[已解决]求救，关于C语言二维数组作业

vectorfunction

要求求两个矩阵a和b的乘积，结果存储在矩阵c中，
基本思路是先给矩阵a和b赋值，然后计算出c矩阵中每个元素的值，再打印出c矩阵
程序如下：

#include <stdio.h>
int main()
{
        int i, j, t = 0;
        int a[2][3] = { 1, 2, 3,4,5,6 };
        int b[3][2] = { 1, 2, 3, 4, 5, 6 };
        int c[2][2] = {0};                     //定义矩阵，初始化

        for (i = 0; i < 2; i++)
        {
                for (j = 0; j < 2; j++)
                {
                        for (t = 0; t < 3; t++)
                        {
                                c[i][j] = c[i][j] + a[i][t] * b[t][j];      //计算出c矩阵中每一个元素的值
                        }
                }
        }
        for (i = 0; i < 2; i++)
        {
                for (j = 0; j < 2; j++)
                {
                        printf("%3d",c[i][j]);
                }
                printf("\n");                         //打印c矩阵
        }
        printf("\n");

        return 0;
}
但是这样的程序执行结果是这样子的，结果不对

为什么这个程序不行呢？

最佳答案

月排行榜 / 总排行榜

sunrise085

2020-8-17 22:55:50

程序没问题，结果也没问题

你为什么认为结果不对呢？

1. 矩阵a：
   
2. 1  2  3
   
3. 4  5  6
   
4. 
   
5. 矩阵b：
   
6. 1  2
   
7. 3  4
   
8. 5  6
   
9. 
   
10. 矩阵c：
    
11. 1*1+2*3+3*5=22；1*2+2*4+3*6=28
    
12. 4*1+5*3+6*5=49；4*2+5*4+6*6=64

复制代码

跳转到最佳答案楼层

sunrise085

程序没问题，结果也没问题

你为什么认为结果不对呢？

1. 矩阵a：
   
2. 1  2  3
   
3. 4  5  6
   
4. 
   
5. 矩阵b：
   
6. 1  2
   
7. 3  4
   
8. 5  6
   
9. 
   
10. 矩阵c：
    
11. 1*1+2*3+3*5=22；1*2+2*4+3*6=28
    
12. 4*1+5*3+6*5=49；4*2+5*4+6*6=64

复制代码

chxchxkkk

c[i][j] = c[i][j] + a[i][t] * b[t][j];      //计算出c矩阵中每一个元素的值
不是两个矩阵的乘积吗，为什么要加呢

vectorfunction

sunrise085 发表于 2020-8-17 22:55
程序没问题，结果也没问题

你为什么认为结果不对呢？

我自己写错了，我以为矩阵是
1 2
3 4
5 6

vectorfunction

chxchxkkk 发表于 2020-8-18 00:30
c[j] = c[j] + a[t] * b[t][j];      //计算出c矩阵中每一个元素的值
不是两个矩阵的乘积吗，为什么要加呢

这就是矩阵乘法的规定呢，
我那个程序没问题，答案也不错，我自己看错了

vectorfunction

@FishC 使用深度注意力网络对时间序列进行预测，根据预测值与真实值的偏差来确定异常，这样进行异常检测的方法有什么优点呢？

FishC

vectorfunction 发表于 2023-12-12 10:59
@FishC 使用深度注意力网络对时间序列进行预测，根据 ...

使用深度注意力网络进行时间序列预测与异常检测有以下几个优点：

1. 高精度：深度注意力网络是一种复杂的神经网络模型，具有强大的学习能力和模式识别能力。它可以捕捉到时间序列数据中的复杂关系，并能够准确地预测未来的值。

2. 自动化：使用深度注意力网络进行异常检测可以自动地识别异常值。传统的异常检测方法通常需要手动设置阈值或规则来判断异常值，而深度注意力网络可以自动学习数据的特征和模式，无需人工干预。

3. 鲁棒性：深度注意力网络在处理缺失值和噪声方面表现良好。它可以通过学习数据的分布和模式来填充缺失值，并且可以抵抗噪声的影响，从而提高了异常检测的鲁棒性。

下面是一个简单的示例代码，演示如何使用深度注意力网络进行时间序列的预测和异常检测：

1. import tensorflow as tf
3. # 定义深度注意力网络模型
4. model = tf.keras.Sequential([
5.     tf.keras.layers.LSTM(64, return_sequences=True),
6.     tf.keras.layers.Attention(),
7.     tf.keras.layers.Dense(1)
8. ])
10. # 编译模型
11. model.compile(optimizer='adam', loss='mse')
13. # 训练模型
14. model.fit(x_train, y_train, epochs=10)
16. # 使用模型进行预测
17. predictions = model.predict(x_test)
19. # 计算预测值与真实值的偏差
20. deviation = predictions - y_test
22. # 进行异常检测
23. threshold = 2.0  # 设置异常阈值
24. anomalies = [idx for idx, dev in enumerate(deviation) if abs(dev) > threshold]
26. # 打印异常点的索引
27. print("异常点索引：", anomalies)

复制代码

以上代码只是一个简单示例，实际应用中需要根据具体情况进行模型选择和参数调整。希望对你有所帮助！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。