【摘 要】
：
抽样作为一种有效的统计分析方法,常被用于大规模图数据分析领域以提升性能。现有的图抽样算法大多存在高度节点或低度节点过度入样的问题,较大程度地影响了算法的性能。复杂
【机 构】
：
贵州大学计算机科学与技术学院贵阳550025,贵州省先进计算与医疗信息服务工程实验室贵阳550025
【基金项目】
：
本文受国家自然科学基金项目(61562010,61462012,U1531246),贵州省重大应用基础研究项目(JZ20142001),贵州省数据分析云服务创新团队(黔科合人才团队字[2015]53),贵州大学研究生创新基金项目(研理工2017078)资助
论文部分内容阅读
抽样作为一种有效的统计分析方法,常被用于大规模图数据分析领域以提升性能。现有的图抽样算法大多存在高度节点或低度节点过度入样的问题,较大程度地影响了算法的性能。复杂网络具有无标度特性,即节点的度服从幂律分布,节点个体之间存在较大差异。在基于点选择策略的抽样方法的基础上,通过结合节点的近似度分布策略,设计并实现了高效无偏的分层图抽样算法SNS。在3个真实的图数据集上的实验结果表明,SNS算法比其他图抽样算法保留了更多的拓扑属性,且执行效率比FFS更高。SNS算法在度的无偏性、抽样结果拓扑属性近似性方面的表现均
其他文献
函数P-集合是P-集合的函数形式,是通过改进P-集合得到的一个具有动态特征、规律(函数)特征的信息规律模型。在函数P-集合中,函数的属性满足数理逻辑中的合取范式。函数逆P-集
将车联网中高维的时空特征嵌入到低维的特征语义词袋是一种典型的聚类问题。谱聚类因其计算简单且有全局最优解的特点而备受关注,但是关于其聚类数目的研究工作相对较少。针
针对现有图像修复算法存在受损区域的形状和大小受限以及修复痕迹明显、修复边缘不连续的问题,文中提出一种基于生成对抗网络的图像修复方法。该方法采用生成对抗网络(Generative Adversarial Networks,GAN)这种新的生成模型作为基本架构,结合Wasserstein距离,同时融入条件对抗网络(CGAN)的思想;以破损图像作为附加条件信息,采用对抗损失与内容损失相结合的方式来训练网
P-集合(P-sets)是一类具有动态特征的集合模型,在P-集合中,元素的属性满足数理逻辑中的合取范式。P-集合是把动态特性引入到有限普通元素集合(有限Cantor set)X内,来改进有限
随着移动互联技术的快速发展和普及,产品的使用越来越无处不在,这也要求用户体验研究必须与情境紧密关联。但对于用户体验研究,现有的技术手段在识别和感知研究人员感兴趣的
移动用户界面模式能够有效地提高移动界面开发的效率和质量。针对现有界面模式检索方法的检索结果不能满足界面开发需求的问题，提出一种基于冲突度和协同过滤的移动用户界面模
针对真实场景中由于互相遮挡导致的场景语义不能完全被理解的问题,提出了一种基于前馈上下文和形状先验的方法来对前景区域和被遮挡的背景区域进行语义标注。首先,将原始图像分割成超像素并提取像素点特征,采用加速决策树方法标注前景,同时采用改进的基于多尺度可形变的部件模型方法进行目标检测。其次,将可见对象信息与前馈上下文预测相结合来推测背景区域的被遮挡部分。然后,根据与当前标签置信度相匹配的多边形为每个标签提
空间碎片观测过程中,云层干扰是光学望远镜观测的一个瓶颈。提出一种新的云量计算方法,把云量仪检测到的云层分布图像分成24个区块,分别对每个区块的像素值进行统计,如果统计结果大于一个给定的阈值T,则表示该区块的云比较多;如果小于阈值T,则表示该区块内没有云层覆盖,可以将望远镜引导到该区块的对应位置。研究表明,该方法简单易行,具有较高的使用价值,可以实现对望远镜的自动引导,提高望远镜的观测效率。
文中提出了双摄像机模组位姿调节参数计算的GA优化BP神经网络模型,根据目标模板上的特征点在双摄像机上的成像坐标,计算两个摄像机之间的位姿偏离参数。为弥补BP神经网络的不足,采用GA算法对BP神经网络进行了优化。利用训练样本数据集对所提出的模型进行了训练,并利用测试样本数据集对模型进行了测试;最后将训练好的模型用于双摄像机模组位姿调节的实际生产中。实际应用结果表明,基于所提出的方法设计的双摄像机模组
针对当前"置乱-扩散"模式的彩色图像加密算法所存在的密钥空间小、加密过程繁琐以及安全性不足等问题,文中基于超混沌系统提出了一种采用"转换-置乱-扩散"模式的超混沌系统彩色图像加密算法。该算法在进行置乱操作前,首先根据图像自身属性计算其迭代次数,对彩色图像的所有像素值进行格雷码迭代转换,然后将四维超混沌系统产生的混沌序列和转换为格雷码的像素矩阵转换为一维矩阵,对混沌序列进行排序,对像素矩阵进行同步位