基于关联规则和拓扑序列的分类器链方法

在分类器链方法中,如何确定标签学习次序至关重要,为此,提出一种基于关联规则和拓扑序列的分类器链方法 (TSECC).首先结合频繁模式设计了一种基于强关联规则的标签依赖度量策略;接下来通过标签间依赖关系构建有向无环图,对图中所有顶点进行拓扑排序;最后将得到的拓扑序列作为分类器链方法中标签的学习次序,对每个标签的分类器依次迭代更新.特别地,为减少无标签依赖或标签依赖度较低的“孤独”标签对其余标签预测性能的影响,将“孤独”标签排在拓扑序列之外,利用二元关联模型训练.在多种公共多标签数据集上的实验结果表明, TSECC能够有效提升分类性能.

梅花图的四种同源标号

利用梅花图的一种称之为“源标号”的辅助标号,分别给出了梅花图的奇优美标号、奇强协调标号、(k,d)-算术标号、k-优美标号。

强杂波环境下的LGM-PHDF算法

为解决LGM-PHDF算法在强杂波环境下,错误率和时间复杂度增加的问题,提出一种改进算法。在预测步骤结束后,使用量测信息和预测信息得到残差向量,通过椭球门限技术得到与目标真实状态接近的有效量测;在更新步骤中,只使用有效量测对高斯项进行更新,使用标签管理机制更新目标航迹。仿真结果表明,在强杂波环境中,改进算法降低了计算复杂度,具有更好的跟踪精度。

关于联图P_1VP_n的k-强优美性

本文研究了联图P1VPn的k-强优美性问题.利用k-强优美图的定义,获得了联图P1VPn是k-强优美图的必要条件,还得到了当n=2k-1时联图P1VPn是k-强优美图,亦是k-优美图,及当n≥3时联图P1VPn是2-强优美图,也是2-优美图的结果,推广了联图P1VPn是优美图的结果.

联图G_p=C_3∨K_(p-3)的性质和标号研究

研究一类联图Gp=C3∨Kp-3的有关性质,同时研究其优美标号和强协调标号,证明此类联图和它的冠都是优美图和强协调图.

π-网的强互模拟等价

该文建立了π 网的强互模拟等价关系 ,对π 网的结构作了进一步的研究 .π 网是一类新型的基于π 演算语义的模块化高级Petri网 ,是对两类并发模型Petri网和π 演算的有效结合 ,它的并发语义既是“真正并发”的又是“交互”的 .π 网的强互模拟等价是针对π 网的交互性并发语义的 ,是基于π 网的标号操作语义规则 ,并直接用π 网作为计算单元来实现的互模拟计算 ,使得π 网的行为能够从动态和静态两方面得到考察 .该文证明了对于任意的一个π 网N ,都存在一个π 进程P ,在π 网与π 演算系统等价映射Ψ下 ,Ψ(N)与N是强互模拟的这一重要的结论 .

塔图T_n的强协调性

定义了一类新的图形———塔图,给出了它的强协调标号,从而证明了其是强协调的.

伞状树的奇强协调性

设G=<V,E>是一个简单图,若存在一个映射f:V(G)→{0,1,2,…,2|E|-1}满足(1)对任意的u,v∈V,若u≠v,则f(u)≠f(v);(2)对任意的e1,e2∈E,若e1≠e2则g(e1)≠g(e2),此处g(e)=f(u)+f(v),e=uv,且{g(e)|e∈E}={1,3,5,…,2|E|-1},则称G是奇强协调图,f为G的奇强协调标号,讨论了一类树的奇强协调性.

房子图H_(m,n,3)的优美性和强协调性

定义一类新的图形——房子图Hm,n,3,设计一个算法并通过计算机给出房子图的优美标号和强协调标号,从而证明其不但是优美的而且是强协调的.

一类蜘蛛树T2n的强优美性

用T2n表示有2n点的树,给出了T2n优美,强优美性.

关于(k,d)—算术图的一些结论

讨论了(k,d)—算术图的一些性质,并给出了当n≥5时,Kn不是(k,d)—算术图的猜想的一个新证明。

强优美树的几个结果

研究了偶数阶树图的强优美性质,得到了一些特殊图类的强优美标号,从而证明了这些树图都是强优美图.

三星体R_（n－p，n，n＋p）（P＝1，2）是强优美树

引入强优美树概念，证明了三星体Ｒ＿［（ｎ－ｐ），ｎ，ｎ＋ｐ］（ｎ为自然数；ｐ＝１．２）是强优美树，从而得到四星体Ｒ＿［（ｎ－ｐ），ｎ，ｎ＋ｐ，ｍ］（ｍ，ｎ为自然数；ｐ＝１，２）是优美树的结果。

一类联图的性质和标号研究

研究了一类联图Gp=C3∨Kp-3的有关性质,同时研究了其优美标号和强协调标号,证明此类联图和它的冠都是优美图和强协调图。

关于强优美树的几个结果

给出了强优美树的几个结果．

一类强优美标号树

通过依次给具有二分优美标号的树的每个顶点连续添加两次悬挂点,运用拆分的方式,有效证明了一类超级对虾树S(P_(2m))(其中m为任意正整数)为强优美树,该方法称为悬挂-拆分法.

三星体Rm，n，p（p为偶数且p≤m，n）是强优美树的一个充分条件

本文给出三星体Ｒｍ．ｎ，ｐ（Ｐ≤ｍ，ｎ且ｐ为偶数）是强优美树的一个充分条件，并由此构造出了一类新的非交错的优美树。

多模型GGIW-GLMB算法跟踪机动群目标

针对多个机动群目标跟踪问题,提出了一种多模型伽马高斯逆威夏特-广义标签多贝努利(MM-GGIW-GLMB)算法。采用多模型算法对群目标进行运动建模,利用最适高斯(BFG)近似在预测阶段对多模型进行融合,减小了多模型算法的运算量,为进一步提高算法在目标机动阶段的跟踪性能,引入强跟踪滤波器(STF)对BFG算法得到的预测状态协方差进行修正。利用最优次模式分配(OSPA)距离及其一倍标准差和航迹标签正确率衡量算法对机动群目标的跟踪性能。仿真结果表明,本文算法能够提升对机动群目标的跟踪精度和稳定性。

一类蜘蛛树的奇强协调性

给出了一种构造奇强协调图的方法,证明了对任意给定的正整数m,若蜘蛛树T的每条腿长为m,则T是奇强协调图.

图的强协调性的两个充分条件

给出了图强协调的两个充分条件 ,从而由已给的强协调图可构造更大的强协调图。