KMP字符串匹配

/*KMP字符串匹配.cpp*/

# include <stdio.h>
# include <stdlib.h>
# include <string.h>
# include <time.h>

//获得prefix数组
int* GetPrefixValue(char* strPattern, int iPatternLen);
//返回target串在pattern中第一次匹配的index
int KMPStringMatch(char* strPattern, int iPatternLen, char* strTarget, int iTargetLen, int* prefix);
int KMP(char* strPattern, char* strTarget);
//在文本中查找target串出现的位置
int SearchInTxtFile(char* fileName, char* strTarget);

int main(void)
{
	char ch;
	char str1[] = "abcabcabctasksb,abTo";
	char str2[] = "abc"; 
	double t=clock();

    printf("%d\n", KMP(str1,str2));
	printf("耗时%f毫秒!\n", (clock()-t));

	t=clock();

	printf("find %d \n", SearchInTxtFile("c:\\txt.txt", "NULL")); 
    printf("耗时%f毫秒!\n", (clock()-t)); 
    scanf("%c", &ch);

    return (0); 
}


//获得prefix数组
int* GetPrefixValue(char* strPattern, int iPatternLen)
{
	int i, j;
	/* i runs through the string, j counts the hits*/
	int* prefix = (int*)malloc(iPatternLen*sizeof(int));

	i = 1;
	j = 0;

	prefix[0] = 0;

	while(i<iPatternLen) 
	{
		if(strPattern[i] == strPattern[j])
		{
			prefix[i] = ++j;
        }
		else
		{
			j = 0;
			prefix[i] = j; 
        }
		i++;
    }

	return (prefix);
} 

//返回target串在pattern中第一次匹配的index
int KMPStringMatch(char* strPattern, int iPatternLen, char* strTarget, int iTargetLen, int* prefix) 
{
	int i = 0;
	int j = 0;

	while(i<iPatternLen && j<iTargetLen)
	{
		if(j==0 || strPattern[i]==strTarget[j]) 
		{
			i++;
			j++;
        } 
        else 
        {
			j = prefix[j];
         }
     }

	free(prefix);

	if(j==iTargetLen)
	{
		return i-j;
     }
	else
	{
		return -1;
    } 
}

int KMP(char* strPattern, char* strTarget)
{
	int* prefix = GetPrefixValue(strPattern, strlen(strPattern));
	int index = KMPStringMatch(strPattern, strlen(strPattern), strTarget, strlen(strTarget), prefix);
	return index;
}

//在文本中查找target串出现的位置
int SearchInTxtFile(char* fileName, char* strTarget)
{
	FILE* hFile = fopen(fileName, "r");
	char str[1024];
	int count = 0;
	while(fgets(str, 1024, hFile))
	{
		if(KMP(str, strTarget)!=-1)
		{
			count++;
		} 
	}
	
	fclose(hFile);
	hFile=NULL;

	return (count);
}

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