发射天线连续发射多个chirp信号，测量接收信号的相位差为。FMCW雷达发射chirp信号，接收天线接收回波信号，通过将回波信号与某一距离下的参考信号进行混频，即可得到中频信号，
2024-04-29 13:35:49
1433
原创 深度学习——模型显存占用分析
GPU利用率类似cpu利用率，表示gpu核在进行计算操作，而显存类似于仓库，用于存放计算过程中的数据，每一个Float32数会占用4字节的显存，也就是4B的显存。
2024-04-28 22:47:07
244
原创 深度学习——神经网络模型运算量和参数量分析
Total params: 8,878,994——Total params是指模型中总参数个数，包括权重偏置等，而不考虑参数的具体数据类型和内存占用情况，只是简单地计算模型中所有参数的数量。Params size (MB): 33.87 模型大小：这个是模型保存的大小，目前模型多用floa32，一个数占用4字节，这个参数是指保存到电脑中的模型.pth文件的大小。total_params：8.920M——参数的个数，而不是占用的大小，如果模型都是float32参数，每个参数占用4字节。
2024-04-28 22:34:00
360
原创 毫米波雷达——毫米波阵列的MUSIC算法
MUSIC(Multiple Signal Classification)算法，即多信号分类算法，是一种基于子空间分解/矩阵特征空间分解的算法。MUSIC算法对DOA(波达方向)的估计有很高的分辨率。但是该算法的前提是入射信号（认为是不同角度目标的反射信号）必须是互不相干的。Plus：相干怎么处理？？？待补充信号处理的观测空间可以分解为信号子空间和噪声子空间，信号子空间和噪声子空间具有正交性。
2024-04-28 21:16:34
792
原创 毫米波雷达——AWR1843数据采集流程
接下来进入SensorConfig环节，点击左侧load config按钮，导入参数文件（这里选择1843sar2.xml），**这里也可以选择自己配置雷达参数，就不需要导入预先定义的参数了，也可以把自己配置的雷达参数导出为.xml文件方便下次使用。，切换到StaticConfig选项卡，首先勾选上所有的Tx Channel和Rx Channel，然后按照下图所示依次点击ADC Config Set，LP Mode Set，RF init三个按钮进行设置。以雷达平动测量为例，控制云台移动到一边。
2024-04-25 23:11:19
1753
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人