基于多粒度的异质图表示

异质图表示学习旨在将图中的语义信息和异质的结构信息嵌入到低维向量空间中。目前大多数的异质图表示学习方法主要通过基于元路径、元图和网络模式的采样以保留图中同类型节点间的单粒度局部结构,忽略了现实世界中复杂异质图具有的丰富的层次结构。商空间理论中的多粒度思想可以在不同粒度内捕获节点间的潜在联系。因此,为在异质图表示中有效地保留层次结构的信息,文章提出一个基于多粒度的异质图表示方法（Heterogeneous Graph Representations Based on Multi-granularity,HeMug）。该方法首先基于不同元路径构建多个同质子图,并利用多粒度的粗化思想,将每个同质子图分别粗化形成多个多粒度子网络,以保留异质图中同类型节点在给定元路径下的层次结构。其次,利用多粒度的细化思想,将每个多粒度子网络最粗层通过现有表示学习方法获得的节点表示逐层细化,以得到节点在每个多粒度子网络下的表示。最后,设计注意力机制以融合节点在不同元路径对应的多粒度子网络下的表示。在四个真实数据集上的实验结果表明,与对比算法相比,提出的HeMug获得了更有效的节点表示。     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

σ—可加Fuzzy集上的Fuzzy测度

文[2]在σ-可加 Fuzzy 集上提出了可加 Fuzzy 测度的概念,得到了许多与经典测度一致的很好的结果,但在实际问题中往往会出现非可加的情况,本文研究了σ-可加 Fuzzy集上非可加测度(即 Fuzzy 测度)的结构待征及其性质,并说明文[3]中的绝大多数结果是本文的特殊情形。     

Fuzzy向量测度及其积分

本文首先在欧氏空间Ｒ￣ｍ中引进序“≤”关系,定义了取值于Ｒ中的Ｆｕｚｚｙ向量测度。在第三部分讨论了取值于Ｒ中的可测向量函数列的收敛,在第四部分定义了可测向量函数关于Ｆｕｕｚｙ向量测度的积分并讨论了这种积分的收敛性。     

改进位姿估计环节的ORB-SLAM稠密建图算法

为了提高ORB-SLAM2系统的位姿估计精度并解决仅能生成稀疏地图的问题,提出了一种融合ICP算法与曼哈顿世界假说的位姿估计策略并在ORB-SLAM2系统中加入稠密建图线程来实现稠密建图。首先通过ORB特征点法、LSD算法和AHC方法进行点、线、面特征的提取,其中点、线特征跟上一帧匹配,面特征在全局地图中匹配。然后采用基于surfel的稠密建图策略将图像划分为非平面与平面区域,非平面采用ICP算法计算位姿,平面则通过面与面的正交关系确定曼哈顿世界从而使用不同的位姿估计策略,其中曼哈顿世界场景通过位姿解耦实现基于曼哈顿帧观测的无漂移旋转估计,而曼哈顿世界场景下的平移以及非曼哈顿世界场景位姿采用追踪的点、线、面特征进行估计和优化;最后根据关键帧和相应位姿实现稠密建图。采用TUM数据集对所提建图方法进行验证,实验结果与ORB-SLAM2算法比较,最终均方根误差RMSE平均减少0.24cm,平均定位精度提高7.17%,验证了所提方法进行稠密建图的可行性和有效性。     

Hamilton图的代数刻划

运用矩阵方法,给出了连通图是Ｈａｍｉｌｔｏｎ图的一个代数刻划     

组合合成阵的不可约性

本文讨论了布尔矩阵的组合合成的基本性质,用图论方法找出了２级组合合成阵为不可约的一些充分条件。     

基于图搜索算法的探讨

讨论了图搜索的非启发式和启发式算法,着重分析了它们各自的复杂性、优缺点及其相互关系,提出了改进要点．这对于如何选用一个合适的搜索算法是十分有益的．     

最小度为3k／2—1（k为偶数）的k连通图的可收缩边

最小度δ（Ｇ）＝３ｋ／２－１（ｋ为偶数）的ｋ连通图Ｇ至少有｜Ｇ｜＋５（ｋ＾２－１０ｋ）／４条可收缩边,且当｜Ｇ｜是ｋ的整数倍时,这一界是最好的。     

Ramsey数R（6,n）的两个下界

构造了２个新的素数阶循环图,从而得到了２个Ｒａｍｓｅｙ数的下限：Ｒ（６,１６）≥２７８,Ｒ（６,１７）≥３９８。此结果已经计算机验证,填补了Ｒａｍｓｅｙ数下界的２个空白。