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.     

非连通图(K1∨(P(1)n∪ P(2)n)) ∪ P(3)n及(K1∨(P(1)n∪ P(2)n)) ∪ P(3)n∪ St(n)的优美性

 给出了非连通图(K₁∨(P⁽¹⁾_n∪ P⁽²⁾_n)) ∪ P⁽³⁾_n和(K₁∨(P⁽¹⁾_n∪ P⁽²⁾_n)) ∪ P⁽³⁾_n∪ St(n),且对其优美性进行了研究。证明了如下结论：设 n 为任意正整数,则当n≥4时,非连通图 (K₁∨(P⁽¹⁾_n∪ P⁽²⁾_n)) ∪ P⁽³⁾_n和(K₁∨(P⁽¹⁾_n∪ P⁽²⁾_n)) ∪ P⁽³⁾_n∪ St(n)均是优美图;其中,Pn 是 n 个顶点的路,Kn 是n个顶点的完全图, St(n) 是 n+1 个顶点的星形树,G₁ ∨ G₂ 是图 G1 与 G2 的联图。     

非连通图(K_1∨(P_n~(1)∪P_n~(2)))∪P_n~(3)及(K_1∨(P_n~(1)∪P_n~(2)))∪St(n)的优美性

给出了非连通图(K1∨(P(1)n∪P(2)n))∪P(3)n和(K1∨(P(1)n∪P(2)n))∪St(n),且对其优美性进行了研究。证明了如下结论:设n为任意正整数,则当n≥4时,非连通图(K1∨(P(1)n∪P(2)n))∪P(3)n和(K1∨(P(1)n∪P(2)n))∪St(n)均是优美图;其中,Pn是n个顶点的路,Kn是n个顶点的完全图,St(n)是n+1个顶点的星形树,G1∨G2是图G1与G2的联图。     

全局解析冗余关系的混杂系统模式跟踪

针对混杂系统同时具有连续和离散的运动规律和演化机制,提出一种基于全局解析冗余关系的混杂系统模式跟踪方法.建立混杂系统键合图模型并转化为诊断键合图模型,根据诊断键合图得到系统的全局解析冗余关系和模式变化特征矩阵.利用模式变化特征向量和开关元件导通与关断时开关两端的电压电流变化特征,实现模式变化了的开关元件定位.最后利用Matlab软件对该方法进行仿真实验,实验结果表明基于全局解析冗余关系的混杂系统模式跟踪方法是有效的.     

基于谱聚类的词和文档的联合聚类

文档聚类和词聚类都是重要且被充分研究的问题.大多数现有的聚类算法针对文档和词是分别聚类,不是同时的.本文提出文档集作为文档和词间的一个二部图的模型思想,使用这个思想,联合聚类问题可以被看成二部图的分割问题.为了解决图的分割问题,使用一个新的联合谱聚类算法,即使用适度规模的词-文档矩阵的奇异向量产生好的分割结果.谱算法得到一些最佳的性能,表明奇异向量通过连续放松解决图划分的NP难问题.最后通过实验结果验证联合聚类算法在实践中非常有效.     

圈 Cn的奇优美性和奇强协调性

研究了圈Cn的奇优美性及其奇强协调性,得到了圈Cn在n=2k时的奇优美标号算法及其在n=4k时的奇强协调标号算法,从而证明了圈Cn在n=2k时是奇优美图以及在n=4k时是奇强协调图的结论.     

图C~2_n的优美性

给出了图C2n的定义,并对其优美标号进行研究,得到了当n=4k(k≥2)时图C2n是优美图的结论。     

基于Innography专利检索的案例分析——以北京化工大学TIM教授为例

基于Innography专利分析软件,采用专利地图技术及聚类和气泡图方法,对北京化工大学TIM教授的专利进行了多角度分析,找出了TIM教授的研究热点（脂肪酶催化和微生物发酵合成）及其在该领域的国内外竞争力情况,进而对TIM教授的技术研发与创新策略给出了新建议。     

基于跳点搜索算法的网格地图寻路

等价网格环境下的寻路问题普遍存在于机器人、电子游戏等应用领域.其中,最先进的技术都被分层寻路算法所主导,这些算法速度快且内存开销较小,但通常返回的路径都是次优的.本文提出了一个新颖的、特定于网格的搜索策略,该策略速度快、最优且无需内存开销,其算法可以描述为一个宏算符,该宏算符识别和有选择地扩展网格地图上的仅仅某些节点,我们称之为跳点,连接两个跳点的路径上的中间节点将不再被扩展.我们将证明该方法计算出的解总是优解的;然后,进行了深入的实证分析,并将我们的方法与其他文献上的相关工作做对比.我们发现利用跳点进行搜索能将A＊算法的速度提高一个数量级甚至更多;同时,我们报告了跳点搜索相对于当前最先进的技术而言有明显的改进.     

基于图割框架下视频目标的自动实时提取算法

提出了一种在图割框架下自动实时的前景目标提取算法.通过混合高斯背景建模与基于颜色和局部表观的阴影判别相融合的方法,设置能量函数的数据项,并基于局部二值模型算子构建能量函数的平滑项.利用动态的图割算法,求取目标函数极值,实现视频目标的自动提取.在不同视频上对提出的分割算法进行性能测试,结果表明算法具有较好的分割性能且计算复杂度较低.