XiaoMi-AI文件搜索系统
World File Search System图割
关于给定色数图中奇数圈的加强
我们遵循 [9, 13] 中的符号。设 G 为图。对于 V(G) 的非平凡划分 (A,B)，1如果路径 P 的一端在 A 中而另一端在 B 中，则我们称路径 P 为 A - B 路径。设 P 为图 G 中的一条路径。设 | P | 为 P 中的边数。如果 | P | 为偶数（分别为奇数），则我们称 P 为偶数（分别为奇数）。设 C 为按循环顺序具有顶点 v 0 ，v 1 ，...，vt − 1 的环。设 C i,j 表示 C 的子路径 vivi +1...vj，其中索引取自加法群 Z t 。设 H 为 G 的子图。如果顶点 v ∈ V ( G ) − V ( H ) 在 G 中与 V ( H ) 中的某个顶点相邻，则我们称 H 和顶点 v ∈ V ( G ) − V ( H ) 在 G 中相邻。设 NG ( H ) = S v ∈ V ( H ) NG ( v ) − V ( H ) 且 NG [ H ] = NG ( H ) ∪ V ( H )。对于 S ⊆ V ( G )，如果 V ( G ′ ) = ( V ( G ) − S ) ∪{ s } 且 E ( G ′ ) = E ( G − S ) ∪{ vs : v ∈ V ( G ) − S 与 G 中的 S 相邻 } ，我们称图 G ′ 是通过将 S 收缩为顶点 s 而从 G 得到的。如果 G − v 包含至少两个分支，则连通图 G 的顶点 v 是 G 的割顶点。 G 中的块 B 是 G 的最大连通子图，使得不存在 B 的割顶点。注意块是孤立顶点、边或2连通图。G 中的端块是 G 中最多包含一个 G 的割顶点的块。如果 G 是图并且 x, y 是 G 的两个不同顶点，我们称 ( G, x, y ) 为有根图。有根图 ( G, x, y ) 的最小度为 min { d G ( v ) : v ∈ V ( G ) −{ x, y }} 。如果 G + xy 是2连通的，我们还称有根图 ( G, x, y ) 是2连通的。我们称 k 条路径或 k 条循环 P 1 , P 2 , . . . , P k 为
CS 39000ATA 课程公告
○ 对偶性和极小极大定理；凸优化 ○ 最大流/最小割 ● 下界技术和问题简化 ● NP 完全性 ● 近似算法 ● 从在线学习、交互式证明、大图/社交网络上的算法、并行/高性能计算、量子计算中选择的主题。
智能采煤机器人关键技术
摘 要： 采煤机是综采工作面的核心装备，研发智能采煤机器人是实现综采工作面智能化的关键。 综合分析当前采煤机机器人化研究进程中的传感检测、位姿控制、速度控制、截割轨迹规划与跟 踪控制等技术的研究现状，提出研发智能采煤机器人必须破解的 “ 智能感知、位姿控制、速度控制、 截割轨迹规划与跟踪控制、位 − 姿 − 速协同控制 ” 五大关键技术，并给出解决方案。针对智能感知 问题，提出了构建智能感知系统思路，给出了智能采煤机器人智能感知系统的架构，实现对运行 状态、位姿、环境等全面感知，为智能采煤机器人安全、可靠运行提供保障；针对位姿控制问题， 提出了智能 PID 位姿控制思路，给出了改进遗传算法的 PID 位姿控制方法，实现了智能采煤机器 人位姿精准控制；针对速度控制问题，提出了融合 “ 力 − 电 ” 异构数据的截割载荷测量思路，给出 了基于神经网络算法的截割载荷测量方法，实现了截割载荷的精准测量；提出牵引与截割速度自 适应控制思路，给出了人工智能算法牵引与截割速度决策方法和滑模自抗扰控制的牵引与截割速 度控制方法，实现了智能采煤机器人速度精准自适应控制；针对截割轨迹规划与跟踪控制问题， 提出了截割轨迹精准规划思路，给出了融合地质数据和历史截割数据的截割轨迹规划模型，实现 了截割轨迹的精准规划；提出了截割轨迹精准跟踪控制思路，给出了智能插补算法的截割轨迹跟 踪控制方法，实现了智能采煤机器人截割轨迹高精度规划与精准跟踪控制；针对 “ 位 − 姿 − 速 ” 协同 控制问题，提出了 “ 位 − 姿 − 速 ” 协同控制参数智能优化思路，给出了基于多系统互约束的改进粒子 群 “ 位 − 姿 − 速 ” 协同控制参数优化方法，实现了智能采煤机器人智能高效作业。深入研究五大关键 技术破解思路，有利于加快推动研发高性能、高效率、高可靠的智能采煤机器人。
二维材料范德华异质结光电探测器研究进展
图 3 掺杂调控 vdW 异质结理论研究典型成果（ a ）结构优化后的 C 、 N 空位及 B 、 C 、 P 、 S 原子掺杂 g-C 3 N 4 /WSe 2 异质结 的俯视图 [56] ；（ b ）图（ a ）中六种结构的能带结构图 [56] ；（ c ）掺杂的异质结模型图、本征 graphene/MoS 2 异质结的能带结 构及 F 掺杂 graphene/ MoS 2 异质结的能带结构 [57] ；（ d ） Nb 掺杂 MoS 2 原子结构的俯视图和侧视图以及 MoS 2 和 Nb 掺杂
氮化镓高电子迁移率晶体管的物理失效分析技术研究进展
Figure 12.1540-MeV 209Bi ion irradiation 1.7 × 10 11 ions/cm 2 TEM images of AlGaN/GaN HEMT devices: (a) Gate region cross-section; (b) The orbital image of the heterojunction region shown in Figure (a); (c) The image shown in Figure (a) has a depth of approximately 500 nm; (d) Traces formed at the drain; (e) As shown in Figure (d), the trajectory appears at a depth of ap- proximately 500 nm [48] 图 12.1540-MeV 209Bi 离子辐照 1.7 × 10 11 ions/cm 2 的 AlGaN/GaN HEMT 器件的 TEM 图像： (a) 栅极区域截面； (b) 图 (a) 所示异质结区域轨道图 像； (c) 图 (a) 所示深度约 500 nm 图像； (d) 在漏极形成的痕迹； (e) 如图 (d) 所示，轨迹出现在深度约 500 nm 处 [48]
人工智能报告之机器学习Artificial Intelligence ...
图 2-2 GAN 发展脉络 ...................................................................................................................... 3
用于脑图学习的图神经网络：一项调查
探索人脑的复杂结构对于理解大脑功能和诊断脑部疾病至关重要。得益于神经成像技术的进步，一种新方法已经出现，该方法涉及将人脑建模为图结构模式，其中不同的大脑区域表示为节点，这些区域之间的功能关系表示为边。此外，图神经网络（GNN）在挖掘图结构数据方面表现出显着优势。开发 GNN 来学习脑图表征以进行脑部疾病分析最近引起了越来越多的关注。然而，缺乏系统的调查工作来总结该领域的当前研究方法。在本文中，我们旨在通过回顾利用 GNN 的脑图学习工作来弥补这一空白。我们首先介绍基于常见神经成像数据的脑图建模过程。随后，我们根据生成的脑图类型和目标研究问题对当前的作品进行系统分类。为了让更多感兴趣的研究人员能够接触到这项研究，我们概述了代表性方法和常用数据集，以及它们的实现来源。最后，我们介绍了对未来研究方向的见解。本次调查的存储库位于 https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs。
