匹配数为1的极值2-均衡4-部4-图的结构

设G为一个匹配数为1的极值2-均衡4-部4-图,通过引入度序列确定了所有极图的结构,证明了它们共有7个同构类,并详尽描述了各类极图的结构.     

具有6个顶点且匹配数为1的极值3-一致超图的结构

设H为一个具有6个顶点且匹配数为1的极值3-一致超图,由生成函数法确定了根序列的数目,进一步确定了极图同构类的总数为13,并详尽描述了各类极图的结构.     

单圈图的k-距离匹配控制数

单圈图是边数等于顶点数的连通图.令G=(V,E)是无孤立顶点的图,若集合DV(G)是G的一个k-距离控制集且导出子图〈D〉有完美匹配,则称D是G的一个k-距离匹配控制集.k-距离匹配控制数γkp(G)是G的最小k-距离匹配控制集的势.主要证明了单圈图k-距离匹配控制数的一个重要引理,由此找到了单圈图k-距离匹配控制数的上界,并构造了极图.     

均衡完全三部图K3（n）的线性3-荫度

考虑均衡完全三部图K3（n）的线性3-荫度.利用路分解的方法给出了K3（n）的线性3-荫度la3（Κ3（n））当n≡1,2,3（mod 4）时的比较紧的上界,利用线性k-荫度的基本理论分别得到了它们的下界,进而得到了特殊情况下均衡完全三部图K3（n）的线性3-荫度的确切值.     

循环图C_(2n)(1,3)的2-偶匹配可扩性

设图G是一简单的且有完美匹配的连通图,称图G是k-偶匹配可扩的,是指G的每一个基数不大于k(1≤k≤(│V(G)│-2)/2)的偶匹配M都可以扩充为G的一个完美匹配.刻画了循环图C2(n1,3)的2-偶匹配可扩性,得到结论:对于任意的n(n≥3),C2(n1,3)是2-偶匹配可扩性的.     

关于3-正则4-可序图无限类的构造

Lenhard Ng(1997)给出k-可序(k-ordered)哈密尔顿图的定义,并证明了每一个(k 1)-Hamilton-连通图都是k-可序哈密尔顿图．Faudree J R(2000)将k-可序哈密尔顿图的定义改进为k-可序图．根据Lenhard Ng提出的开问题：是否存在3-正则4-可序哈密尔顿图的无限类,以及Faudree J R给出的可序图的定义．构造了3-正则4-可序图的无限类．     

(K(1,4);2)-图的3-闭包的一个性质

对(K1,4;2)-图这一新的图类,证明它的3-闭包的一个性质:设G为K1∨P4-free的(K1,4;2)-图,a≠b∈E(G),x为G中局部3-连通的适宜点,G′由G在x局部完备所得,则G′中存在最长(a,b)-路P满足|E(P)∩(E(G′)-E(G))|≤1.     

3类3-正则图中的完美匹配数

完美匹配的计数理论在量子化学、晶体物理学和计算机科学中都有重要的应用,对此问题的研究具有非常重要的理论价值和现实意义.但是,一般图的完美匹配计数问题已经被证实为NP-难问题.Lova'sz和Plummer曾提出关于完美匹配计数的一个猜想:任意2-边连通3-正则图都有指数多个完美匹配.本文用划分、求和再嵌套递推的方法给出了3类特殊图完美匹配数目的显式表达式,从而验证了Lova'sz和Plummer猜想在这3类图上的正确性.     

n-正则(n-2)-边可删的导出匹配可扩图

设图G是有2n个顶点的简单图,如果对于E(G)的任一满足|F|=k的子集F,G-F均为导出匹配可扩的,则称图G是k-边可删的导出匹配可扩图.证明了n-正则(n-2)-边可删的导出匹配可扩图只有Kn,n,其中n≠4k,k≥3.     

随机P3-可分解的多重图

把多重图M转化为简单图L*(M),再利用已有随机P3-可分解简单图和随机可匹配简单图的相关结论,建立M和L*(M)之间随机P3-可分解和随机可匹配的等价关系.通过对多重图是否含圈进行分情形讨论,刻画出所有随机P3-可分解的多重图.     

r一致导出匹配可扩张超图及性质

讨论了r一致导出匹配可扩张超图及其性质,并找到了1种寻找边数较少的导出匹配可扩张超图的方法。     

对偶超图的保形性

给出超图H的对偶超图是保形的充要条件,对它的性质进行了探讨,同时对具有保形性的超图的边数进行了研究。     

一类具有最佳连通性的超图

在产生一组跳变序列的基础上，构造了一类具有ｎ个顶点、ｎ条的ｒ－均匀超图。再通过分析基二截的连通度，证明了此超图具有最佳连通性。这类超图可直接应用于设计最佳容错的多总线计算机系统。     

最少边数的n阶3-点连通简单图及其构造

从图的度数列入手,采用一种特殊的构造方法,不仅得到了3-点连通简单图的最少边数c(G)的值,还得到了图的边数最少时的连通简单图.     

Efficient View-Based 3-D Object Retrieval via Hypergraph Learning

View-based 3-D object retrieval has become an emerging topic in recent years,especially with the fast development of visual content acquisition devices,such as mobile phones with cameras.Extensive research efforts have been dedicated to this task,while it is still difficult to measure the relevance between two objects with multiple views.In recent years,learning-based methods have been investigated in view-based 3-D object retrieval,such as graph-based learning.It is noted that the graph-based methods suffer from the high computational cost from the graph construction and the corresponding learning process.In this paper,we introduce a general framework to accelerate the learning-based view-based 3-D object matching in large scale data.Given a query object Q and one object O from a 3-D dataset D,the first step is to extract a small set of candidate relevant 3-D objects for object O.Then multiple hypergraphs can be constructed based on this small set of 3-D objects and the learning on the fused hypergraph is conducted to generate the relevance between Q and O,which can be further used in the retrieval procedure.Experiments demonstrate the effectiveness of the proposed framework.     

关于一种二元集合计数问题的研究

在文[1]中引用了正整数的一种二元集合,在此基础上建立了完全3-一致超图的边生成方法,进而构造超图Kn^3所有边的一种划分方法,根据超图Kn^3的圈的要求,建立超图的圈模型,进而对超图Kn^3的不同长度的圈的分解,超图Kn^3所有边分解时,需要知道这种二元集合计数问题,本文对其计数问题进行了研究．     

无三角形3-正则图的几个参数的界

图G的一条边称为割边是指删去该边后,使得余下的图的连通分支数增加。图G中的一个两两不相邻的边子集称为图G的一个匹配。图G的一个最大匹配的边数称为图G的匹配数。图G中的一个与G的每个团都有交的顶点子集称为G的一个团横贯集,图G中元素个数最少的团横贯集的顶点数称为G的团横贯数。本文针对n阶连通无三角形的3一正则图G-（V（G）,E（G））,首先给出了其割边数的一个上界（n—l0）／4;其次对它的匹配数得到了一个下界（11n-2）／24;再次对它的线图的团横贯数呈现了一个上界（13｜E（G）｜＋3）／36。同时刻画了达到这些界的极值图。     

基于拓扑图及三维特征的三维物体识别方法

提出一种基于拓扑图及三维特征的三维物体识别方法.该方法在图象预处理阶段先检测物体可视表面的闭合边界,再依据闭合边界对物体进行表面分割,并用一个景物特征图对景物进行表达(SAGR).在建模阶段,先采用多视图表面模型方法建模,再依据表面分割,对模型用一个模型特征图进行表达(MAGR).在物体识别阶段,将景物与模型的匹配分3部分进行,即扫描部件、图的匹配部件及匹配检验部件.匹配首先是基于 SAGR 与 MAGR 图的拓扑性质的匹配,然后是基于三维特征的匹配.根据匹配结果,或对未知物体自动建模,或给出识别结果.     

超图的[r,s,t]-着色

将一般图的[r,s,t]-着色推广到超图上得到超图的[r,s,t]-着色的定义及超图[r,s,t]-着色的一些性质和定理,并讨论了超图的[r,s,t]-色数的上下界。