【摘 要】
：
随着图数据的日益普及,图挖掘已成为图分析的一项基本任务,其中频繁子图及模式挖掘作为重要一环已经被广泛应用在各个领域,如社交网络分许、蛋白质检测、金融诈骗检测等,它们的目标是在数据图中找到出现次数频繁的子图或者模式。在社交领域中,频繁模式挖掘具有广泛的应用前景,例如在合作图中寻找频繁的合作模式,以此来知道团队的科学构成。但是在关系密集的社交图中,寻找频繁模式是一件极其耗费时间的任务,这使得现有方法难
论文部分内容阅读
随着图数据的日益普及,图挖掘已成为图分析的一项基本任务,其中频繁子图及模式挖掘作为重要一环已经被广泛应用在各个领域,如社交网络分许、蛋白质检测、金融诈骗检测等,它们的目标是在数据图中找到出现次数频繁的子图或者模式。在社交领域中,频繁模式挖掘具有广泛的应用前景,例如在合作图中寻找频繁的合作模式,以此来知道团队的科学构成。但是在关系密集的社交图中,寻找频繁模式是一件极其耗费时间的任务,这使得现有方法难以应用在社交大图上。所以如何在可接受的时间范围内在社交大图上完成频繁模式挖掘任务成为图挖掘的关键问题。因此,本文的主要工作如下:（1）针对在社交大图上频繁模式挖掘规模巨大的问题,提出社交模式的概念和一种基于最小独立个体的支持度度量方式。社交模式的概念在根本上减少了频繁模式挖掘任务的问题规模,这使得在社交大图上进行频繁模式挖掘成为可能。同时,基于最小独立个体的支持度度量方式使得社交模式的支持度可以更快地被计算。（2）针对大图上的频繁模式挖掘任务,提出了一种全新的算法框架SocMi。它基于一种新颖的结构称作路径图,路径图作为频繁模式的存储载体,包含了模式扩展和支持度计算的必要信息,并可以通过路径图的合并加速频繁模式挖掘过程。同时,我们利用缓存机制,进一步优化了SocMi算法。（3）针对频繁模式挖掘任务对时效性的进一步要求,提出了一种非精确的频繁模式挖掘算法框架ASocMi。它基于一种快速探索策略,以完成前期对各个节点邻居信息的收集。同时,提出完备性扩展策略,保证路径图的完备性,从而使得ASocMi作为非精确算法,返回结果接近完备结果集。
其他文献
边界表示（Boundary Representation,BREP）与构造实体几何表示（Constructive Solid Geometry,CSG）是两种主流实体表示法。目前各种商用CAD系统广泛采用BREP表示法,也具有完善的建模方法,而如蒙特卡罗等科学计算程序则采用CSG表示法,但缺乏高效的建模手段。蒙特卡罗等计算领域希望借用商用CAD的完善建模方法,其关键是实现BREP→CSG转换。目前
随着信息化时代的到来,人们渴望计算机能够智能化地处理生活中遇到的各种问题。作为计算机视觉领域的重要课题之一,目标检测为其他高级视觉任务的实现提供了前提条件。目标检测是一个多任务学习的过程,结合深度学习能够快速地从复杂场景中获取目标物体的类别与位置。近些年来,目标检测技术日益成熟,已经广泛应用于日常生活安全、机器人导航、智能视频监控、交通场景检测及航天航空等领域。本文对基于anchor-free的目
机动车在人们日常出行活动中异常重要,也是智能交通系统的主要研究对象之一。近些年来,我国机动车保有量及道路交通量猛增,给交通管理部门的工作增加了极大的压力,同时也对智能交通技术的发展提出了更大的挑战,其中针对车辆型号的识别任务至关重要。然而车辆型号种类多,某些车型外观差异小,并且实际拍摄环境复杂多样,这些因素造成车型精细识别的难度大大提高。针对车型识别任务的研究,本文将视觉注意力机制与深度学习方法相
随着互联网的发展,现在数据越来越多样化并且复杂化。FCM算法对数据集有一定的局限性,通常在球状的类间分离明显,类内紧致的数据集中表现得较为理想。显然,不能很好的处理一些复杂情况。为此,本文我们提出了两个算法,视点驱动的子空间模糊C-均值算法（Viewpoint-driven subspace fuzzy c-means Algorithm,VSFCM）以及核子空间可能性C均值模糊聚类算法（KSPF
偏振敏感型生物可以通过探测偏振光来进行寻找猎物或栖息地等视觉任务,其偏振视觉机制对于现代偏振信息获取和处理技术具有重要借鉴意义。作为典型代表的螳螂虾,其复杂的复眼结构使其拥有多种偏振信息处理系统的可能,其丰富的三轴眼部运动存在潜在的自适应机制,且兼具偏振视觉与颜色视觉。本文从信息处理的角度,探究这一系列生物行为背后的机理,并受此启发设计了系列仿生方法。在目标与背景颜色相近等场景的实验中,本文方法能
超分辨率重建技术旨在从一幅或多幅低分辨率图像中重建出成像系统无法获取的高分辨率图像。该技术在医学成像、视频监控等领域有重要的应用价值,也为目标检测、人脸识别等视觉任务提供了辅助作用。近年来,基于卷积神经网络的超分辨率重建方法在重建质量和效率上都取得了很好的效果,但是基于深度卷积神经网络的重建方法具有参数量大、训练难度过高等缺点,轻量级重建方法仍未能在模型复杂度、重建效率和重建质量之间做出较好的平衡
随着居民生活水平的提高,人们对健康的监测也越发重视。其中心率（Heart Rate,HR）是反应生理信息的重要指标之一,监测心率及其变化对医疗诊断和疾病预防具有重要意义。现存的心率监测装置多为接触式的,如心电图（Electrocardiogram,ECG）监测、光电容积描记（Photo-plethysmography,PPG）监测等。这些监测方式通常需要特殊设备,测量成本较高,并且若长期佩戴,可能
行人检索是可以从原始视频帧中直接对要查询的行人进行定位和识别的技术。一个性能出色的行人检索系统可以省去行人检测的环节,极大地降低行人检索在生产生活中应用和部署的难度,为打造智慧城市、增强城市安全、构建智慧生活提供动力,具有重要的使用价值和现实意义。将行人检测和行人识别在统一的架构里建模,并利用深度学习强大的数据拟合能力来训练行人检索系统是当前研究的主要方法。然而,目前的行人检索算法依然存在检测框不
近年来,随着无线网络技术的发展,使用Wi Fi信号进行人体动作的检测和识别的方法在智能家居、医疗辅助和情感追踪等领域起到了重要作用,受到了大量研究人员的关注和研究。然而,现有的工作多是集中于单人动作的识别,当双人动作均为有效动作时,这类动作识别系统难以分辨出两种动作,从而无法进行有效的检测和识别。因此,本文设计了一个基于信道状态信息（Channel State Information,CSI）的双
自然图像中,常存在各式各样的纹理区域,这些纹理区域会呈现出不同尺度、不同方向等不规则特性。高效准确地提取纹理特征是无监督的自然纹理图像分割方法的关键,而传统的纹理特征提取方法易受到不规则纹理特征的影响,很难稳定有效地提取有区分度的纹理特征,所以无监督的纹理图像分割仍然是一个值得研究的难点和重点。同时,由于纹理图像具有丰富的结构特征,且整体结构具有关联性,而纹理图像的结构特征不受方向和尺度等局部信息