合取范式(CNF)公式 H 到 F 的同态?是一个从 H 的文字集合到 F 的文字集合的映射,并保持补运算和子句映到子句.同态映射保持一个公式的不可满足性.一个公式是极小不可满足的是指该公式本身不可满足,而且从中删去任意一个子句后得到的公式可满足.MU(1)是子句数与变元数的差等于 1 的极小不可满足公式类.一个三元组(H,?,F)称为 F 的一个来自 H 的同态证明,如果?是一个从 H 到 F的同态.利用基础矩阵的方法证明了:一个不可满足公式 F 的树消解证明,可以在多项式时间内转换成一个来自 MU(1)中公式的同态证明.从而,由 MU(1)中的公式构成的同态证明系统是完备的,并且由 MU(1)中的公式构成的同态证明系统与树消解证明系统之间是多项式等价的.
针对卷积神经网络主要使用图像的局部特征而忽略图像通道特征的不足,提出一种分离多路卷积神经网络。提取通道特征与卷积特征,并在全连接层进行融合,以此提升该网络的图像识别与分类效果。在cifar10和SVHN数据集上进行的实验结果表明,与ResNet,Network in Network,Maxout等8种卷积神经网络相比,该网络的平均识别率较高。
一个图G=(V,E)的树分解是将结点集V的子集作为树T的节点,使得在T上任意一条路径上的两个端节点的交集包含于该路径上的任意一个节点中。将T上最小(节点)对应子集的元素个数减1定义为分解树T的宽度,用宽度最小的分解树T的树宽度定义图G的树宽度。一个合取范式(Conjunctive Normal Form,CNF)公式F可以用一个二分图G=(V∪C,E)表示(公式的因子图),其中变元结点集V对应公式F中的变元集,子句结点集C对应公式F中的子句集,变元在子句中的正(负)出现用实(虚)边表示。忽略公式因子图中边上的符号,得到一个二分图。文中研究了图的树分解算法,并将树分解算法应用到CNF公式的因子图树分解。通过实验观察公式因子图的树宽度与求解难度之间的联系。
