可星形分解的联想过程分析

将联想过程抽象成联想图 ,该图是以变量之间的相关性和条件相关性表示的正态分布 ,并讨论了联想图的若干性质 ,它们恰当地反映了联想认知的某些方面 ,证明了联想图可星形分解的充要条件 ,给出了可星形分解的判定算法和转换算法 ,这些结论定量地揭示了联想过程的若干性质 ,因而在产品的概念设计。

大规模RDF图数据上高效率分布式查询处理

知识图谱是智能数据的主要表现形式,随着知识图谱领域的不断发展,大量的智能图数据以资源描述框架(resourcedescriptionframework,简称RDF)形式发布出来.RDF图上的SPARQL查询语义对应于图同态,是一个NP-完全问题.因此,如何使用分布式方法在大规模RDF图上有效回答SPARQL查询是一个富有挑战性的问题.目前已有研究使用MapReduce计算模型处理大规模RDF数据,但其将SPARQL查询拆分成单个的查询子句,没有考虑RDF数据的丰富语义和自身的图特性,导致Map Reduce迭代次数过多.首先,利用RDF数据内嵌的语义和结构信息作为启发式信息,将查询图分解为星形的集合,可以在更少次迭代内得到查询结果.同时,分解算法给出中间结果较少的星形匹配顺序,基于此顺序,每轮Map Reduce操作通过连接操作匹配一个新的星形,直至产生最终的答案.最后,在标准合成数据集WatDiv和真实数据集DBpedia上进行大量的实验评估.实验结果表明:所提基于星形分解的分布式SPARQLBGP匹配算法能够高效回答查询,查询时间比SHARD和S2X算法的查询时间平均提高一个数量级,且优化算法的查询时间与基本算法相比缩短了49.63%～78.71%.

监视器覆盖多边形新算法

考察了简单多边形的核在构成方面的性质,结合已有结果,提出一个新算法.该算法先搜索当前凹点,并由该凹点所在边引射线,将多边形所在平面分为A、B、C三个区域.利用凹点的B域将多边形分成若干有核部分,在每一部分的核区域放置一个监视器,从而实现监视器覆盖多边形.本算法时间复杂性为O(nm2).

改进的基于mean value重心坐标的多边形变形

对平面多边形的变形,为了避免变形过程中边界的退化和自交现象,目前主要采用将初始多边形与目标多边形分别嵌入到具有凸边界的同构三角网格中去,转化成三角网格的变形问题。但该方法在进行同构三角剖分时,增加的额外点数目较多,复杂度高,且不能实现刚性变形。论文提出一种基于多边形星形分解的同构三角网格剖分算法,使用较少的额外点,降低了算法复杂度。此外,文中选择正多边形作为三角网格的边界,并采用刚体变形技术以保持初始多边形和目标多边形尽可能刚性地变形,取得了较好的变形效果。