求二部图的最大匹配图的一种算法

 一个图的最大匹配图是以这个图的最大匹配集作为顶点集,两个顶点相邻当且仅当这两个最大匹配恰有一条边不同.本文首先对Gallai Edmonds结构定理中的三部分顶点在二部图中进行了详细刻画.然后讨论了构造最大匹配图问题的计算复杂性.最后深入研究了二部图最大匹配图的结构性质并给出了构造二部图的最大匹配图的一种算法.     

求二部图最大匹配的一种算法

提出求二部图最大匹配的方法,其主要思想是基于最小度顶点的优先匹配,在采用邻接表作为存储结构的前提下,给出了算法描述。     

基于二部图匹配算法的围堵模型

针对目前个别地区街面极端犯罪活动的高发性,本文基于二部图理论,以匈牙利算法进行匹配分析,建立了围堵犯罪嫌疑人的数学模型。将某市交通路线及路口数据转化成图,利用二部图匹配的方法计算出接警后巡警围堵成功的最短时间和最佳方案,提高巡警对犯罪活动的打击力度。同时,该模型利用计算机编程实现,具有良好的推广价值。     

改进的基于二部图网络结构的推荐算法

基于二部图网络结构的推荐算法得到了越来越多的关注。原始的基于二部图网络结构的推荐算法只判断用户是否选择过项目,并没有考虑其他有价值的可用于提升推荐效果的信息,而且该算法只在本地进行算法评价,并没有在大数据平台上进行验证。针对这些问题,文中采用用户的点击、收藏、加入购物车和购买四种行为构造用户对商品的评分系统,考虑了数据的时间特征,对各个系数采用遗传算法进行了优化,并且对算法中的矩阵相乘进行了优化。最后采用天猫的真实数据进行实验。实验结果表明,改进后的算法能够在数据量较低的时候提高推荐准确性,但在天猫海量数据下二部图算法仍然很难应用。     

一种基于二部图和节点角色划分的社交网络推荐方案

针对现有社交网络用户推荐方案中大规模网络个体相似性计算复杂度高以及个体节点无差异对待的问题,本文提出一种基于二部图和节点角色划分的推荐方案.首先,通过划分重叠群体简化原生社交网络结构,并进一步构建群体-个体二部图模型;其次,通过群体-个体二部图所反映的拓扑特征,结合节点自身属性特征,对个体进行角色划分,提出一种基于群体-个体二部图的角色划分模型;最后,针对大规模网络中计算个体相似性复杂度高的问题,构建基于角色差异下的个体-个体二部图模型,实现层次化、个性化的推荐.实验表明,该方案适用于对社交网络中兴趣广泛度存在差异的个体间进行好友推荐,并在较小规模的二部图上生成目标个体推荐列表,降低了计算个体相似性的复杂度.     

基于图神经网络的推荐算法研究

推荐系统中较为经典的协同过滤算法存在数据稀疏性和冷启动的问题,直接影响着评分预测的准确性。针对其存在的问题,文章提出一种端到端的基于图神经网络的推荐算法,该模型通过将原始的评分矩阵以用户项目二部图的形式作为输入,通过图卷积编码器来迭代聚合邻居节点信息得到用户及项目的潜在向量表示,经过非线性变换层传给解码器来重构邻接矩阵,缓解了数据的稀疏性对评分预测的影响。在MovieLens公开数据集上的实验结果表明,该模型的预测精度较经典的协同过滤模型有了明显的提升。     

基于蚁群聚类的二部图网络推荐算法

二部图网络推荐算法是近几年研究较多的推荐算法,但在进行资源分配时都是基于全部用户的资源,大量不相干的用户使得用户间的耦合度下降,影响推荐质量。针对该问题,文中利用蚁群聚类算法基于用户进行聚类,后根据项目一定半径内的项目集合进行二部图网络推荐,实验结果显示在一定条件下该算法相比原来算法有较好的推荐性能,表明该算法在一定的条件下能降低耦合度过低的影响。     

基于二部图的P2P资源挖掘方法

针对目前结构化P2P(对等网)网络中资源检索查全率与查准率不高的问题,提出一种基于二部图的P2P资源挖掘方法。首先通过分析P2P网络中海量的检索和下载行为,采集关键字与资源的关系对,构成网络图,然后通过二部图社区发现算法对其划分社区,挖掘潜在的关键字与资源的关系。实验数据表明,该方法有效的扩展了关键字与资源的关系。     

基于异构图嵌入的恶意软件检测

和同构图相比,异构图包含多种节点类型和关系类型,可以表征更丰富更复杂的内容。文中提出了一种基于异构图嵌入的恶意软件检测方法,从威胁情报平台得到恶意样本的基本信息和行为报告,提取出报告中的函数调用行为、文件行为和注册表行为,构造出包含软件及其动静态特征的异构图;根据设计的元模式在图上随机游走生成语料库,通过嵌入模型得到特征向量;将嵌入降维后的特征向量送入分类器进行分类完成检测。实验筛选了4 902个样本用于验证方法效果,结果表明提出的方法检测准确率达到99.1%,可以有效检测恶意软件。     

基于单通道多尺度图神经网络的自动调制识别

针对自适应可见性图(AVG)算法复杂度过高且精度提升不明显的缺点,该文提出一种基于单通道多尺度图神经网络(SMGNN)的自动调制识别(AMR)框架,并对框架各个部分进行了可解释性研究。首先利用多层感知机和1维卷积自适应地实现了单通道信号序列和图之间的映射,有效降低了AVG算法的复杂度;其次,设计了一种多尺度图神经网络,将不同分辨率的特征进行融合,提升了模型识别准确率。实验表明,该文提出的SMGNN算法相比于AVG算法节省了近1/2的参数量,且识别精度得到了较大的提升。     

弦二部图的概念格表示

 本文首先讨论了二部图中双单纯边与概念格中概念之间的对应关系;其次研究了弦二部图和约简的形式背景的若干性质;最后将概念格中元素的消除理论应用于二部图的研究,给出了弦二部图的概念格刻画.结果表明,一个二部图是弦二部图当且仅当对应的概念格中有一个∨∧—不可约元的完美消除序列.     

基于深度学习的汉字识别

随着深度学习的持续发展,近年来用于手写汉字的识别也有了极大的突破,但现有的许多方法参数众多、运算量较大、模型架构庞大且相对复杂,所需存储容量大,对实验的环境要求较高。针对以上问题,提出了基于MobilenetV2的汉字识别,采用深度可分离卷积,相对于其他的网络模型,在运算量、模型架构等问题上化繁为简,且MobilenetV2网络模型是在MobilenetV1的基础上进行改进的,增加了线性瓶颈和倒残差。一是扩充了通道数用来提取更多的特征信息,二是使用线性函数替换ReLU用来降低变换过程中信息的损失率。适合于移动设备设计,通过大型中间张量来显著减少内存占用,其综合识别的准确率可以达到92%以上。     

基于加权二部图及贪婪策略的蜂窝网络D2D通信资源分配

D2D(Device-to-Device)通信是解决频谱资源稀缺问题的关键技术之一。该文研究蜂窝网络中“many-to-many”的复杂场景,即单个RB(Resource Block)可以分配给多对D2D用户重用,并且允许单个D2D用户对使用多个RB,其中D2D用户对数量远多于蜂窝用户设备(Cellular User Equipment, CUE)数量和RB数量。考虑CUE对资源使用具有更高优先级,将此优化问题分解为蜂窝用户资源分配和D2D用户资源重用两个阶段。在第1阶段,提出基于公平性的循环二部图匹配(Fairness-based Circular Bipartite Graph Matching, FCBGM)算法,将现有的RB分配给所有CUE,以最大化蜂窝用户和速率。在第2阶段,分别提出基于二部图的资源重用(Bipartite Graph-based Resource Reuse, BGRR)算法和基于贪婪策略的资源重用(Greedy-based Resource Reuse, GRR)算法,目标是将已经分配给CUE的RB再次分配给D2D用户重用,以最大化系统和速率,同时确保CUE的基本速率需求。仿真结果表明,在D2D用户对数量远大于CUE数量和RB数量的情况下,与现有典型算法相比,所提算法能够有效提高系统和速率,增加D2D接入率,同时兼顾用户公平性和服务质量需求。     

基于图搜索的特定领域语音识别

提出在某个特定领域或场合,使用该领域的特定语法规则直接指导声学层识别。使用特定的词图表示该领域的语法规则,直接在词图上作声学层、语言层统一的识别搜索。通过实验验证,该方法显著提高了在特定领域应用的识别正确率。     

基于改进卷积神经网络的手写体汉字识别

本文针对传统脱机手写体汉字识别特征提取非常困难的问题,文章在GoogLeNet网络的基础上搭建了一个适合脱机手写体汉字识别的卷积神经网络。文章首先介绍了卷积神经网络的基本原理和GoogLeNet网络中Inception模块的特点,然后通过激活函数,批量归一化,加入注意力机制等方法对网络进行优化。实验结果表明,改进后的神经网络准确率达到98.1%,相比于AlexNet,Xinception等卷积神经网络模型的识别准确率有明显的提高。     

基于GoogLeNet的手写体汉字识别

近年来基于深度学习的方法识别手写体汉字取得了很多突破,但现有的一些方法存在计算参数多、模型收敛慢、训练时间长的缺点。针对以上问题,提出了基于GoogLeNet的脱机手写体汉字识别模型HCCR-IncBN,模型使用了5个Inception-v2模块,训练参数较少,模型收敛更快,存储整个模型只需要26MB的存储空间。实验利用HCCR-IncBN模型在ICDAR2013数据集获得了95.94%的识别准确率,表明模型在没有使用任何手写体汉字的特定领域知识和无需人工提取其他特征的前提下能够获得较高的识别效果。     

基于IQ图特征的小样本通信辐射源个体识别

在真实的战场环境中,我们很难采集到足够的带标签的敌方辐射源数据,因此,小样本学习变得越来越重要。通过不断地发展,CNN神经网络有着很强的处理图片分类的能力。在小样本条件下,为了充分利用发展最为成熟的CNN神经网络,本文提出了将一维IQ数据转化成二维的IQ图特征的方法,来进行针对小样本的分类任务。由于数据的IQ图具有重复性与个体的差异性,通过实验,这种方法在识别不同个体超短波电台上有着99.5%的正确率,对比双谱特征,IQ图特征具有更强的识别能力。这种特征变换方法简单,并且CNN网络处理图片分类的技术成熟,具有很强的实用性。      

基于图神经网络的行人重识别算法

本文提出了利用图卷积神经网络来进行行人匹配,图的形式在刻画匹配对象时往往具有更为灵活和丰富的表达能力,图结构可以更好地表达时空与位置信息,实现从低层像素级到高层语义体级对图像进行描述,对于遮挡的行人重识别问题有更好的鲁棒性。     

基于多重卷积神经网络的大模式联机手写文字识别

联机手写识别在日常生产生活中有着广阔的应用,模式识别也一直把其作为研究的重点。传统的识别方法是利用普通卷积神经网络技术,该方法在对小规模字符集联机手写文字识别时有着较高识别率,总体性能高,但在对大规模字符集识别时,识别率则大大降低。提出一种基于多重卷积神经网络的识别方法,旨在克服以往方法对大规模字符集识别时识别效率不高的问题,提高大规模字符集联机手写文字的识别率。系统使用随机对角Levenberg-Marquardt方法来优化训练,通过使用UNIPEN训练集测试该方法识别准确率可达89%,是一个有良好前景的联机手写识别方法。