关于图的距离无符号拉普拉斯谱半径的下界

若一个连通图G的点集是V(G)＝{v1,v2,…,vn},那么图G的距离矩阵D(G)＝(dij),其中dij表示点vi与vj之间的距离. 令TrG(vi)书版无此符表示点vi到图G中其他所有点的距离之和,Tr(G)表示i行i列位置的元素TrG(vi)的对角矩阵. 图G的距离无符号拉普拉斯矩阵QD(G)＝Tr(G)＋D(G).QD(G)的最大特征值λQ(G)是图G的距离无符号拉普拉斯谱半径.该文确定了给定匹配数的n个点的图的距离无符号拉普拉斯谱半径的下界.     

具有n-3个悬挂点的树的距离无符号拉普拉斯谱半径(英文)

一个连通图G的距离无符号拉普拉斯谱半径是G的距离无符号拉普拉斯矩阵的谱半径.G的距离无符号拉普拉斯矩阵定义为Q(G)=Tr(G)+D(G),这里Tr(G)是G的顶点传递的对角阵,且D(G)是G的距离矩阵.研究了所有n阶具有n-3个悬挂点的树的距离无符号拉普拉斯谱半径的极小值,并刻画了一类n阶具有n-3个悬挂点的树的距离无符号拉普拉斯谱半径的极大值与极小值.     

一种基于流形距离核的谱聚类和量子聚类融合算法

谱聚类是一种基于图谱划分理论的聚类算法,本质上是将聚类问题转化为图的最优划分问题;量子聚类可以充分挖掘数据样本的内在信息,是一种基于划分的无监督聚类算法.为了充分发挥谱聚类算法和量子聚类算法的优势,本文提出了一种基于流形距离核的谱聚类和量子聚类融合算法(MFD-NJW-QC).首先,计算数据集的流形距离核矩阵,构造相应的拉普拉斯矩阵;其次,根据拉普拉斯矩阵的若干最大特征值对应的特征向量构造新数据集,并使用量子聚类算法对新构造的数据集进行聚类,从而得到原始数据的类标签;最后,基于7个人工数据集和5个UCI数据集验证MFD-NJW-QC算法的聚类性能.结果显示,MFD-NJW-QC算法能够明显提高聚类性能,尤其对于具有流形结构,且类簇大小不平衡、密度分布不均匀的数据集优势更为突出.     

基于AMD度量和类间模块2DPCA的人脸识别算法

文章提出了一种基于集成矩阵距离(AMD)和类间散布矩阵构造的模块2DPCA人脸识别方法.针对原模块2DPCA算法的不足,使用类间散布矩阵代替总体散布矩阵,求得最佳特征向量并对图像进行特征提取;采用集成矩阵距离的度量方式计算特征图像的相似度,实现人脸分类.在ORL人脸库上的实验结果表明,同2DPCA和普通模块2DPCA相...     

双圈图的距离矩阵的惯性

图的距离矩阵的惯性是由距离矩阵的正特征值个数,零特征值重数以及负特征值个数所构成的一个三元数组.本文主要给出了一类双圈图的距离矩阵的惯性.根据双圈图中圈上顶点个数的奇偶性,结合2种方法得到结论:一是删掉不会改变其惯性的顶点,然后应用树或单圈图的相关结论可得到其距离矩阵的惯性;二是对其距离矩阵做初等变换使它相似于一个对角矩阵,从而得到其距离矩阵的惯性.     

一种基于集合划分的鲁棒性自适应模糊聚类分割算法

模糊C均值算法(FCM)是图像分割最常用的算法之一,这种方法需要提前确定初始聚类中心和聚类数.为此,提出了一种新的自适应模糊聚类算法(AFCM),AFCM算法中构造的观察矩阵、判断矩阵和集合划分可以自动确定合适的聚类数.为了得到更好的图像分割效果,采用核距离作为相似性度量,提出了一种鲁棒性自适应模糊C均值算法(RAFCM).实验结果表明,与FCM算法相比,AFCM和RAFCM算法不仅能自动地确定聚类数目,还可以得到更好的图像分割质量.     

基于类内和类间距离的粗粒度并行AP聚类算法

近邻传播(Affinity Propagation,AP)聚类是基于数据点间消息传递的算法,主要通过数据间的相似度实现聚类.与传统的聚类方法相比,AP聚类无需事先给定聚类数目就可实现聚类,因此具有快速高效的优点,然而在处理高维复杂数据集时存在随着聚类效率提升而准确度不高的问题.为改善AP聚类算法的效率和精度,提出基于类内和类间距离的粗粒度并行AP聚类算法——IOCAP.首先引入粒度思想将初始数据集划分成多个子集;其次对各子集结合类内和类间距离进行相似度矩阵的改进计算,最后基于MapReduce模型实现改进后的并行AP聚类.在真实数据集上的实验表明,IOCAP算法在大数据集上有较好的适应性,能在保持AP聚类效果的同时有效地提升算法精度.     

交换主理想整环上hermitian矩阵空间的算术距离与距离

记Hn(R)为有对合a→a的交换主理想整环R上所有n(n≥2)阶hermitian矩阵构成的空间,讨论了Hn(R)上的算术距离与距离的关系,给出了算术距离和距离相等的一个充分条件;若φ为从Hn(R)到自身的保半数量乘法双射,则φ与φ-1保粘切当且仅当φ保算术距离。     

基于拉普拉斯图的谱特征的图像聚类研究

提出一种用拉普拉斯图的谱系数夹角谱特征来描述图像几何结构的方法,同时研究了基于图的谱聚类系统.首先将序列图像以角点的形式构成拉普拉斯矩阵;然后分解该矩阵,结合特征值和其特征向量计算图中各点的谱系数夹角谱特征;再以局部保持投影方法将这些向量内嵌到模式空间,并在其特征空间用模糊c-均值算法进行聚类分析.结果表明,以拉普拉斯图的谱系数夹角谱特征解决了图中各点在向量空间的分布及其对应关系,在模式空间进行的聚类分析是有效的.     

基于连接的频繁集聚类算法

针对大型事务数据库中频繁集的多属性聚类问题,提出一种高效的频繁集聚类算法.以往聚类算法采用基于距离的计算方法,由于受到属性数据的制约,在频繁集挖掘中具有一定的限制.在属性聚类基础上,基于连接对频繁集进行聚类.在算法中先找出数据点的邻居和计算相似度,构造邻居矩阵;然后计算连接数目,确定邻居数目矩阵;最后通过设置判定函数和阈值确定聚类数.通过实验证明,算法能够不仅能有效地完成频繁集的多属性聚类问题,而且还可以进一步发现频繁集在某一层次的相关性.     

双线性变换函数生成基下的结式矩阵和Bezout矩阵

通过双线性变换函数构造多项式空间Cn-1[z]的两个基{αi(n)(z)=(1±z)n-i(1+z)i,0≤i≤n},对在该基下的结式矩阵和广义Bezout矩阵进行研究.根据结式矩阵可计算两个多项式的最大公因式.给出n阶广义Bezout矩阵元素的两个快速计算公式,计算的工作为o(n2).最后,对这两类矩阵之间的相互联系进行了讨论.     

图的广义距离特征值

图G的广义距离矩阵定义为D_α(G)=αTr(G)+(1－α)D(G),0≤α≤1,其中D(G)和Tr(G)分别表示图G的距离矩阵和传递度对角矩阵.研究了广义距离相关谱,给出了其谱半径、第二大特征值的界,及自补图的广义距离谱.     

二进制概念聚类方法及其应用

研究了二进制概念聚类相似度定义,在正特征距离(PAD)的基础上,提出了广义正特征距离(GPAD)用于计算样本之间的相似度,并将系统聚类算法应用到实例中,所得结果与PAD距离比较,取得较好的效果。     

基于广义线性模型的混合属性数据聚类方法

针对混合属性数据聚类难度高的问题,提出一种基于广义线性模型的混合属性数据聚类方法.首先,构建低阶多元广义线性模型处理海量数据聚类问题,考虑数据属性的时间特性,获取属性时间序列矩阵;然后,基于优化K-prototypes聚类方法处理混合属性数据时,考虑属性的时间序列矩阵;最后,在考虑样本同聚类中心距离基础上兼顾已知样本信息内容,采用优化方法计算数据相异度、样本与聚类集间距离,当聚类结果趋于平稳时终止运算,输出聚类结果.为验证基于广义线性模型的混合属性数据聚类方法的有效性展开实验分析.结果显示,该方法经过较少次迭代即可优化划分混合属性数据聚类集,聚类适应度值为0.88～0.94,适应度优,可准确体现样本间差异,是一种准确度高的混合属性数据聚类方法.     

与反对合矩阵可交换的对合矩阵

讨论与反对合矩阵可交换的对合矩阵,主要结果如下:(1)与n阶反对合矩阵可交换的对合矩阵的一种表示；(2)对于2阶反对合矩阵A,如果A≠iI(I是单位矩阵),那么与A可交换的对合矩阵一共有4个,它们是±I和±iA；(3)对于3阶反对合矩阵A,如果A≠il,那么与A可交换的全体对合矩阵为±I和±iA以及±P〔11k-1〕P-1,±P〔-11k-1〕P-1,P〔1kl(1-k2)/l-k〕P-1,P〔-1kl(1-k2)/l-k〕P-1,其中k是任意复数,l是任意非零复数；当tr(A)=-i时,P是A与diag{i,-i,-i｝这一对相似矩阵之间的一个相似因子；当tr(A)=i时,P是A与diag{-i,i,i｝之间的一个相似因子.     

学习一致相似度矩阵的图非负矩阵分解

非负矩阵分解(NMF)是一种有效的数据降维方法,广泛应用于图像聚类等领域.然而,NMF不能捕获数据固有的几何结构,所以基于图的非负矩阵分解被提出.基于图的算法大多使用K-近邻来构造相似度图.由于数据中的异常值和错误特征,直接构造图是不准确的.针对上述问题,提出了基于学习一致性相似度矩阵的图非负矩阵分解方法.该方法首先通...     

四叶图距离矩阵2个最大特征值和的变化

为了能够在任何情况下准确得到四叶图在2种图变换下距离特征值的极值,运用行列式的性质、韦达定理及不等式的放缩,给出了四叶图的2种图变换及上述问题的结果。首先分别给出变换前后3种四叶图距离矩阵、距离拉普拉斯矩阵及距离无符号拉普拉斯矩阵,利用行列式的性质计算得出其特征多项式,由韦达定理判断出3种距离特征多项式正负根的个数,通过不等式的放缩估计出特征值的范围,从而求出2个最大特征值和的范围;其次对变化前后四叶图的3种距离矩阵2个最大特征值的和进行比较。结果显示,四叶图在经过2种变换后2个最大特征值的和是增加的。所得结果为特殊图类距离特征值极值问题提供了研究方法,对分子稳定性问题的研究具有一定的借鉴价值。     

基于模糊粗糙集理论的建筑业综合评价

根据模糊聚类和粗糙集理论的基本原理,利用模糊聚类的相似关系与粗糙集可辨识矩阵的特性,结合这两种方法的互补优势,研究了将之应用于建筑业综合评价的方法和步骤.通过模糊聚类法形成粗糙集下的决策信息系统,采用基于可辨识矩阵的启发式约简法对属性约简,计算出约简后各属性的权重.利用各属性的权重分别对各省市(或地区)的建筑业指标评价值加权求和从而得出各自的建筑业综合评价值,对其结果的客观性和实用性所进行的分析评价证明该方法有效.     

基于灰色模糊聚类法的路网路面使用性能评价

以路网内各组成路段的路面性能评价指标灰色关联分析结果为基础,借鉴灰色关联分析在模糊聚类理论中的应用方法,建立了路网路面使用性能评价模型.确定了灰色相似关系矩阵,并利用最大树法,得到了基于不同水平的聚类结果形成的谱系图,较为合理地反映了路网路面基本性能和状况分布.     

可纠错pooling设计的一个构作

一个非时序性群试(NGT)算法在DNA筛选等领域都有重要应用,而NGT算法的一个数学模型是d-disjunct矩阵.通过Bd(δ**(n,d,k))的Hamming距离构作一个d-disjunct矩阵,其中δ**(n,d,k)是在δ(n,d,k)的基础上加上δc(n,α,k)构成的,1≤α≤m+1且α∈Z;证明了所构作的矩阵是可纠正1个错误、检测2个错误的d-disjunct矩阵.