关于全着色Ramsey数

以χ２（Ｇ）记一图Ｇ之全色数,全着色Ｒａｍｓｅｙ数χ２（ｍ,ｎ）为最小正整数ｐ,使得每一ｐ阶图Ｇ或有χ２（Ｇ）≥ｍ,或其补图Ｇ满足χ２（Ｇ）≥ｎ。本文给出χ２（ｍ,ｎ）的上、下界     

完全二部图K_(6,n)(6≤n≤38)的点可区别E-全染色

考虑完全二部图K_(6,n)(6≤n≤38)的点可区别E-全染色.利用组合分析法、反证法及构造染色的方法,给出一类特殊完全二部图的点可区别E-全染色.结果表明:当6≤n≤10时,K_(6,n)的点可区别E-全色数为5;当11≤n≤38时,K_(6,n)的点可区别E-全色数为6.     

△(G)=9且不含4-圈的平面图的全色数

用△(G)表示图G的顶点最大度.对平面图,当△(G)≥11时,已证明Vizing和Behzad的图的全色数猜想(TCC)是正确的.运用Dischrge方法证明了最大度为9且不含4-圈的平面图的全色数等于10.     

图Pn∨Km,n的均匀全色数

对于图G(V,E)的正常k-全染色f称为G(V,E)的k-均匀全染色,当且仅当任意2个色类中的元素总数至多相差1.eχt(G)=min{k|G有k-均匀全染色}称为G的均匀全色数.利用均匀边染色的相关结论,探讨了路Pn与完全二部图Km,n的联图Pn∨Km,n的均匀全色数.     

几类图的全色极大团染色

设G是一个简单图,其顶点集为V(G)而边集为E(G).图G的一个k-染色是指顶点集V(G)到色集{1,2,…,k}的一个映射.如果图G的一个点染色使G的每个极大团所有颜色均出现(这里不要求邻点染色不同),则称该染色为图G的全色极大团染色.而G的全色极大团色数是指能进行全色极大团染色的最大颜色数,记为χmaxcT(G).     

简单图的全染色的一个结果

简单图的全染色是图的染色理论中的一个重要问题,为了深入研究图的全色数猜想与图的最大平均度之间的关系,我们利用差值转移方法证明了最大平均度小于4的简单图的全色数满足全色数猜想;同时,还证明了最大度不小于12且最大平均度小于6的简单图G的全色数不超过Δ(G)+3.     

圈的距离不大于5的任意两点可区别的全染色

所谓图的D(β)-点可区别全染色是指图G的一个正常全染色且使得距离不大于β的任意2点有不同的色集合.文献[2]讨论了图的距离等于2和3的点可区别全染色,文献[3]讨论了图的距离等于4的点可区别全染色.本文主要讨论了圈的D(5)-点可区别的全染色.     

一种基于注意力嵌入对抗网络的全色锐化方法

全色锐化旨在将低空间分辨率的多光谱图像和高空间分辨率的全色图像进行融合，生成一幅高空间分辨率的多光谱图像．伴随卷积神经网络的发展，涌现出很多基于CNN的全色锐化方法．这些用于全色锐化的CNN模型大都未考虑不同通道特征和不同空间位置特征对最终锐化结果的影响．并且仅使用基于像素的1-范数或2-范数作为损失函数对锐化结果与参考图像进行评估，易导致锐化结果过于平滑，空间细节缺失．为了解决上述问题，本文提出一种嵌入注意力机制，并辅以空间结构信息对抗损失的生成对抗网络模型．该网络模型由2个部分组成：一个生成器网络模型和一个判别器网络模型．嵌入通道注意力机制和空间注意力机制的生成器将低分辨多光谱图像和全色图像融合为高质量的高分辨多光谱图像．判别器以patch-wise判别的方式对锐化结果与参考图像的梯度进行一致性检验，以确保锐化结果的空间细节信息．最后，在3种典型数据集上的对比实验验证了所提出方法的有效性．     

联图的邻点全和可区别全染色

考虑路与路、 路与圈、 圈与圈三类联图的邻点全和可区别全染色问题, 通过构造边染色矩阵, 利用组合分析法和分类讨论的思想,  得到了路与路、 路与圈、 圈与圈三类联图的邻点全和可区别全色数的精确值.