一种有效的解图匹配问题的核方法研究 2
图的匹配与覆盖问题
图的匹配与覆盖问题图是一种用边来表示对象之间关系的数据结构。
在图论中，匹配与覆盖问题是指在给定的图中找到一组特定的边或顶点子集，使得满足一定的条件。
本文将探讨图的匹配与覆盖问题的概念、应用以及解决方法。
一、图的匹配问题图的匹配问题是指在一个无向图中，找到一组边的集合，使得任意两条边都没有公共的顶点。
这样的边集被称为匹配。
图的匹配问题有很多实际应用，比如稳定婚姻问题、配对问题等。
解决图的匹配问题的方法有多种，其中最常见的是匈牙利算法。
匈牙利算法采用增广路径的方法，通过不断增加匹配的边，直到无法找到新的匹配边为止。
该算法具有很高的时间效率，适用于大规模的图。
二、图的覆盖问题图的覆盖问题是指在一个无向图中，找到一组顶点的集合，使得图中的每条边都至少与集合中的一个顶点相邻。
这样的顶点集合被称为图的覆盖集。
图的覆盖问题在实际应用中也非常常见，比如任务分配问题、资源分配问题等。
解决图的覆盖问题的方法有多种，其中一种常见的方法是使用最小点覆盖定理。
最小点覆盖定理指出，在一个图中，最少的顶点个数的集合，使得该集合中的顶点覆盖整个图的边，即为最小点覆盖集。
通过求解最小点覆盖问题，可以得到图的最小覆盖集。
三、图的匹配与覆盖问题的应用图的匹配与覆盖问题在实际应用中有着广泛的应用。
以下是几个常见的应用场景：1. 稳定婚姻问题稳定婚姻问题是图的匹配问题的一种具体表现形式。
在稳定婚姻问题中，有一组男性和女性，每个人对异性有着不同的偏好。
稳定婚姻问题的目标是找到一组完美匹配，使得不存在任何一个男性和女性同时都喜欢对方而不喜欢自己匹配的对象。
这个问题可以通过图的匹配问题来求解。
2. 任务分配问题任务分配问题是图的覆盖问题的一种具体表现形式。
在任务分配问题中，有一组需要完成的任务和一组可以执行任务的人员。
每个任务需要特定的技能和资源，每个人员也有不同的技能和资源。
任务分配问题的目标是找到一种最优的分配方案，使得每个任务都被分配到合适的人员，并且每个人员分配到的任务不会使其超负荷。
图像匹配算法的研究进展
图像匹配算法的研究进展一、本文概述随着信息技术的飞速发展，图像匹配算法在诸多领域，如人脸识别、物体追踪、自动驾驶、医学影像分析以及遥感图像处理等，都发挥着越来越重要的作用。
图像匹配算法的核心在于通过一定的算法和策略，从大量图像中快速准确地找到目标图像，或者从同一场景的不同图像中找出相似或相同的部分。
本文旨在探讨图像匹配算法的研究进展，包括经典的算法、新兴的算法以及它们在不同领域的应用。
我们将回顾传统的图像匹配算法，如基于特征的方法、基于灰度的方法等，分析它们的优缺点以及适用场景。
然后，我们将重点介绍近年来兴起的深度学习在图像匹配领域的应用，包括卷积神经网络（CNN）、孪生网络（Siamese Network）等，以及它们在提高匹配精度和效率方面的突出表现。
我们还将讨论图像匹配算法在实际应用中面临的挑战，如光照变化、视角变化、遮挡等问题，以及针对这些问题的解决方案。
我们将展望图像匹配算法的未来发展趋势，包括算法性能的进一步提升、多模态图像匹配的研究、以及在大规模图像数据库中的应用等。
通过本文的综述，我们希望能够为读者提供一个全面而深入的图像匹配算法研究进展的概览，同时也为相关领域的研究人员提供有益的参考和启示。
二、图像匹配算法的基本原理图像匹配算法是计算机视觉领域的一个核心问题，它旨在从大量图像中找出具有相似性或相关性的图像。
这些算法的基本原理主要基于特征提取和相似性度量两个方面。
特征提取是图像匹配算法的首要步骤。
在这一过程中，算法会从图像中提取出关键信息，这些信息通常是对图像内容的抽象描述，如边缘、角点、纹理、颜色分布等。
这些特征的选择对后续的匹配效果至关重要，因为它们需要既能代表图像的主要内容，又具有一定的鲁棒性，能够在不同的光照、视角、尺度等条件下保持一致。
相似性度量是图像匹配算法的另一关键步骤。
在提取了特征之后，算法需要一种方法来量化两个图像之间的相似性。
常见的相似性度量方法包括欧氏距离、余弦相似度、汉明距离等。
三分图上的匹配与其算法和应用
第一章引言在过去的四十几年里，图论已经被证明是解决几何、数论、运筹学和优化等领域中各种组合问题非常有用的工具。
而匹配是图论中的一个重要内容，也是图论的一个活跃的研究领域．匹配与独立集。
横贯等概念有着密切的关系．三四十年代Ｈａｌｌ，Ｔｕｔｔｅ［１】【２】得出了二分图上完美匹配存在性的充要条件；五十年代末Ｂｅｒｇｅ［３１等得出了最大匹配的判定条件；Ｋｕｈｎ，Ｍｕｎｋｒｅｓ［４］［５１给出了二分图上的最大权匹配的一个有效算法；六十年代Ｅｄｍｏｎｄ［Ｓ］｛７］找到了一般图上最大匹配以及最大加权匹配的第一个多项式算法；Ｇａｂｏｗ［ｓ］将Ｅｄｍｏｎｄｓ算法的复杂度从ｏ（［ｖ１４）提高到了ｏ（Ｉｖｌ３），还提出一种嵌入合并和查找技术的算法其复杂度为ｏ（ＩＶｌｌＥＩ）１９】；Ｍｉｅａｌｉ，Ｖａｚｉｒａｎｉ［１０】提出了一个最优渐进运行时间为ｏ（￣／丽例）的算法，不过这个算法难于理解和实现，以至从发表到证明其正确性花了近十年的时间．最大匹配、最大权匹配的启发式算法也有不少研究，ＤｏｒａｔｈａＥ．Ｄｒａｋｅ［ｎ］等人针对加权匹配问题提出了一种效率为；复杂度为ｏ（㈣）的算法；ＪｏｎａｔｈａｎＡｒｏｎｓｏｎ，ＭａｒｔｉｎＤｙｅｒ，Ａｌａｎ刚ｅ＝ｅ【１目等人发展了随机贪婪算法并对其中的一些性质做了深入的探讨．本文针对三分图上的最大匹配也提出了一个启发式算法，算法能够为随后的基于拉格朗日松弛的分支定界提供一个好的初始下界．管理决策中，匹配在所谓人员分配问题和最优分配阿题中有重要应用，．还有很多问题可以化归到匹配问题．通常意义上的匹配都假定图中节点在匹配中只出现１次。
如果放宽在节点上的容量约束，允许每个节点可以在匹配中重复出现多次，就变成了６一Ｍｏｔｃｈｉｎｇ问题．ＰｕｌｌｅｙＢｌａｎｋ（１９８０，１９８１）［１３】ｆ１４Ｊ对ｂ—Ｍａｃｔｈｉｎ９作了研究；ＭａｔｔｈｉａｓＭｕｌｌｅｒ．Ｈａｎｎｅｍａｎｎ，ＡｌｅｘａｎｄｅｒＳｃｈｗａｒｔｚ御咧【１５】从实现的角度进行了研究．以上的这些研究往往局限在二分图上，在管理决策中也的确出现了不少的问题可以归结到三分图上的匹配问题，笔者最近所作的项目中就出现了此类问题。
二分图最大匹配及常用建图方法
算法———艺术二分图匹配剖析很多人说，算法是一种艺术。
但是对于初学者的我，对算法认识不是很深刻，但偶尔也能感受到他强大的魅力与活力。
这让我追求算法的脚步不能停止。
下面我通过分析匈牙利算法以及常用建图方式，与大家一起欣赏算法的美。
匈牙利算法匈牙利算法是用来解决最大二分图匹配问题的，所谓二分图即“一组点集可以分为两部分，且每部分内各点互不相连，两部分的点之间可以有边”。
所谓最大二分图匹配即”对于二分图的所有边，寻找一个子集，这个子集满足两个条件，1：任意两条边都不依赖于同一个点。
2：让这个子集里的边在满足条件一的情况下尽量多。
首先可以想到的是，我们可以通过搜索，找出所有的这样的满足上面条件的边集，然后从所有的边集中选出边数最多的那个集合，但是我们可以感觉到这个算法的时间复杂度是边数的指数级函数，因此我们有必要寻找更加高效的方法。
目前比较有效的方法有匈牙利算法和通过添加汇点和源点的网络流算法，对于点的个数都在200 到300 之间的数据，我们是采取匈牙利算法的，因为匈牙利算法实现起来要比网络流简单些。
下面具体说说匈牙利算法：介绍匈牙利之前，先说说“增广轨”。
定义：若P是图G中一条连通两个未匹配顶点的路径，并且属最大匹配边集M的边和不属M的边(即已匹配和待匹配的边)在P上交替出现，则称P为相对于M的一条增广轨定义总是抽象的下面通过图来理解它。
图中的线段（2->3, 3->1, 1->4）便是上面所说的p路径，我们假定边（1,3）是以匹配的边，（2,3）（1,4）是未匹配的边，则边（4,1）边（1,3）和边（3,2）在路径p上交替的出现啦，那么p就是相对于M的一条增广轨，这样我们就可以用边1,4 和边2,3来替换边1,3 那么以匹配的边集数量就可以加1,。
匈牙利算法就是同过不断的寻找增广轨实现的。
很明显如果二分图的两部分点分别为n 和m，那么最大匹配的数目应该小于等于MIN（n,m）; 因此我们可以枚举任第一部分（的二部分也可以）里的每一个点，我们从每个点出发寻找增广轨，最后吧第一部分的点找完以后，就找到了最大匹配的数目，当然我们也可以通过记录找出这些边。
图匹配问题的应用和研究 - 首页-中国计算机学会信息网
祝园园 秦 璐 于 旭香港中文大学图匹配问题的应用和研究图结构被广泛应用于多种领域，以描述事物之间的复杂关系，如万维网、社交网络、蛋白质交互网络、化学分子结构、电力网、公路网、图像处理中的属性图和生态系统中的食物链等。
随着这些领域的发展和数据的增加，图的大小和数量也在不断增长。
例如，典型蛋白质交互网络已有上万个节点，随着研究对象从低等生物（如细菌）向高等生物（如人类）的转移，节点将会急剧增长，预计可达到30万个。
在PubChem 数据库中，已有超过3000万个化学分子结构，并且仍在不断增加。
如何在大量积累的图上进行高效的图匹配（graph matching ）操作，已成为学术界和工业界关注的新的研究内容。
图匹配的总体目标是确定两个图的顶点对应关系，使其满足某些限制条件或者目标函数，尽可能地保留两个图的共同部分。
应用领域在许多应用领域，图匹配都是一个必要的基本操作手段，起着至关重要的作用。
相关领域包括：生物学 在大多数生物进程中，蛋白质交互（protein-protein interaction ，PPI ）网络起着非常重要的作用。
其中，图的每个顶点对应一个蛋白质，每条边表示两个蛋白质间的相互作用关系。
如果对来自不同物种的蛋白质交互网络关键词：近似图匹配 子图同构 最大公共子图进行比较分析，我们可识别出它们的共存功能成分（conserved functional component ），并能够在体系层次上深刻阐述物种间的相似及差别。
图匹配可以被有效地应用于蛋白质交互网络的分析比较，以最大限度地识别出不同物种间的同源蛋白质对（pairs of homologous proteins ），且保留蛋白质间的相互作用关系[1～3]。
生物化学 一个物种的基因组（genome ）可以表示为图结构。
基因之间的序列关系由基因上的核苷酸（nucleotide ）在一条链上的起始位置和互补链上的终止位置决定。
基因序列中的每个基因均可以表示为顶点，染色体（chromosome ）上相邻的两个基因相连成一条边。
图像识别中的多模态数据融合方法研究(十)
图像识别中的多模态数据融合方法研究引言：随着科技的不断发展与进步，图像识别技术成为了人们生活中不可或缺的一部分。
然而，在面对复杂的场景、多种数据来源时，传统的单一模态图像识别方法通常表现出不足之处。
因此，研究人员开始关注多模态数据融合方法，以提高图像识别的准确性和鲁棒性。
一、多模态数据的概念多模态数据是指由不同类型的数据共同组成的数据集合，如图像、文本、语音等。
每种数据模态都具有不同的特点和表达方式，因此融合多种模态的数据可以提供更丰富的信息，有助于提高图像识别的性能。
二、传统的多模态数据融合方法1. 特征级融合：将不同模态数据的特征提取出来后，再进行融合。
通常会采用特征加权的方式，根据特征的重要性给予不同的权重。
这种方法简单直接，但忽略了不同模态之间的相关性。
2. 决策级融合：分别对不同模态的数据进行分类，再将分类结果进行融合。
这种方法借鉴了集成学习的思想，能够充分利用多模态数据之间的互补性。
但是，由于分类器的选择和设计问题，在实际应用中往往较为困难。
三、深度学习在多模态数据融合中的应用1. 深度神经网络：深度神经网络是目前应用最广泛的深度学习模型之一，可以自动提取特征并建模数据之间的复杂关系。
在多模态数据融合中，可以使用卷积神经网络（CNN）提取图像的空间特征，同时使用循环神经网络（RNN）或注意力机制处理文本或语音数据。
2. 再识别网络（ReID）：再识别网络是一种特殊的深度神经网络，主要用于图像的相似性匹配。
通过将不同模态数据的特征映射到一个共同的嵌入空间，再使用距离度量方法进行匹配，从而实现多模态数据融合。
3. 图神经网络（GNN）：图神经网络是一种新兴的深度学习模型，主要用于处理关系型数据。
在图像识别中，可以将多模态数据的关系构建为一个图结构，然后使用GNN学习图的表示，实现模态之间的有效融合。
四、多模态数据融合方法的优化1. 引入注意力机制：注意力机制可以根据不同模态数据的重要性，自适应地分配权重。
巧用方程解图形问题
巧用方程解图形问题
巧用方程解图形问题是一种通过给定的方程和图形数据来研究出图形面上的内容的方法。
它利用了在图形学概念中，通过操作图形中的坐标点来定义几何体的方法，以及由匹配一系列方程式可以解决具有特定性质的图形问题，来解决复杂的图形问题。
巧用方程解决图形问题，一般可以分为三个步骤：确定几何问题的几何性质；构建指定数学方程 (也称为多元方程)；使用软件解决这类方程。
首先，在解决图形问题之前，需要确定图形的几何性质，例如确定图形是否为平行四边形、圆形或椭圆等。
一旦确定了几何性质，就可以构建一系列方程以描述图形，比如平行四边形可以由两个连续平行直线和三个互相垂直的线段构成，可以构造遵循等长线、等弧度线等原则的几何方程。
同样，可以构建一系列的二次方程来描述圆形或椭圆的图形，而三次方程可以描述更复杂的物体。
其次，在构建方程之后，可以使用计算机软件来计算解出这类方程，例如使用 MATLAB 或 Wolfram Mathematica 等软件。
这些软件通常都有专门的模块可以用于解决复杂的几何问题，并可以输出解答的坐标值点，以及定义几何图形的一系列方程。
最后，在解出这类方程之后，可以将方程解和坐标值点输出到图形表示软件，使用该软件可以直观地看到最终的几何图形，从而清楚理解几何图形的内容。
总的来说，巧用方程解图形问题是一种利用数学方法来解决复杂的图形问题的有效方法，主要包括确定几何性质，构建方程，使用计算机软件解方程等步骤。
学习图的最大匹配
学习图的最大匹配图论作为一门重要的数学理论，广泛应用于计算机科学、网络优化等领域。
其中，图的最大匹配问题是图论中的一个经典问题，它在实际中有着广泛的应用。
本文将重点介绍学习图的最大匹配问题的相关理论和算法，并探讨一些实际应用场景。
一、图的最大匹配问题的定义图的最大匹配问题是指在一个无向图中，找到一个最大的边集合，使得图中每个顶点最多与这个集合中的一条边相连。
这个集合就是图的最大匹配。
最大匹配问题可以描述为在一个集合中选取最多的元素，使得这些元素之间没有相同的关联，且集合的大小最大。
二、最大匹配问题的解决算法解决最大匹配问题的经典算法有匈牙利算法和增广路径算法。
1. 匈牙利算法匈牙利算法是最早提出来解决最大匹配问题的算法之一。
它通过不断寻找增广路径，来寻找增加匹配边的方法。
算法的基本思想是从未匹配的顶点开始，通过寻找增广路径不断扩展当前的匹配。
2. 增广路径算法增广路径算法是另一种解决最大匹配问题的有效方法。
它的基本思想是通过搜索图中的增广路径，并根据路径的特性来调整匹配的边集合。
增广路径算法的关键是寻找增广路径的方法。
三、实际应用场景最大匹配问题在实际中有着广泛的应用，例如：1. 人员配对在招聘场景下，企业需要根据职位需求和员工技能进行配对。
最大匹配问题可以帮助企业找到最佳的候选人。
2. 车辆调度在物流领域，需要根据货物的特性和运输车辆的特点进行合理的调度。
最大匹配问题可以帮助找到最佳的车辆安排方案。
3. 项目匹配在科研项目中，需要根据项目需求和研究人员的专长进行匹配。
最大匹配问题可以帮助找到最佳的项目与研究团队的匹配。
四、总结通过本文的介绍，我们了解了图的最大匹配问题的定义和解决算法。
最大匹配问题在实际应用中具有重要的价值和意义。
希望读者通过学习图的最大匹配问题，能够应用到实际问题的解决中，并进一步扩展图论的应用领域。
以上是对学习图的最大匹配问题的一些基本介绍，希望对您有所帮助。
谢谢阅读！。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种有效的解图匹配问题的核方法研究
摘要：随着计算机技术与网络技术的高速发展，大量的数据充斥着我们周围的世界。
面对这些复杂的海量数据，如何才能准确无误地对它们进行辨别与分析，这对于人们来说是一个非常具有挑战性的问题。
在计算机领域，图是一种非常灵活的数据结构，对图等含有结构化信息数据的进行学习，是模式识别和机器学习领域的一种重要问题。
本文主要研究了通过核方法来解决这些识别问题，并且实例化了两种特殊的解决图匹配的核方法。
在此基础上，分析了其解决这类问题的算法复杂度。
实验结果表明，本文所提出的方法是一种解决图匹配的非常有效技术。
关键词：模式识别；图数据；图匹配；核方法
1 引言
模式识别伴随着计算机技术和网络技术的快速发展，在许多领域得到了成功应用如数据挖掘、文献分类、财政、多媒体数据库的组织和检索、生物（比如根据人的物理特征，如人脸、指纹等识别人）、医学（医学图像分析）。
其中图的顶点表示对象的各个组成部分，图的边表示各组成部分之间的关系，以这样的表达方式图就可以很容易地捕捉到物体的关系与结构信息。
因此，基于图的描述是一种非常有效的表达方式。
而当前模式识别领域中大多数工具却不能直接以图为其处理对象，这严重影响了基于图方法的发展。
研究复杂模式分析和分类方法是有必要而且有意义的。
其中基于核方法的学习方法是一种比较新的学习方法，它是从统计学习理论中发展出来的，并且有效地克服了传统模式识别方法的局部极小化和不完全统计分析的缺点。
现实世界中的数据往往具有数据量多、高维、动态、不完全（缺值）、不确定（包含噪声）以及稀疏性等特性。
对于从事模式识别、信号处理以及数据挖掘的研究者来说，核方法是一个强有力的分析工具。
本文主要研究并实例化了一种核方法来模式识别中的图匹配问题，也就是通过在一个图中匹配另一个图中的某个相似的子结构来计算两个图的相似性的过程。
2 核方法
在近几年的机器学习和数据挖掘领域中，核方法成为一种非线性数据处理的新方法。
它避免了神经网络和决策树中典型的局部极小化问题和过拟合问题。
因此，它可以看成是经典线性方法的扩展，也可以认为它等效于使用非线性映射将样本变换到希尔伯特特征空间，随后在该空间中实施线性特征抽取的方案。
定义2.1（图核）图G1和G2间的核函数K (G1, G2)称为图核。
映射ϕ将原始空间中的图映射到高维甚至无穷维向量空间（特征空间）中去，使得
K (G1, G2) = <ϕ (G1), ϕ (G2)>
由于映射 ϕ 的选取，如 ϕ(G)的分量可以是两图中某一公共子路径的条数等，核k :G × G→R 可以看成是两个图G1和G2间的相似性度量。
核方法作为一种非线性方法可以解决这些问题。
这将使得原来用于向量表示的标准算法也适合图，它可以把统计模式识别和结构模式识别有机地结合起来。
3 图核
一般常见的图核可分为三大类：基于路径的核方法如随机游走核、最短路径核；基于有限规模子图的核方法；基于树模式的核方法如树模式图核、快速子树核、Weisfeiler-Lehman 图核等。
本节重点深入研究快速子树核和Weisfeiler-Lehman 图核及其在解决图匹配问题时的算法复杂程度。
定义3.1（快速子树核））图G 和图G ’之间快速子树核
∑∑∈∈=v v v v h h ramon v v k G G k '
')()',()',(
通过分析比较，两图之间的快速子树核的计算复杂度是)4(2d h n
O ，其中包括n2个节点对的比较和在)4(d O 范围之内，邻居节点的所有匹配次数。
重复h 次，其中h 是一个多分类因子而不是指数。
以k1为起是点，经过k h-1到k h 递归地计算子树核。
定义3. 2（Weisfeiler-Lehman 图核）图G 和图G ’之间的WL 图核定义为 }',},,...,0{)),'(())((|))'(),(({)',()(V v V v h i v s f v s f v s v s G G k i i i i h WL ∈∈==
其中Si （v ）为节点v 在第i 次迭代中的多分类标签集，f 是一个映射标签压缩函数，对于所有的j i ≠，集合{}'|))((V V v v s f i ⋃∈和集合{}
'|))((V V v v s f j ⋃∈是不相交的。
S 0（v ）是在标签图v 和非标签图中的初始标签并且)())((00v s v s f =。
4 实验论证
4.1数据准备 实验数据集主要包括MUTAG ， NCI1，NCI109，ENZYMES ，D&D 。
其中MUTAG 是一个根据是否对革兰氏阴性菌鼠伤寒沙门氏菌有突变作用的含有188个突变芳香和杂环硝基化合物。
NCI1和NCI109分别代表两组平衡的化学混合物数据集，它们来自于非小细胞肺癌细胞和卵巢癌细胞系。
ENZYMES 是一个具有三层结构的蛋白质数据集，它包含从酶蛋白质数据库中获取的600个蛋白质酶。
这种情况下的主要任务是正确给每个蛋白质添加一个6层结
3 构的类。
D&D是一个包含有1178个蛋白质结构的数据集。
每一个蛋白质可以看作一个图，图中的节点表示氨基酸，两个节点之间的边小于埃则可以用一条边连接。
所有节点在数据集中是被标记的，预测的任务则是区分蛋白质结构中的酶与非酶。
数据集中节点数、边数和度数的分布表4.1所示
4.2仿真实验
图是一种特殊的结构化数据表达形式，许多经典的学习算法不能用于图形数据的分析。
因此，本实验主要围绕对图形数据的分析展开寻找适合图形数据后续分析的向量表示方法，以扩大传统学习算法在图形数据中的应用。
实验硬件环境是Intel Core 2 双核CPU 2.2GH，内存2G。
软件环境是美国The Math Works公司推出的Matlab软件，其中支持向量机SVM的实现采用的是Libsvm工具箱。
实验方法采用十倍交叉进行，其结果如下图所示
图4.2 快速子树核与Weisfeiler-Lehman图核的分类精度与运行时间
5 结束语
本文针对模式识别中的图匹配问题，主要研究了通过核方法来解决现实世界中的模式识别与分类问题。
接着对两种图核的实例快速子树和与Weisfeiler-Lehman图核进行深入深入研
究和分析外，着重探讨了其在解决大规模、复杂、高维数据上所具有的优越性。
从实验结果可以看出，这两种图核解决模式识别问题时具有的高效特点，且Weisfeiler-Lehman图核比快速子树具有更优的匹配精度和更少的运行时间。
随着经济社会的高速发展，在生物、数据挖掘领域越来越多的图数据（如分子结构、蛋白质交叉网络）变得越来越多。
核方法将会受到更多学者们的青睐，希望今后能构造出分类精度更高效果更好的图核来解决其他领域中的分类和识别问题。
参考文献:
[1] N. Shervashidze, K. Borgwardt. Fast subtree kernels on graphs. In Neural Information Processing Systems, 2009.
[2] JOHN S T, NELLO C. Kernel methods for pattern analysis[M]. China machine press，2005.
[3] DUCHENNE O, BACH F, KWEON I, PONCE J. A tensor-based algorithm for high-order graph matching [C]. International
Conference on Computer Vision and Pattern Recognition, 2006.
[4] Jones L.K. A simple lemma on greedy approximation in Hilbert space and convergence rates for projection pursuit regression and
neural network training. The Annals of Statistics, 1992, 20: 608-613.
[5] B.Moayer and K.Fu. A tree system approach for fingerprint pattern recognition[J]. Pattern Recognition, 1990,23(8):893-904.
[6] 历小润. 模式识别核方法研究[D].2009
[7] Gurney K. Introduction to neural networks. UCL Press, London，1997.
[8] 焦李成. 神经网络系统理论.西安电子科技大学出版社，1996.
[9] 牟少敏. 核方法的研究及其应用.北京交通大学博士论文，2008.
[10] 郑永涛，刘玉树. 支持向量机解决多类问题研究[J]计算机工程与应用，2005.23。