输出MATLAB图形的几种方法

本文介绍了输出MATLAB图形和Simulink仿真模型图的几种方法，并对其进行了比较，用户可以根据输出图形的要求和用途，选择合适的输出图形的方法，以实现MATLAB图形和Simulink仿真模型图方便，高质的输出。     

显示PCX图形的五种方法

本刊1994年第6期刊登了《用C语言在屏幕上显示16色PCX格式图像的方法》一文,又在1996年第4期刊登了《用C语言实现16色PCX格式图像淡入淡出显示的方法》一文,本文给出了显示16色PCX图形五种不同的方法,为用户软件封面及人机界面等提供了灵活的选择。     

一种实现图形归一化的方法

在字符图形的识别中，图形尺寸的变化直接影响识别的结果。本文给出了一种图形归一化的方法，并用Ｃ语言编程进行了验证。     

基于API的VB图形热点的实现

本文介绍了在VB编程中实现图形热点的创建、使用和删除的相关API函数，并通过一个实例说明了图形热点实现的过程和相关API的使用方法。其中，重点介绍了图形热点的创建方法。     

网络图形特征点提取方法

本文提出了一种网络图形特征点的提取方法。此方法一次可以较快地处理完所有相互连接的线段。在交叉点处不需要人工干预,产生的畸变较少。     

VisualBasic实现像皮筋图形的方法

一、概述 如大家所知,随着CAD/CAM技术的不断普及深入和计算机多媒体、图形、图象、声音、文字的综合处理技术日新月异,在以计算机技术从硬件功能飞速发展到软件方法并迅速为人们所知晓的当今,CAD的应用软件开发越来越为社会所接受,中小型软件层出不穷,专业而实用的精品软件不断涌现,促进了软件编程环境、各种编程方法及相关技术的提高和发展。Microsoft公司的Visual Basic语言环境及Visual C++,给软件革命带来了巨大而持久的震撼,它     

关于Windows下图形绘制及输出方法的研究

本文针对在 Ｗｉｎｄｏｗｓ环境下图形绘制及图形输出的问题,以 Ｖｉｓｕａｌ　Ｃ＋＋和 Ｄｅｌｐｈｉ编程环境为例,探讨了图形绘制和输出的基本方法。     

一种提高图形软件设备独立性的方法

本文介绍了两种常用的驱动图形设备的方法,分析了它们各自的优缺点,进而提出了一种新的驱动图形设备的方法。该方法采用一种格式固定不变的设备描述文件,将与具体图形设备有关的硬件特性及指令,从程序中分离出来,从而使得在图形系统更换有关图形设备时,只需更新有关的设备描述文件,而无需修改驱动程序本身。最后给出了用点阵式针控打印机实现该方法的技术细节。     

GMS图形管理系统的实现

本文讨论了一种新型的建立信息查询系统的方法－图形和数据相结合的方法。利用图形的直观性，以管理图形为主，来实现对图形上各区域数据的方便查询。并以一个具体的实例（ＧＭＳ图形管理系统）介绍了如何管理图形、连接图形和数据、最后实现查询的方法。     

关联图形参数化原理与方法研究

该文对基于关联图形的几何建模参数化原理与方法做了较为系统的研究。文中介绍了关联图形及其相关概念,并在此基础上给出了关联图形的表达、基于关系模型的关联图形的组织、关联图形的联动以及关联图形循环约束问题的解决等基本原理与方法。     

基于图划分抽样算法的图表示学习

在基于神经网络的图表示算法中,当节点属性维度过高、图的规模过大时,从内存到显存的数据传输会成为训练性能的瓶颈。针对这类问题,该方法将图划分算法应用于图表示学习中,降低了内存访问的I/O开销。该方法根据图节点的度数,将图划分成若干个块,使用显存缓存池存储若干个特征矩阵块。每一轮训练,使用缓存池中的特征矩阵块,以此来减少内存到显存的数据拷贝。针对这一思想,该方法使用基于图划分的抽样算法,设计显存的缓存池来降低内存的访问,运用多级负采样算法,降低训练中负样本采样的时间复杂度。在多个数据集上,与现有方法对比发现,该方法的下游机器学习准确率与原算法基本一致,训练效率可以提高2~ 7倍。实验结果表明,基于图划分的图表示学习能高效训练模型,同时保证节点表示向量的测试效果。今后的课题可以使用严谨的理论证明,阐明图划分模型与原模型的理论误差。     

基于图结构描述的几何约束模型的研究与建立

本文提出了一种基于图结构描述的二维图形几何约束模型的建立及存储方法。该方法利用图论的概念和原理,提出用无向图的结构描述一个几何约束系统,用约束图表示图形的约束信息,规则图则用来表达几何推理的过程,同时利用面向对象的技术建立一种扩展的图的领接表的数据结构来存储约束模型。这种方法对约束的分类及表达清晰、直观,能够处理各种约束信息,效率及可靠性较高。     

基于邻域的大规模图数据动态分割算法

随着图数据的规模日益增大,出现大量以动态图数据为基础的分布式处理需求,划分问题在动态图数据分布式处理领域尤为重要. 对大规模动态图数据上的划分问题进行研究,根据图结构性质及动态图特点,提出并实现基于邻域的动态图分割算法. 算法分为静态切分和动态调整两个阶段,其中基于割边算法整合现有最优化策略提出了大规模图数据的静态切割算法. 在优化后的静态切割算法的基础上,根据图数据的动态扩张的特性提出动态分割算法. 根据迁移顶点所达到的最小负载值进行顶点迁移,并在此基础上进行性能及割边控制优化操作. 最后,改进算法在各类图数据集上进行了验证,验证的结果显示在平衡度和割边等指标上优化后的算法效果显著,提高了划分的合理性,并且在保证割边不增加的情况下提高了图分割的平衡度.     

基于图卷积的异质网络节点分类方法

图表示学习已成为图深度学习领域的一个研究热点. 大多数图神经网络存在过平滑现象,这类方法重点关注图节点特征,对图的结构特征关注度不高. 为了提升对图结构特征的表征能力,提出了一种基于图核同构网络的图分类方法,即KerGIN. 该方法首先通过图同构网络（graph isomorphism network,GIN）对图进行节点特征编码,并使用图核方法对图进行结构编码,进一步利用Nyström方法降低图核矩阵的维度. 其次借助MLP将图核矩阵与图特征矩阵对齐,通过注意力机制将图的特征编码和结构编码进行自适应加权融合,进而得到图的最终特征表示,提升了图结构特征信息的表达能力. 最后在7个公开的图分类数据集上对模型进行了实验评估：与现有图表示模型相比,KerGIN模型能够在图分类准确度上有较大幅度提升,它可以增强GIN对图结构特征信息的表达能力.

     

有向图并行计算中的多目标剖分算法

在以离散网格为基础的某些数值模拟中,网格间的数据依赖关系可以抽象为有向图．如何剖分这些有向图成多个子图,将各子图对应的数值模拟任务映射到不同的处理机,是该类数值模拟并行计算的基础．剖分算法中,需要综合考虑连通性、并行度、负载平衡、通信开销四个目标．文章在传统有向图剖分算法的基础上,提出了一个权衡这四个目标的有向图多目标剖分区域分解算法．应用于二维非结构网格上的柱对称中子输运并行计算中,通量扫描并行算法在该区域剖分算法上获得的并行效率比原来的无向图区域剖分算法高50％以上．     

面向对象的图可视化系统设计与实现

阐述了一个小型图可视化系统的设计原理及方法。系统采用面向对象的方法设计并按照信息可视化模型分层架构,具有良好的可扩展性。系统支持随机布局、弹力模型、对称[1]等多种图形布局方式;并提供了对GML、DAT、TXT、自定义等多种图形数据封装格式的存取功能。     

重复图数据收缩清理策略

重复数据的存在对数据管理和使用带来了极大的困扰,图数据能够很好地反应数据与数据之间的联系,是数据发展的趋势。对于重复数据对的检测已经有大量研究,但鲜有研究关注于对检测后数据对的合并清理。由于图数据中数据关联的复杂性,如果随意去掉其中一个数据将会带来数据间关系的混乱,所以,对于图数据中数据的去重问题更为重要。针对以上问题,为了保证图数据之间的关联关系和图的稳定性,研究在检测重复数据后,提出一种适合图数据中重复数据对的整合清理策略。该策略将图收缩性引入清理方法,针对不同的情况采用不同的处理方法,以保证清理后图的关联性和稳定性。     

多视图对比增强的异质图结构学习方法

异质图神经网络作为一种异质图表示学习的方法,可以有效地抽取异质图中的复杂结构与语义信息,在节点分类和连接预测任务上取得了优异的表现,为知识图谱的表示与分析提供了有力的支撑.现有的异质图由于存在一定的噪声交互或缺失部分交互,导致异质图神经网络在节点聚合、更新时融入错误的邻域特征信息,从而影响模型的整体性能.为解决该问题,提出了多视图对比增强的异质图结构学习模型.该模型首先利用元路径保持异质图中的语义信息,并通过计算每条元路径下节点之间特征相似度生成相似度图,将其与元路径图融合,实现对图结构的优化.通过将相似度图与元路径图作为不同视图进行多视图对比,实现无监督信息的情况下优化图结构,摆脱对监督信号的依赖.最后,为解决神经网络模型在训练初期学习能力不足、生成的图结构中往往存在错误交互的问题,设计了一个渐进式的图结构融合方法.通过将元路径图和相似度图递增地加权相加,改变图结构融合过程中相似度图所占的比例,在抑制了因模型学习能力弱引入过多的错误交互的同时,达到了用相似度图中的交互抑制原有干扰交互或补全缺失交互的目的,实现了对异质图结构的优化.选择节点分类与节点聚类作为图结构学习的验证任务,在4种...     

电气原理图的自动识别

本文给出了一种识别通用CAD软件绘制的电气原理图的方法。该方法先根据电气符号的几何特征将其从图纸中提取出来并使用含两级属性的属性图表示,然后采用过滤图模式库和Ullman算法相结合的方法识别电气符号,最后提取图纸中各种文字标注和电气符号的连接关系。实验证明,该方法能够准确地识别电气原理图。     

大规模时序图数据的查询处理与挖掘技术综述

时序图作为一种带有时间维度的图结构,在图数据的查询处理与挖掘工作中扮演着越来越重要的角色.与传统的静态图不同,时序图的结构会随时间序列发生改变,即时序图的边由时间激活.而且由于时序图上每条边都有记录时间的标签,所以时序图包含的信息量相较于静态图也更为庞大,这使得现有的数据查询处理方法不能很好地应用于时序图中.因此如何解决时序图上的数据查询处理与挖掘问题得到研究者们的关注.对现有的时序图上的查询处理与挖掘方法进行了综述,详细介绍了时序图的应用背景和基本定义,梳理了现有的时序图模型,并从图查询处理方法、图挖掘方法和时序图管理系统3个方面对时序图上现有的工作进行了详细的介绍和分析.最后对时序图上可能的研究方向进行了展望,为相关研究提供参考.