两个图的corona乘积图的Wiener极性指标

图G=（V,E）的Wiener极性指标是图G中距离为3的无序点对的数目。图G和H的点corona图，记为G°H是取G的一个拷贝和｜V（G）个H的拷贝，然后把G的每个点和其相对应拷贝的每个点相连而得到的图。图G和H的边corona图，记为G◇H，是取G的一个拷贝和｜E（G）｜个H的拷贝，然后把G的每条边的两个点和其相对应拷贝的每个点相连而得到的图。本文给出两个图的corona乘积图的Wiener极性指标。     

图与复杂网络的拉普拉斯谱(英文)

总结了图与复杂网络(包括随机图与小世界网络)的拉普拉斯谱的最新的结果和研究进展.主要内容包括给定度序列的拉普拉斯谱半径、拉普拉斯系数、代数连通度、双随机矩阵和随机图与小世界网络的谱的性质.并且提出了可能进一步研究的一些相关的问题.     

稻田与非稻田生境越冬节肢动物群落调查与分析

2008年11月至2009年3月,对清新县双季稻田的冬闲田WF、田埂FR、周围杂草WH以及黑麦草田LL等4种不同生境下的节肢动物越冬群落进行系统调查。结果如下:鉴定出包括昆虫纲8目22科和蛛形纲1目6科共33种节肢动物。其中,植食性昆虫16种,捕食性昆虫4种,寄生性昆虫3种,中性昆虫3种,蜘蛛类7种。闲田和杂草均以蜘蛛类为主要优势种类,而田埂和黑麦草田分别以半翅目和双翅目昆虫为最优势类群。Shannon-Wiener多样性指数(H)和Pielou均匀性指数(J)以田埂的最高,黑麦草田最低;优势度指数(C)以黑麦草田高,田埂最低。杂草地与黑麦草田Jaccard相似性指数(q)最高,而冬闲田与田埂的相似性指数最低。     

网络攻击图生成方法分析

网络攻击图已成为网络安全分析的重要工具.论文对网络攻击图生成方法进行深入剖析,得到网络攻击图生成方法的重要特征属性和通用功能的实现框架,并应用部分属性对网络攻击图生成方法分类,总结了当前网络攻击图生成方法存在的问题及进一步研究的方向.     

变换图G~(*xy)的独立数

变换图的概念由全图推广而来。文章在中图的补图M(G)的定义启发下,定义了四类变换图,其中一个恰是(G),并探讨了这些变换图的独立数。研究了变换图G*-+的独立数与原图最大度的关系,以及G*++与G*+-的独立数与原图边独立数的关系。     

6-连通图最长圈上的可收缩边

 图的可收缩边与可去边是研究连通图的构造和使用归纳法证明连通图一些性质的有力工具。设G是一个6-连通图,e∈E（G）,若收缩e后得到的图仍是6-连通的,则称e是G的可收缩边。采用树型结构理论进行分类讨论,得到如下结论：① 如果P:x=x1x2…xn=y是6-连通图G的一条最长（x,y）－路,xi xi+1是一条不可收缩边,且S={xi,xi+1,u1,u2,u3,u4}是其对应的6-点割,则G-S的每一个断片至少包含P上的一个点;② 设P:x=x1x2…xn=y是6-连通图G的一条最长（x,y）－路,且G的任意断片的阶都大于2。如果P上任意顶点xi都满足条件d（xi）≥7或者若d（xi）=6则[V（P）]中无3-圈包含它,那么P上至少包含一条可收缩边。在上述结论的基础上,进一步研究了任意断片阶都大于2的6-连通图中最长圈上的可收缩边的分布情况,得到如下新结果：任意断片阶都大于2的6-连通图最长圈上至少有两条可收缩边。     

巴拿赫空间上的强收敛（英文）

通过研究一种相对于Mann型和Ishikawa型进一步推广的迭代方式,给出了Banach空间中有限个非扩张映射逼近序列的强收敛定理.该结论不仅推广了文献[2]中Chidume和Shahzad的结论,而且弱化了原定理中对非扩张映射的要求,去掉了＂半紧＂的限制条件.     

完全立方Halin图的2-距离着色

图G的2-距离着色是正常的顶点着色,并且使G中距离不大于2的任意两个顶点着不同的颜色.图G的2-距离色数是图G的所有2-距离着色中所用色数的最小者,记为χ2d(G).探讨了完全立方Halin图Hn的2-距离着色,并得χ2d(H0)=4,5≤χ2d(Hn)≤6(n≥1).     

Von Neumann正则环上的零因子图

讨论了一般Von Neumann正则环上的零因子图结构,重点刻画了其连通性和顶点性质.若R是有单位元的正则环,则其零因子图Γ(R)连通当且仅当R是直有限的;若R是无单位元的正则环,则其零因子图Γ(R)连通当且仅当R无真的单边恒等元;若R是满足|R|≥ 5的正则环,则其零因子图Γ(R)的源点和收点可以刻画为Sour(R)={a∈R|a是右可逆的但左不可逆},Sink(R)={a∈R|a是左可逆的但右不可逆}.     

基于边界约束最优投影梯度NMF的TINST域图像融合方法

针对多模态图像的融合问题, 提出一种平移不变不可分离剪切波结合边界约束最优投影梯度非负矩阵分解的图像融合方法, 解决了已有融合方法中融合精度较低的问题. 该方法利用平移不变不可分离剪切波对源图像进行分解; 将低频子带系数视为原始观测数据, 采用边界约束最优投影梯度非负矩阵分解算法得到包含特征基的融合低频子带系数, 将高频方向子带系数作为脉冲耦合神经网络的外部输入激励, 边缘强度作为链接强度, 经点火处理和判决选择运算, 得到融合高频方向子带系数; 最后对融合子带进行平移不变不可分离剪切波逆变换得到融合图像. 为了验证该融合方法的有效性, 对几组不同模态的图像进行对比融合实验. 融合图像的主观与客观评价结果表明, 该融合方法优于目前已有的典型多尺度图像融合方法.