对集不交的循环赛图K11^（i）与对集的算法

给出了边矩阵和循环赛图的定义。提出了求解完全图K（2n＋1）的△（G）＋1个对集最的算法，以及对集互交的循环赛图K11^（1），K11^（2），…，K11^（i）的构造方法。讨论任意对集Ei及循环图K（2n＋1）^＊的个数问题。介绍了14个对集不交的循环赛图K11^（1），K11^（2），…，K11^（14）的构造过程。     

对集不交的循环赛图K(i)11与对集的算法

给出了边矩阵和循环赛图的定义。提出了求解完全图K2n 1的△(G) 1个对集Ei的算法,以及对集互交的循环赛图K(1)11,K(2)11,…,K(i)11的构造方法。讨论任意对集Ei及循环图K(i)2n 1的个数问题。介绍了14个对集不交的循环赛图K(11),K(121),…,K(14)11的构造过程。     

循环赛图K2n^（i）与完备匹配的新算法

提出了求K2n的△（G）个完备匹配Mi的一种算法。给出了循环赛图的定义。阐明了循环赛图K2n^（i）的构造的过程。介绍了循环赛图K8^（i），K10^（i），K14^（i），K16^（i）的构造结果。     

循环赛图K(i)2n与完备匹配的新算法

提出了求K2n的△(G)个完备匹配Mi的一种算法.给出了循环赛图的定义.阐明了循环赛图K2n(i)的构造的过程.介绍了循环赛图K(i)8,K(i)10,K(i)14,K(i)16+的构造结果.     

循环赛图K(i)2n与完备匹配的新算法

提出了求K2n的△(G)个完备匹配Mi的一种算法.给出了循环赛图的定义.阐明了循环赛图K2n(i)的构造的过程.介绍了循环赛图K(i)8,K(i)10,K(i)14,K(i)16+的构造结果.     

循环赛图K_(2n)~(i)与完备匹配的新算法

提出了求K2n的△(G)个完备匹配Mi的一种算法。给出了循环赛图的定义。阐明了循环赛图K2n(i)的构造的过程。介绍了循环赛图K(8i),K(1i0),K(1i)4,K(1i)6的构造结果。     

32阶循环赛图K(1)32与完备匹配的算法

给出了边矩阵及循环赛图的定义,阐明了利用已存在的标明△(G)个完备匹配的2n阶循环赛图K(1)32求解4n阶循环赛图K(1)32的思路,提出了利用边矩阵求解Kv的完备匹配Mi的一种算法,介绍了16阶和32阶循环赛图K(1)16,K(1)32的求解全过程.     

循环赛图K(i)2n与边矩阵K''''2n的K-边着色

为了让一个2n阶的完全图K2n变成一个可用于循环赛安排的循环赛图K(i)2n,给出了边矩阵和循环赛图的定义,提出了利用边矩阵K'2n的k-边着色求求解完全图K2n的k个完备匹配Mi的算法.介绍了循环赛图K(i)14,K(i)16,…,K(i)32的构造结果及其应用.     

循环赛图K2n^（i）与边矩阵K′2n的K-边着色

为了让一个2n阶的完全图K2n变成一个可用于循环赛安排的循环赛图K(2in),给出了边矩阵和循环赛图的定义,提出了利用边矩阵K′2n的k-边着色求求解完全图K2n的k个完备匹配Mi的算法。介绍了循环赛图K(1i4),K(1i6),…,K(3i2)的构造结果及其应用。     

2t名运动员的循环赛和对集的划分

提出了乒乓球单打比赛安排问题,并给出了此类问题的求解方法.阐明了将Kv中的v(v-1)/2个边划分为v-1个对集的基本理论,证明了关于对集构造及其个数计算的命题,从而为不同构的v阶Steiner三连系个数问题的求解奠定了基础.     

分层算法求解竞赛图上的最小弱顶点覆盖

竞赛图上的弱顶点覆盖问题是一个NP困难问题,本文先定义了竞赛图上的势加权函数,然后利用分层技术给出了一个求解竞赛图最小弱顶点覆盖问题的近似算法,并证明了此近似算法的近似度为3     

改进水平集的车辆检测算法

针对视频序列的车辆检测,研究了常用的车辆检测算法。提出一种改进的基于水平集函数的车辆检测算法。利用均值法建立背景模型,采用背景差分法获得车辆运动区域位置,大大缩小水平集函数在图像中曲线演化的范围,快速准确地检测到车辆。     

改进水平集的车辆检测算法

针对视频序列的车辆检测,研究了常用的车辆检测算法.提出一种改进的基于水平集函数的车辆检测算法.利用均值法建立背景模型,采用背景差分法获得车辆运动区域位置,大大缩小水平集函数在图像中曲线演化的范围,快速准确地检测到车辆.     

用于稀疏数据集的协作过滤算法

稀疏性问题是协作过滤算法应用中的一个突出问题,当系统中用户对资源的评分数据集很稀疏的条件下,算法的精度和覆盖率会显著降低。针对这一问题,该文通过分析影响基于资源的协作过滤算法中的相似性计算的因素,提出采用"资源关系密度"作为描述协作过滤评分矩阵的一个特征指标,分析并总结了"资源关系密度"对典型的基于资源的协作过滤算法的影响,进而提出一种虚拟用户填充算法。实验结果表明,虚拟用户填充法能够有效改善典型的基于资源的协作过滤算法在稀疏数据集上的精度和覆盖率。     

面向不均衡小样本训练集的改进Boosting算法

传统的Boosting算法训练出的分类器常会出现过拟合和向多数类偏移.为此,提出一种基于自适应样本注入和特征置换的Boosting学习算法,通过在训练过程中加入人工合成样本,逐渐平衡训练集,并通过合成的样本对分类器学习进行扰动,使分类器选择更多有效的特征,提高了分类器的泛化能力.最后,在两类和多类图片分类问题上对该算法的有效性进行了考察,实验结果表明,该算法能够在样本数很少,且正负样本数量极不均衡的情况下,有效提高booting算法的泛化能力.