判点在直线上,三角形内

判断点在直线上,需要满足两个条件,如判断Q点是否在线段p1p2上

1:(Q-P1)X(P2-P1)=0;//叉乘为0

2:Q在以P1,P2为对角顶点的矩形内//保证点Q不在线段P1P2的延长线或反向延长线上

判断点在三角形内:

如果点P在三角形内,那么Spab+Spac+Spbc=Sabc

三角形面积公式由叉积给出 S=1/2×|crossProduct(a,b,c)|;

这种方法有浮点误差

另一种是沿三角形的边顺时针方向,判断P点是否在每条边的右边,如果是,就在三角形内

此法没有浮点误差

下面只给出了有浮点误差的

#include <stdio.h>
#include <math.h>
#include <iostream>
#include <algorithm>

#define eps 1e-8
using namespace std;

typedef struct node
{
    double x,y;
}point;

typedef struct triangle
{
    point A;
    point B;
    point C;
};

double crossProduct(point p1,point p2,point p0)//(p1-p0)X(p2-p0)
{
    double x1,x2,y1,y2;
    x1=p1.x-p0.x;
    y1=p1.y-p0.y;
    x2=p2.x-p0.x;
    y2=p2.y-p0.y;
    return x1*y2-x2*y1;
}

bool inTriangle(triangle t,point P)
{
    point A,B,C;
    A=t.A;
    B=t.B;
    C=t.C;
    double Sabc=fabs(crossProduct(A,B,C));printf("abc:%lf ",Sabc);
    double Spab=fabs(crossProduct(P,A,B));printf("pab:%lf ",Spab);
    double Spac=fabs(crossProduct(P,A,C));printf("pac:%lf ",Spac);
    double Spbc=fabs(crossProduct(P,B,C));printf("pbc:%lf ",Spbc);
    if(fabs(Sabc-(Spab+Spac+Spbc))<eps)
        return true;
    else
        return false;
}

bool onSegment(point Pi,point Pj,point Q)
{
    if((Q.x-Pi.x)*(Pj.y-Pi.y)==(Pj.x-Pi.x)*(Q.y-Pi.y)&&//x1*y2=x2*y1
    min(Pi.x,Pj.x)<=Q.x&&Q.x<=max(Pi.x,Pj.x)&&
    min(Pi.y,Pj.y)<=Q.y&&Q.y<=max(Pi.y,Pj.y))
        return true;
    else
        return false;
}

int main()
{
    point p,q,r,s;
    scanf("%lf%lf%lf%lf",&p.x,&p.y,&q.x,&q.y);//segment p--q
    scanf("%lf%lf",&r.x,&r.y);//point r
    scanf("%lf%lf",&s.x,&s.y);//point s
    if(onSegment(p,q,r))
    {
        printf("YES\n");
    }
    else
    {
        printf("NO\n");
    }

    triangle t;
    t.A=p;
    t.B=q;
    t.C=r;

    if(inTriangle(t,s))
    {
        printf("YES\n");
    }
    else
    {
        printf("NO\n");
    }

    return 0;
}
View Code

转载于:https://www.cnblogs.com/ccccnzb/p/3858108.html

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