滑动窗口总结

一、滑动窗口解题模板

1.1 滑动窗口的逻辑 :

int left=0;
int right=0;
while(right<s.length()){
	//扩大窗口
	window.add(s[right])
	right++;
	while(){
		window.remove(s[remove]);
		left--;//缩小窗口
	}
}

1.2滑动窗口的解题模板

public void slidingWindow(string s, string t) {
        HashMap<Character,Integer> need=new HashMap<>();
        HashMap<Character,Integer> window=new HashMap<>();
        for(char ch:t.toCharArray()){
            need.put(ch,need.getOrDefault(ch,0)+1);
        }
        char chs[]=s.toCharArray();
        int left=0;
        int right=0;
        int valid=0;
        while(right<s.length()){
        	//c 是将移入窗口的字符
            char c=chs[right];
            //右移窗口
            right++;
            // 进行窗口内一系列数据的更新
            /*
             *
            */
			//判断做窗口是否需要收缩
            while(window needs shrink){
				//d 是将移出窗⼝的字符
                char d=chs[left];
                // 左移窗⼝
                left++;
				//窗口内数据的一系列更新
            	/*
             	 *
            	*/
            }
        }
    }

1.3滑动窗口思路介绍

1、我们在字符串 S 中使⽤双指针中的左右指针技巧,初始化 left = right = 0,把索引左闭右开区间[left, right) 称为⼀个「窗⼝」。
2、我们先不断地增加 right 指针扩⼤窗⼝ [left, right),直到窗⼝中的字符串符合要求(包含了 T 中的所有字符)。
3、此时,我们停⽌增加 right,转⽽不断增加 left 指针缩⼩窗⼝ [left, right),直到窗⼝中的字符串不再符合要求。同时,每次增加 left,我们都要更新⼀轮结果。
4、重复第 2 和第 3 步,直到 right 到达字符串 S 的尽头。

这个思路其实也不难,第 2 步相当于在寻找⼀个「可⾏解」,然后第 3 步在优化这个「可⾏解」,最终找到最优解,左右指针轮流前进,窗⼝⼤⼩增增减减,窗⼝不断向右滑动,这就是「滑动窗⼝」这个名字的来历。

1.4套用模板的步骤

  • 使用模板时需要填写三处两次的更新操作,和窗口收缩条件即可
  • 现在开始套模板,只需要思考以下四个问题:
    1、当移动 right 扩⼤窗⼝,即加⼊字符时,应该更新哪些数据?
    2、什么条件下,窗⼝应该暂停扩⼤,开始移动 left 缩⼩窗⼝?
    3、当移动 left 缩⼩窗⼝,即移出字符时,应该更新哪些数据?
    4、我们要的结果应该在扩⼤窗⼝时还是缩⼩窗⼝时进⾏更新?

1.5代码中需要注意的点:

1.getOrDefault(ch,0):如果map中含有key为ch的键值对,则这个函数值取它原本对应的value值,如果没有则取0.
2…使⽤ Java 的读者要尤其警惕语⾔特性的陷阱。Java 的 Integer,String 等类型判定相等应该⽤equals ⽅法⽽不能直接⽤等号 ==,这是 Java包装类的⼀个隐晦细节。所以在左移窗⼝更新数据的时候,不能直接改写为window.get(d)==need.get(d),⽽要⽤window.get(d).equals(need.get(d)),之后的题⽬代码同理。

二、滑动窗口例题

2.1最小覆盖子串

在这里插入图片描述

2.2字符串的排列

在这里插入图片描述

2.3找到字符串中所有字母异位词

在这里插入图片描述

2.4无重复字符的最长子串

在这里插入图片描述

  • 10
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
LSTM(Long Short-Term Memory)是一种循环神经网络(RNN)的变体,它在处理时间序列数据时表现出色。LSTM通过使用门控机制来解决传统RNN中的梯度消失和梯度爆炸问,能够更好地捕捉长期依赖关系。 时间序列预测是指根据过去的观测值来预测未来的值。滑动窗口是一种常用的时间序列预测方法,它将时间序列数据划分为多个窗口,每个窗口包含一定数量的连续观测值。在LSTM时间序列预测中,滑动窗口被用来构建输入特征和目标值。 具体而言,滑动窗口方法将时间序列数据划分为多个窗口,每个窗口包含t个连续的观测值。然后,可以使用前t-1个观测值作为输入特征,第t个观测值作为目标值。这样就可以训练一个LSTM模型来学习时间序列数据的模式,并用于预测未来的观测值。 在实际应用中,可以根据具体问设置滑动窗口的大小和步长。窗口大小决定了模型能够看到多少历史观测值,步长决定了窗口之间的间隔。较大的窗口大小可以捕捉更长期的依赖关系,但也增加了模型的复杂度和计算成本。 总结一下,LSTM时间序列预测滑动窗口的步骤如下: 1. 将时间序列数据划分为多个窗口,每个窗口包含一定数量的连续观测值。 2. 使用前t-1个观测值作为输入特征,第t个观测值作为目标值。 3. 构建LSTM模型,并使用滑动窗口数据进行训练。 4. 使用训练好的模型进行未来观测值的预测。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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