290. Word Pattern

本文介绍了一种基于字符串的模式匹配算法实现,通过将输入字符串分解为数组并利用两种不同的方法——简单版匹配与使用map建立key-value关系——来判断字符串是否遵循给定的模式。这两种方法均可用于解决模式匹配问题,但后者通过引入map提高了匹配的准确性和效率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Given a pattern and a string str, find if str follows the same pattern.

Here follow means a full match, such that there is a bijection between a letter in pattern and a non-empty word in str.

Examples:

  1. pattern = "abba", str = "dog cat cat dog" should return true.
  2. pattern = "abba", str = "dog cat cat fish" should return false.
  3. pattern = "aaaa", str = "dog cat cat dog" should return false.
  4. pattern = "abba", str = "dog dog dog dog" should return false.

Notes:
You may assume pattern contains only lowercase letters, and str contains lowercase letters separated by a single space.

简单版:将str分开,存入数组,再进行pattern循环匹配。

class Solution {
public:
    bool wordPattern(string pattern, string str) {
        vector<string>str_list;
        string tmp_s="";
        int n=0;
        while(true){
            n=str.find(" ");
            if(n<0){
                tmp_s=str.substr(0,str.length());
                str_list.push_back(tmp_s);
                break;
            }
            tmp_s=str.substr(0,n);
            str.erase(0,n+1);
            str_list.push_back(tmp_s);
        }
        int len=pattern.length();
        if(len!=str_list.size())
            return false;
        for(int i=0;i<len;i++){
            for(int j=i+1;j<len;j++){
                    if(pattern[i]==pattern[j]){
                        if(str_list[i]!=str_list[j]){
                            return false;
                        }
                    }else{
                        if(str_list[i]==str_list[j]){
                            return false;
                        }
                    }
            }
        }
        return true;
    }
};
使用map,建立key-value关系,若key存在则比较值,由于map不能按值查找,所以要对不存在的key查找是否值已经存在,这样效率并不是减少太多
class Solution {
public:
    bool wordPattern(string pattern, string str) {
        vector<string>str_list;
        string tmp_s="";
        int n=0;
        while(true){
            n=str.find(" ");
            if(n<0){
                tmp_s=str.substr(0,str.length());
                str_list.push_back(tmp_s);
                break;
            }
            tmp_s=str.substr(0,n);
            str.erase(0,n+1);
            str_list.push_back(tmp_s);
        }
        int len=pattern.length();
        if(len!=str_list.size())
            return false;
        map<char,string> maplist;
        for(int i=0;i<len;i++){
            bool it=maplist.count(pattern[i]);
            if(it){
                if(str_list[i]!=maplist[pattern[i]])
                    return false;
            }else{
                for(map<char,string>::iterator it=maplist.begin();it!=maplist.end();it++){
                    if(it->second==str_list[i])
                        return false;
                }
                maplist.insert(pair<char,string>(pattern[i],str_list[i]));
            }
        }
        return true;
    }
};



### MATLAB中基于图像特征匹配的模式识别函数优化方法 为了提高MATLAB中基于图像特征匹配的模式识别函数性能,可以从以下几个方面入手: #### 1. 特征提取算法的选择 选择更高效的特征描述符可以显著提升模式识别的效果。常用的特征描述符有SIFT (Scale-Invariant Feature Transform)[^2] 和 SURF (Speeded-Up Robust Features)[^3]。这些算法能够更好地捕捉图像中的局部不变性特征。 对于英文印刷字符识别任务,还可以考虑使用 ORB (Oriented FAST and Rotated BRIEF),它是一种快速且计算成本较低的特征检测器和描述子组合[^4]。 ```matlab % 使用ORB特征检测与匹配 detector = 'ORB'; [featuresA, pointsA] = extractFeatures(imageA, detector); [featuresB, pointsB] = extractFeatures(imageB, detector); indexPairs = matchFeatures(featuresA, featuresB); matchedPointsA = pointsA(indexPairs(:,1), :); matchedPointsB = pointsB(indexPairs(:,2), :); ``` #### 2. 数据预处理 数据的质量直接影响到最终的结果。可以通过增强对比度、去除噪声以及标准化大小来改善输入图像质量。例如,在读取图像之后应用直方图均衡化或者自适应阈值处理[^5]。 ```matlab % 图像预处理示例 enhancedImage = adapthisteq(grayImage); % 自适应直方图均衡化 denoisedImage = medfilt2(enhancedImage); % 中值滤波去噪 normalizedImage = imresize(denoisedImage, [fixedHeight fixedWidth]); % 尺寸归一化 ``` #### 3. 训练模型参数调整 如果采用的是监督学习的方法,则需要仔细调节分类器或回归模型的相关超参数。比如支持向量机(SVM) 的核函数类型及其对应的gamma值[C值][^6];随机森林(Random Forests) 的树的数量及最大深度等设置都会影响预测精度。 另外也可以尝试集成多种不同的弱分类器形成强分类器的方式如AdaBoost 或 Gradient Boosting Decision Trees(GBDT)[^7] 来进一步提升泛化能力。 #### 4. 并行计算加速 利用多核心处理器的优势通过并行运算加快程序执行速度是一个不错的选择。Matlab 提供了 Parallel Computing Toolbox 可以方便地实现这一点[^8]。 ```matlab parfor i=1:numImages processedImg{i} = preprocess(imgBatch{i}); end ``` 综上所述,通过对上述几个方面的改进可以使基于MATLAB开发出来的针对英文打印字体进行自动辨别的应用程序更加高效稳定可靠[^9]。
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