排序方式: 共有13条查询结果,搜索用时 15 毫秒
1.
分形维数及多重分形是分形理论的重要研究内容。复杂网络的多重分形已经得到了较为深入的研究,但对复杂网络多重分形的度量目前并没有可行的方法。带权图是复杂网络研究的重要对象,其中的节点权重及边权重可以为正实数、负实数、纯虚数及复数等多种不同的类型。除节点权重及边权重均为正实数的情形外,其他类型的带权图都具有多重分形特性,且均具有无穷多个复数形式的网络维数。通过对带权图多重分形的研究,文中给出了15种具有多重分形特性的带权图多重分形维数的模所构成的集合,并采用集合的势对带权图的多重分形特性进行度量。研究表明,15种带权图多重分形维数的模所构成的集合均是可数集,其中有2种集合是2重集合,另外13种集合是通常意义上的集合,而且所有的集合均是等势的,其势均为■0。 相似文献
2.
3.
基于邻接矩阵Khatri-Rao积运算及Khatri-Rao和运算,研究了构建超网络的方法,并通过边际节点度及联合节点度来研究超网络的内在机理。将Khatri-Rao积运算迭代地应用于一个初始图序列组成超网络的邻接矩阵,得到一个分形维数不超过3的自相似超网络。若所有初始图均是连通非二分图,则得到的超网络同时具有小世界特性,其直径不超过所有初始图直径和的两倍。此外,将Khatri-Rao和运算顺次应用于多个初始图序列组成超网络的邻接矩阵,得到一个边际节点度呈一维高斯分布而联合节点度呈高维高斯分布的随机超网络。最后,给出了基于矩阵运算的超网络构建方法的若干性质。 相似文献
4.
互联网的高速发展催生了海量网络文本,这对传统的串行文本校对算法提出了新的性能挑战。尽管近年来文本自动校对任务受到了较多关注,但相关研究工作多集中于串行算法,鲜有涉及校对的并行化。文中首先对串行校对算法进行泛化,给出一种串行校对的通用框架,然后针对串行校对算法处理大规模文本存在的耗时长的不足,提出3种通用的文本校对并行化方法:1)基于多线程的线程并行校对,它基于线程池的方式实现段落和校对功能的同时并行;2)基于Spark MapReduce的批处理并行校对,它通过RDD并行计算的方式实现段落的并行校对;3)基于Spark Streaming流式计算框架的流式并行校对,它通过将文本流的实时计算转为一系列小规模的基于时间分片的批处理作业,有效避免了固定开销,显著缩短了校对时延。由于流式计算兼有低时延和高吞吐的优势,文中最后选用流式校对来构建并行校对系统。性能对比实验表明,线程并行适合校对小规模文本,批处理并行适合大规模文本的离线校对,流式并行校对有效减少了约110s的固定时延,相比批处理校对,采用Streaming计算框架的流式校对取得了极大的性能提升。 相似文献
5.
6.
7.
图能量表述为方阵形式的矩阵特征值绝对值之和. 网络能量已在无向图、有向图及混合图中得到较为成功的应用,与传统意义上的图能量之间存在多个相同或相似的上下限. 由于图与超图之间的关联,无向图与有向图的网络能量及无向超图的超网络能量之间存在密切联系. 将超网络能量由无向超图推广应用到有向超图,提出了有向超图的超网络能量,分析了无向超图与有向超图的超网络能量之间的关联,同时论述了无向图与有向图的网络能量及无向超图与有向超图的超网络能量之间的联系,最后给出了有向超图的超网络能量若干重要性质. 相似文献
8.
9.
10.
图能量是图论研究的重要内容,图能量及其变种已在无向图、有向图、混合图等其他多种类型的图中得到很多成功的应用。超网络是一类较传统意义上的复杂网络更为复杂的网络。大多数图能量均是基于矩阵特征值计算得到的,无法推广应用到超网络中,应用范围受限。基于网络维数的网络能量已先后应用于无向图、有向图等多种类型图的分析研究中,并与无向图的图能量及有向图的斜能量等其他类似能量之间存在密切关联。基于超网络的超网络维数,结合网络能量,将超网络维数应用于超网络中,提出了超网络的超网络能量,给出了超网络能量的若干上下限,论证了超网络的超网络能量与图的网络能量之间的内在关联,最后分析了超网络的超网络能量若干重要性质。 相似文献