折叠超立方体的边邻域连通度

折叠超立方体是最受关注的网络模型之一.设e是图G的一条边, 如果从图G中删掉以e为中心的双星子图,则称e"倒戈".设S为一个边集, 如果S中的边全部倒戈, 若剩下的子图或者不连通, 或者是一个孤立点, 或者是空集, 则称S为G的割边策略.G的最小割边策略所含的边数为边邻域连通度.该文主要证明了折叠超立方体FQn的边邻域连通度为n.     

应用小波包变换的图像加权广义模糊增强算法

图像边缘细节富含高频成分,鉴于小波包分析具有对高频分辨率高的特点,提出一种应用小波包变换的图像加权广义模糊增强算法。对图像进行小波包分解,分别对各分解子图像进行基于线性广义模糊算子（LGFO）的模糊增强处理,重构前对各增强子图像赋予不同的权值,通过小波包图像重构实现对原始图像的加权模糊增强处理,获得细节丰富、对比度强的高质量增强图像。在基于边缘测度与噪声标准差的增强图像质量评估标准下,算法实现了模糊参数的自适应寻优。实验表明,增强图像轮廓准确、细节丰富。     

D（pn）图的邻点强可区别全染色

设f为用k色时G的正常全染色法,对任意的边uv∈E（G）,其端点的色集合满足C（u）≠C（v）,其中C（u={f（u））U{f（v）｜uv∈E（G））U{f（uv）}uv∈E（G））,则称,是G的k邻点强可区别的全染色法（简记作k-AVSDTC）,且称xast（G）=min{k}G的所有k-AVSDTC}为G的邻点强可区别全色数．本文得到D（pn）图的邻点强可区别全色数,其中pn为n阶路．     

直觉模糊集的一对分解定理

首先指出了相关研究中给出的直觉模糊集分解定理中被分解的直觉模糊集本身是分解式中的一项且分解式中各项大量重复和某些错误,提出了模糊集或直觉模糊集的分解定理应当把一个模糊集或直觉模糊集表示成与之有关的一族具有某种共同特征的其他模糊集或其他直觉模糊集的并或交的观点.然后在引入模糊集及直觉模糊集的λ-截积与λ-截和的基础上给出了直觉模糊集的基本定理,即任一直觉模糊集的所有λ-截积(强λ-截积)与λ-截和(强λ-截和)仍然是直觉模糊集;并证明了任一模糊集或直觉模糊集等于它的所有λ-截积(所有强λ-截积)之并,也等于它的所有λ-截和(所有强λ-截和)之交,这些结果分别称为模糊集、直觉模糊集的分解定理.     

NQD样本下非参数回归函数最近邻密度估计的相合性

在样本为平衡的两两 NQD的情况下得到了非参数回归函数m(x) 的最近邻估计mn(x) 的相合性.得到弱相合的充分条件比在样本序列((xn,yn),n≥1)为平稳-混合情况下得到的mn(x)的弱相合性的充分条件弱.     

一类组合和式的性质与应用

设k,n,r∈N,记F（r,n,k）=∑ri=0（-1）r-inr-iik,证明了F（r,n,k）的若干性质,推出了F（r,n,k）的4个递推关系式和5个关系式,得到了公式F（n＋h,n,n＋k）=∑hr=0hr（n＋r）!∑k-ri=0s（ik-r）k＋nk-r＋i和F（n,n＋h,k）=∑nr=1（-1）n-rh-1＋n-rn-rr!∑k-ri=0si（k-r）kk-r＋i（k〉0）,其中（s（ik））=is（ik-1）＋（k＋i-1）si（-k1-1）（1≤i≤k）.还导出了重要公式F（r,n,n）＋F（n-r,n,n）=n!（0≤r≤n）.     

基于VCSBC4018智能相机的油罐口识别

为解决石化企业油料的自动装卸问题,采用智能相机VCSBC4018,将油罐口检测问题转化为检测圆形物体圆心问题．对现有圆检测技术分析后,最终采用边缘匹配作为二次定位的方案,在对程序做了优化以后,提高了系统运行效率,实现了对油罐口的检测与识别．     

电容式湿度传感器结构优化

对圆筒形电容式湿度传感器进行合理的结构优化．依次改变极板的直径、长度、厚度、间距、个数等,利用有限元分析软件模拟上述条件下电容器极板的场强的分布,找到场强随这些参数的变化规律．分析结果发现,单层极板呈现出明显的边缘效应;随直径增大,边缘场强与内部场强的比值增大;极板越薄,边缘场强越小;适当加大极板长度,可减缓边缘场强增加的速率,但效果有限．多层极板,随间距增大,边缘场强与内部场强的比值增大,但总电容变化量减小;极板的间距应适当选取．对于多层极板,中间极板的场强有相互抵消的现象,故而可以适当减小中间极板的间距,以增加极板的个数,对测量有利．推荐了最佳尺寸．     

平方补数与除数和函数的混合均值

考虑平方补数S2（n）与除数和函数σ-1（n）的混合均值,用解析方法得到了∑n≤xσ-1（S2（n））n的渐近公式,所得结果补充了有关文献的结论.     

基于HSI空间和边缘检测的一种高性能的车牌定位方法

首先把图像的RGB空间转换成HSI空间,根据车牌区域在HSI空间的特征并结合模糊集合理论可分别得到H特征图、S特征图和I特征图.如果根据这三幅特征图定位车牌失败,则根据车牌的彩色边缘得到边缘特征图.如果边缘特征图也无法定位车牌,则把HSI特征图和边缘特征图结合起来再对车牌重新定位.进行的实验中共有200辆车辆图像,只有9辆定位失败,准确率达到95%.