快速分类

简介: 实现的基本思想如下:   选取A的某个元素t,然后将A的其它元素重新排列,使 得在t以前出现的所有元素都小于或等于t,而所有在t后面出现的所有元素都大于t。称这种重新整理为划分(Partitioning),元素t称为划分元素(Partition element)。

实现的基本思想如下:

  选取A的某个元素t,然后将A的其它元素重新排列,使 得在t以前出现的所有元素都小于或等于t,而所有在t后面出现的所有元素都大于t。称这种重新整理为划分(Partitioning),元素t称为划分元素(Partition element)。快速分类就是通过不断地对产生的文件进行划分来实现元素的重新排列。

例如:  用A(m)划分集合A(m:P-1)

void Partition(m,p)
//在集合A(m),A(m+1),…,A(p-1)中的元素按如下方式重新排列:
//若最初t=A(m),则在重排完成之后,对于m和p-l之间的某个q,有A(q)=t,
//并使得对于m≤k<q,有A(k)≤t,而对于q<k<P,有A(k)≥t
//退出过程时,p带着划分元素所在的下标位置,即q的值返回。
eType a[n]; //定义为全局变量
int m,p,i;v=a[m];i=m; //A(m)是划分元素
while(i<p) {
do { i=i+1;} while(a[i]<v) //i由左向右移,至少做一次。
do { p=p-1;} while(a[p]>v ) //p由右向左移,至少做一次。
if(i<p) {InterChange(a[i],a[p]);} //A(i)和A(p)换位
};//while
a[m]=a[p];a[p]=v; //划分元素在位置p
}// Partition

 

有了划分集合A(m:P-1)的算法,使用分治策略可以设计出一个算法来对n个元素进行分类。随着对函数Partition的一次调用,就会产生出两个这样的集合S1和S2,S1的所有元素小于或等于S2的任何元素。因此S1和S2可独立分类。重复使用过程Partition,每个集合都将被分类。下列算法描述了这种分类的全过程。快速分类

void QuickSort(p,q)
//将全程数组A(1:n)中的元素A(p),…,A(q)按非递减的方式分类。
//认为A(n+1)已被定义,且大于或等于A(p:q)的所有元素,
//即假定A(n+1)为机器最大数。
int p,q;
eType a[n];int n; //定义成全程变量
if(q<q) {j=q+1;
Partition(p,j);
QuickSort(p,j-1); //j是划分元素的位置
QuickSort(j+1,q);
};//if
}//QuickSort

 

相关文章
|
7月前
|
vr&ar
垃圾分类模型想上maixpy(2)
1-1 关于模型部署,MaixPy文档的这一部分中可能有些有用的参考:部署模型到 Maix-I(M1) K210 系列开发板 - Sipeed Wiki 。 实际用数字图片进行测试时,手写数字识别的模型无法产生正确的输出。
172 1
|
7月前
|
编解码 并行计算 TensorFlow
垃圾分类模型想上maixpy(3)
1-5 对比Params与模型文件实际体积。 结果:模型实际大小与Params大小是可以对上的,参数应该是以float32存储。我把“字节”与“位”搞混了,应该是一个字节为8位。
78 0
|
2月前
|
机器学习/深度学习 算法
五、分类模型
五、分类模型
33 0
|
5月前
|
机器学习/深度学习 自然语言处理 算法
什么是数据集的分类?
【7月更文挑战第10天】什么是数据集的分类?
556 1
|
7月前
|
IDE TensorFlow 开发工具
垃圾分类模型想上maixpy(1)
maixpy笔记 Something 上下拉。应该就是强制高、低电平,可以避免不确定的状态。 模型区没有文件系统,模型之间烧录在指定地址。
130 0
|
机器学习/深度学习 算法 数据挖掘
书写自动智慧文本分类器的开发与应用:支持多分类、多标签分类、多层级分类和Kmeans聚类
书写自动智慧文本分类器的开发与应用:支持多分类、多标签分类、多层级分类和Kmeans聚类
书写自动智慧文本分类器的开发与应用:支持多分类、多标签分类、多层级分类和Kmeans聚类
|
机器学习/深度学习 存储 自然语言处理
使用特征包方法进行图像类别分类
使用特征包方法进行图像类别分类。这种技术通常也被称为词袋。视觉图像分类是为受测图像分配类别标签的过程。类别可能包含代表几乎任何东西的图像,例如狗、猫、火车、船。
93 0
分类问题的判别
分类问题的判别 自用
53 0
|
数据挖掘
非监督分类
非监督分类
336 0
|
机器学习/深度学习 算法 数据挖掘
监督分类
监督分类,又称训练分类法,用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查,对遥感图像上某些样区中影像地物的类别属性有了先验知识,对每一种类别选取一定数量的训练样本,计算机计算每种训练样区的统计或其他信息,同时用这些种子类别对判决函数进行训练,使其符合于对各种子类别分类的要求,随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较,按不同的规则将其划分到和其最相似的样本类,以此完成对整个图像的分类。
261 0