数据结构图的邻接矩阵怎么求
光谱聚类的函数？
光谱聚类的函数？
谱聚类算法是一种基于图的聚类算法,能够对任意形状的数据进行最优划分。它是目前最流行的聚类方法之一，对处理高维、稀疏的高光谱图像数据具有很明显的优势，故而得到了广泛的关注。
现有的谱聚类通常采用四步法：首先通过高斯核函数计算数据邻接矩阵；然后通过邻接矩阵获得相似度矩阵和拉普拉斯矩阵；接着对拉普拉斯矩阵进行特征值分解获得数据的指示矩阵；最后，通过k-means获得数据的类别信息。一开始，大多的研究是简单地基于原始图像数据进行谱聚类，但其计算复杂度相当大。后来，也有一些研究提出了基于单层锚点图的谱聚类算法应用于高光谱图像，即从原始图像数据选取具有代表性的数据点来进行计算，从而降低计算复杂度。
加权邻接矩阵定义？
加权邻接矩阵是表示图形中顶点之间相邻关系的矩阵。
可达矩阵的三种求法？
1.
连乘法：其中A为原始邻接布尔矩阵，I为单位矩阵，R为可达矩阵。
2.
幂乘法：
3.
warshall算法：通过转移矩阵的方式计算出可达矩阵。
4.
迭代warshall算法：对每个要素进行warshall操作后，记录其状态，下个要素迭代时候是以当前状态为基础进行迭代。
邻接目录法？
邻接矩阵看上去是个不错的选择，首先是容易理解，第二是索引和编排都很舒服~但是我们也发现，对于边数相对顶点较少的图，这种结构无疑是存在对存储空间的极大浪费。
因此我们可以考虑另外一种存储结构方式，例如把数组与链表结合一起来存储，这种方式在图结构也适用，我们称为邻接表(AdjacencyList)。
邻接矩阵的n次方怎么算？
把矩阵对角化后，n次方的矩阵就是里面每个元素的n次方
设一线性变换a，在基m下的矩阵为A，在基n下的矩阵为B，m到n的过渡矩阵为X，
那么可以证明：BX1AX
那么定义：A，B是2个矩阵。如果存在可逆矩阵X，满足BX1AX ，那么说A与B是相似的(是一种等价关系)。
如果存在可逆矩阵X使A与一个对角矩阵B相似，那么说A可对角化。
相应的，如果线性变换a在基m下的矩阵为A，并且A相似于对角矩阵B，那么令X为过渡矩阵即可求出基n，并且在n下线性变换a的矩阵为对角矩阵，从而达到了化简。
由 m × n 个数aij排成的m行n列的数表称为m行n列的矩阵，简称m × n矩阵。记作：
这m×n 个数称为矩阵A的元素，简称为元，数aij位于矩阵A的第i行第j列，称为矩阵A的(i,j)元，以数 aij为(i,j)元的矩阵可记为(aij)或(aij)m × n，m×n矩阵A也记作Amn。
元素是实数的矩阵称为实矩阵，元素是复数的矩阵称为复矩阵。而行数与列数都等于n的矩阵称为n阶矩阵或n阶方阵。