第九周项目3 稀疏矩阵的三元组表示的实现及应用(1)

问题及代码:

[cpp]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. /* 
  2. Copyright (c)2016,烟台大学计算机与控制工程学院 
  3. All rights reserved. 
  4. 文件名称:fangzhou.cbp 
  5. 作    者:吕方舟
  6. 完成日期:2016年11月10日 
  7. 版 本 号:v1.0 
  8. 问题描述:(1)建立稀疏矩阵三元组表示的算法库,包括:   
  9.   
  10. ① 头文tup.h,定义数据类型,声明函数;   
  11.   
  12. ② 源文件tup.cpp,实现稀疏矩阵三元组表示的基本运算,主要算法包括:  
  13.     void CreatMat(TSMatrix &t,ElemType A[M][N]);  //从一个二维稀疏矩阵创建其三元组表示  
  14.     bool Value(TSMatrix &t,ElemType x,int i,int j);  //三元组元素赋值  
  15.     bool Assign(TSMatrix t,ElemType &x,int i,int j);  //将指定位置的元素值赋给变量  
  16.     void DispMat(TSMatrix t); //输出三元组  
  17.     void TranTat(TSMatrix t,TSMatrix &tb);//矩阵转置  
  18.   
  19. ③ 设计main函数,测试上面实现的算法    
  20. 输入描述:无  
  21. 程序输出:测试数据  
  22. */    
  23. tup.h:
  24. #ifndef TUP_H_INCLUDED  
    #define TUP_H_INCLUDED  
      
    #define M 6  
    #define N 7  
    #define MaxSize  100         //矩阵中非零元素最多个数  
    typedef int ElemType;  
      
    typedef struct  
    {  
        int r;                  //行号  
        int c;                  //列号  
        ElemType d;             //元素值  
    } TupNode;                  //三元组定义  
      
    typedef struct  
    {  
        int rows;               //行数  
        int cols;               //列数  
        int nums;               //非零元素个数  
        TupNode data[MaxSize];  
    } TSMatrix;                 //三元组顺序表定义  
      
    void CreatMat(TSMatrix &t,ElemType A[M][N]);  //从一个二维稀疏矩阵创建其三元组表示  
    bool Value(TSMatrix &t,ElemType x,int i,int j);  //三元组元素赋值  
    bool Assign(TSMatrix t,ElemType &x,int i,int j); //将指定位置的元素值赋给变量  
    void DispMat(TSMatrix t);//输出三元组  
    void TranTat(TSMatrix t,TSMatrix &tb);//矩阵转置  
      
    #endif // TUP_H_INCLUDED  
    

  25. tup.cpp:
  26. #include "stdio.h"  
    #include "tup.h"  
      
    void CreatMat(TSMatrix &t,ElemType A[M][N])  //从一个二维稀疏矩阵创建其三元组表示  
    {  
        int i,j;  
        t.rows=M;  
        t.cols=N;  
        t.nums=0;  
        for (i=0; i<M; i++)  
        {  
            for (j=0; j<N; j++)  
                if (A[i][j]!=0)     //只存储非零元素  
                {  
                    t.data[t.nums].r=i;  
                    t.data[t.nums].c=j;  
                    t.data[t.nums].d=A[i][j];  
                    t.nums++;  
                }  
        }  
    }  
      
    bool Value(TSMatrix &t,ElemType x,int i,int j)  //三元组元素赋值  
    {  
        int k=0,k1;  
        if (i>=t.rows || j>=t.cols)  
            return false;               //失败时返回false  
        while (k<t.nums && i>t.data[k].r) k++;                  //查找行  
        while (k<t.nums && i==t.data[k].r && j>t.data[k].c) k++;//查找列  
        if (t.data[k].r==i && t.data[k].c==j)   //存在这样的元素  
            t.data[k].d=x;  
        else                                    //不存在这样的元素时插入一个元素  
        {  
            for (k1=t.nums-1; k1>=k; k1--)  
            {  
                t.data[k1+1].r=t.data[k1].r;  
                t.data[k1+1].c=t.data[k1].c;  
                t.data[k1+1].d=t.data[k1].d;  
            }  
            t.data[k].r=i;  
            t.data[k].c=j;  
            t.data[k].d=x;  
            t.nums++;  
        }  
        return true;                        //成功时返回true  
    }  
      
    bool Assign(TSMatrix t,ElemType &x,int i,int j)  //将指定位置的元素值赋给变量  
    {  
        int k=0;  
        if (i>=t.rows || j>=t.cols)  
            return false;           //失败时返回false  
        while (k<t.nums && i>t.data[k].r) k++;                  //查找行  
        while (k<t.nums && i==t.data[k].r && j>t.data[k].c) k++;//查找列  
        if (t.data[k].r==i && t.data[k].c==j)  
            x=t.data[k].d;  
        else  
            x=0;                //在三元组中没有找到表示是零元素  
        return true;            //成功时返回true  
    }  
      
    void DispMat(TSMatrix t)        //输出三元组  
    {  
        int i;  
        if (t.nums<=0)          //没有非零元素时返回  
            return;  
        printf("\t%d\t%d\t%d\n",t.rows,t.cols,t.nums);  
        printf("\t------------------\n");  
        for (i=0; i<t.nums; i++)  
            printf("\t%d\t%d\t%d\n",t.data[i].r,t.data[i].c,t.data[i].d);  
    }  
      
    void TranTat(TSMatrix t,TSMatrix &tb)       //矩阵转置  
    {  
        int p,q=0,v;                    //q为tb.data的下标  
        tb.rows=t.cols;  
        tb.cols=t.rows;  
        tb.nums=t.nums;  
        if (t.nums!=0)                  //当存在非零元素时执行转置  
        {  
            for (v=0; v<t.cols; v++)        //tb.data[q]中的记录以c域的次序排列  
                for (p=0; p<t.nums; p++)    //p为t.data的下标  
                    if (t.data[p].c==v)  
                    {  
                        tb.data[q].r=t.data[p].c;  
                        tb.data[q].c=t.data[p].r;  
                        tb.data[q].d=t.data[p].d;  
                        q++;  
                    }  
        }  
    }  
    

  27. main.cpp:
  28. #include <stdio.h>  
    #include "tup.h"  
    int main()  
    {  
        TSMatrix t,tb;  
        int x,y=10;  
        int A[6][7]=  
        {  
            {0,0,1,0,0,0,0},  
            {0,2,0,0,0,0,0},  
            {3,0,0,0,0,0,0},  
            {0,0,0,5,0,0,0},  
            {0,0,0,0,6,0,0},  
            {0,0,0,0,0,7,4}  
        };  
        CreatMat(t,A);  
        printf("b:\n");  
        DispMat(t);  
        if (Assign(t,x,2,5)==true)  //调用时返回true  
            printf("Assign(t,x,2,5)=>x=%d\n",x);  
        else  //调用时返回false  
            printf("Assign(t,x,2,5)=>参数错误\n");  
        Value(t,y,2,5);  
        printf("执行Value(t,10,2,5)\n");  
        if (Assign(t,x,2,5)==true)  //调用时返回true  
            printf("Assign(t,x,2,5)=>x=%d\n",x);  
        else  //调用时返回false  
            printf("Assign(t,x,2,5)=>参数错误\n");  
        printf("b:\n");  
        DispMat(t);  
        TranTat(t,tb);  
        printf("矩阵转置tb:\n");  
        DispMat(tb);  
        return 0;  
    }  
    运行结果:

  29. 知识点总结:
  30. 系数矩阵三元组的表实际应用。
  31. 学习心得:
  32. 学习建立了稀疏矩阵三元组表示的算法库。


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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