基于拟Laplace谱的形状表示与聚类

基于谱图理论的形状表示与聚类是计算机视觉和模式识别领域的重要研究方向。针对不同形状的结构特征,通过对形状骨架点所构完全图的拟Laplace矩阵进行奇异值分解,将得到的高维数据投影至低维空间中,进而分析该数据在低维空间中的分布情况实现聚类。针对公共数据集的对比实验验证了该算法的有效性。

s=4的完全多部图K_(a_1n_1,a_2n_2,…,a_sn_s)的无符号Laplace特征多项式

文中计算得到了完全多部图K(n1,n2,…,n)t=Ka1n1,a2n2,…,asns当s=4时的无符号Laplace特征多项式。

融合饱和梯度和Laplace谱的概率松弛匹配算法

文章将彩色图像的色彩信息和邻域信息引入谱匹配算法中,运用更能反映图的结构信息的Laplace谱,提出了一种融合彩色图像特征点的饱和梯度和Laplace谱的概率松弛匹配算法。先根据特征点点集的Laplace谱的相关性作为初始匹配,再利用概率松弛迭代寻找点之间匹配关系。实验结果表明该算法可获取较高的匹配精度。

基于拉普拉斯图谱和K均值的多社团发现方法

分析了常见的社团发现算法的特点,以及谱二分法在实际应用中必须不断迭代才能完成多社团发现的不足,并提出了基于Laplace图谱和K-Means聚类算法的多社团发现方法,该方法是一个可视化的决策过程。根据Laplace图谱的次小特征值和第三小特征值对应的特征向量,构成聚类样本并显示出来。根据决策者的意图,由决策者来确定社团的个数和聚类中心,应用K-Means聚类算法一次完成多社团的分类。

三种经典复杂网络社区结构划分算法研究

社团结构是复杂网络的重要特征之一。针对复杂网络中社团划分问题,文章给出了三种经典的社团划分算法,阐述了各种算法的基本原理,并对各算法进行了适当的分析和比较,为实际应用中社团划分算法的选择提供了参考。

图的度平方和与拉普拉斯谱的关系

对于n个顶点,m条边的简单图来说,当它的非零拉普拉斯谱相同时,它的度平方和取到最小值.

完全3-部图的无符号Laplace谱

给出了完全3-部图Km,n,l是Q-整图的充分必要条件,同时,通过计算构造了无穷多个Q-整的完全3-部图。

积运算符号图的谱

对图中的每条边标记正边或负边,这样的图称为符号图。给出符号图的积运算(对称积、直积、半强积、强积)的定义,得到这些积运算符号图邻接矩阵的张量形式,并得到积运算(直积、半强积、强积)符号图的邻接谱。