您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 空间数据库的索引技术

  2. 由于空间数据库中的数据量很大,因此空间数据库查询的开销一般要比关系数据库 大,特别是查询语句的条件谓词中包含一些对空间数据操作的函数,计算这些函数的开销远比数值 或字符串的比较要大。如果用顺序扫描的方法查询,则效率非常低。因此,为了提高查询效率,采 用空间索引是十分必要的。目前人们的研究工作更多地集中在空间数据的多维索引的研究上。全 面地总结了当前空间数据库领域中空间索引的研究进展,然后介绍了目前空间数据库中广为采用 且比较新的4种索引方法: (1) R树(2) K - D树(3)Quad树(
  3. 所属分类:专业指导

    • 发布日期:2010-05-06
    • 文件大小:184320
    • 提供者:wljcan
  1. MATLAB 7_0实用指南 (上册)

  2. 第1章MATLAB7.0简介1.1MATLAB的特点1.1.1MATLAB的基本特点1.1.2MATLAB7.0的新特点1.2MATLAB桌面简介1.2.1启动按钮1.2.2命令窗口1.2.3命令历史窗口1.2.4T作空间窗口1.2.5当前目录浏览器1.3MATLAB的帮助系统1.3.1帮助浏览器1.3.2help函数和doc函数第2章数组和矩阵2.1表达式2.1.1变量2.1.2数值表示2.1.3运算符2.1.4函数2.2构造数组2.2.1用增量法构造数组2.2.2用linspace函数构造
  3. 所属分类:其它

    • 发布日期:2008-02-22
    • 文件大小:9437184
    • 提供者:boomzip
  1. 数据挖掘--概念与技术

  2. 目录 第一章 引言 ......................................................................................................................................................... 8 1.1 什么激发数据挖掘?为什么它是重要的?.............................................................
  3. 所属分类:Web开发

    • 发布日期:2010-09-06
    • 文件大小:1048576
    • 提供者:huanghyw
  1. r-tree入门简单介绍

  2. 是对r-tree的入门性介绍,没有涉及具体实现。
  3. 所属分类:专业指导

    • 发布日期:2010-10-18
    • 文件大小:44032
    • 提供者:anhuiyangyanyan
  1. 空间数据库的索引技术

  2. 由于空间数据库中的数据量很大 ,因此空间数据库查询的开销一般要比关系数据库 大 ,特别是查询语句的条件谓词中包含一些对空间数据操作的函数 ,计算这些函数的开销远比数值 或字符串的比较要大。如果用顺序扫描的方法查询 ,则效率非常低。因此 ,为了提高查询效率 ,采 用空间索引是十分必要的。目前人们的研究工作更多地集中在空间数据的多维索引的研究上。全 面地总结了当前空间数据库领域中空间索引的研究进展 ,然后介绍了目前空间数据库中广为采用 且比较新的 4种索引方法: ( 1) R 树 (2) K -
  3. 所属分类:电信

    • 发布日期:2011-04-02
    • 文件大小:184320
    • 提供者:zk12141985
  1. Kd-tree.pdf

  2. 由于空间数据库中的数据量很大 ,因此空间数据库查询的开销一般要比关系数据库 大 ,特别是查询语句的条件谓词中包含一些对空间数据操作的函数 ,计算这些函数的开销远比数值 或字符串的比较要大。如果用顺序扫描的方法查询 ,则效率非常低。因此 ,为了提高查询效率 ,采 用空间索引是十分必要的。目前人们的研究工作更多地集中在空间数据的多维索引的研究上。全 面地总结了当前空间数据库领域中空间索引的研究进展 ,然后介绍了目前空间数据库中广为采用 且比较新的 4种索引方法: ( 1) R 树 (2) K -
  3. 所属分类:电信

    • 发布日期:2011-04-02
    • 文件大小:188416
    • 提供者:zk12141985
  1. 精通MATLAB.7_0

  2. 精通MATLAB.7_0 内容简介    本书基于最新的matlab7.x版本,深入浅出,紧密结合实例,对matlab的使用进行了全面且详尽的阐述,并通过大量的实例讲述了如何实现 matlab7.x的基本操作和实际使用。全书图文并茂,突出应用,并配有大量的程序实例。全书共分37章进行展开,分为基础篇和实战篇。基础篇为前面的 34章,主要讲述matlab的基本使用,分别为:基础入门、matlab桌面、数组及其操作、多维数组及其操作、数据类型概述和数值类型、结构体和元胞数组、字符串、关系运算和逻辑
  3. 所属分类:其它

    • 发布日期:2011-10-19
    • 文件大小:67108864
    • 提供者:shaoguangleo
  1. hdidx, 高维数据的近似最近邻( 神经网络) 搜索.zip

  2. hdidx, 高维数据的近似最近邻( 神经网络) 搜索 HDIdx: 索引高维度数据 什么是 HDIdx?HDIdx 是一个 python 包,用于近似最近邻( 神经网络) 搜索。 最近邻( NN ) 搜索在高维空间中是非常困难的,因为维度维度的灾难性问题 。 的基本思想是将原
  3. 所属分类:其它

    • 发布日期:2019-10-10
    • 文件大小:84992
    • 提供者:weixin_38743602
  1. 基于核矢量过滤的视频检索算法

  2. 摘要:视频检索是高维空间中的计算。针对高维计算量大的特点,提出了构造一个核矢量的算法,将高雏空间转换到低维空间,在低维空间逐维过滤不相似的数据集,缩小检索范围,提高检索速度。关键词:核矢量子域过滤候选集     为了有效地从视频媒体库中找到所需的信息,必须对视频信息进行有效的组织、索引,以提供快捷、方便的视觉检索。视频内容既包含与视频内容直接相关的视觉信息数据,也包括与视频不直接相关的数据(即内容无关的元数据),如格式、作者名、日期和所有权等。其中,与视频内容直接相关的数据又分为两类:(1)
  3. 所属分类:其它

    • 发布日期:2020-12-13
    • 文件大小:292864
    • 提供者:weixin_38703626
  1. 基于空间相关正则化稀疏表示的高光谱图像分类分布式并行优化

  2. 高光谱图像具有覆盖范围广,高维带和大量数据的特点,这在处理高光谱数据时会导致耗时的计算。 Spark是一个分布式大数据处理框架,集成了内存中计算。因此,Spark适用于复杂的迭代计算。为了有效地对海量高光谱数据进行分类,提出了原始空间相关正则化稀疏表示分类(SCSRC)的Spark版本。在分布式并行SCSRC(DP-SCSRC)中,首先,将相邻的高光谱图像索引存储在Spark的RDD的同一分区中,以保留空间相关性。其次,创建联合分布式矩阵(JDM)以减少计算节点之间的开销数据同步。对实际高光谱数
  3. 所属分类:其它

    • 发布日期:2021-03-20
    • 文件大小:1048576
    • 提供者:weixin_38522795
  1. 基于网格的DBSCAN:索引和推断

  2. DBSCAN是一种聚类算法,它可以报告任意形状的聚类和噪声,而无需将聚类的数量作为参数(例如,与其他聚类算法k -means不同)。 由于DBSCAN的运行时间具有二次增长顺序,即O(n 2),因此几十年来,有关提高其性能的研究受到了相当多的关注。 基于网格的DBSCAN是一种完善的算法,其复杂度在2D空间中提高到O(n log n),而在维数≥3时则需要(n 4/3)来求解。 但是,我们发现基于网格的DBSCAN存在两个问题:邻居爆炸和合并中的冗余,这使算法在高维空间中不可行。 在本文中,我们
  3. 所属分类:其它

    • 发布日期:2021-03-15
    • 文件大小:917504
    • 提供者:weixin_38730331
  1. 使用超聚类的基于超立方体的高维索引

  2. 高维索引结构。首先通过联合在基于“过滤-精炼”(过滤器和优化)的查询过程中,计算查询点与各个类之间的距离下界,实现对聚类的有效过滤。为了提高距离下界对真实距离的逼近能力,采用了一种基于统计优化的超立方体区域描述方法SOHC2(基于统计优化的超多维数据集),能够更加有效地缩小搜索空间,提高查询性能。理论分析和实验结果都表明,SOHC2的查询性能明显优于其他索引方法,适合大规模高维数据的查询;与同类索引结构索引,查询速度能够提高3倍以上。
  3. 所属分类:其它

    • 发布日期:2021-03-10
    • 文件大小:1018880
    • 提供者:weixin_38690522
  1. 从K近邻算法、距离度量谈到KD树、SIFT+BBF算法(二)

  2. 之前blog内曾经介绍过SIFT特征匹配算法,特征点匹配和数据库查、图像检索本质上是同一个问题,都可以归结为一个通过距离函数在高维矢量之间进行相似性检索的问题,如何快速而准确地找到查询点的近邻,不少人提出了很多高维空间索引结构和近似查询的算法。一般说来,索引结构中相似性查询有两种基本的方式:一种是范围查询,范围查询时给定查询点和查询距离阈值,从数据集中查找所有与查询点距离小于阈值的数据另一种是K近邻查询,就是给定查询点及正整数K,从数据集中找到距离查询点最近的K个数据,当K=1时,它就是最近邻查
  3. 所属分类:其它

    • 发布日期:2021-03-03
    • 文件大小:1048576
    • 提供者:weixin_38723516
  1. 快速过滤错误的活动子空间以进行高效的高维相似度处理

  2. 通常,通过修剪不包含查询结果的不活动查询子空间并保留可能包含与请求相对应的对象的活动查询子空间来缩小相似性查询的查询空间。 但是,某些活动查询子空间可能根本不包含查询结果,这些结果称为错误活动查询子空间。 显然,在存在错误的活动查询子空间的情况下,查询处理的性能会降低。 我们的实验表明,当数据为高维数据时,随着维数的增加,对错误的活动子空间的访问次数也随之增加,这一问题变得更加严重。 为了解决这个问题,本文提出了一种空间映射方法来减少这种不必要的访问。 给定的查询空间可以通过在其映射空间内进行过
  3. 所属分类:其它

    • 发布日期:2021-02-23
    • 文件大小:569344
    • 提供者:weixin_38547409
  1. 从K近邻算法、距离度量谈到KD树、SIFT+BBF算法(二)

  2. 之前blog内曾经介绍过SIFT特征匹配算法,特征点匹配和数据库查、图像检索本质上是同一个问题,都可以归结为一个通过距离函数在高维矢量之间进行相似性检索的问题,如何快速而准确地找到查询点的近邻,不少人提出了很多高维空间索引结构和近似查询的算法。一般说来,索引结构中相似性查询有两种基本的方式:一种是范围查询,范围查询时给定查询点和查询距离阈值,从数据集中查找所有与查询点距离小于阈值的数据另一种是K近邻查询,就是给定查询点及正整数K,从数据集中找到距离查询点最近的K个数据,当K=1时,它就是最近邻查
  3. 所属分类:其它

    • 发布日期:2021-01-30
    • 文件大小:1048576
    • 提供者:weixin_38637805
  1. C#通过KD树进行距离最近点的查找

  2. 本文首先介绍Kd-Tree的构造方法,然后介绍Kd-Tree的搜索流程及代码实现,最后给出本人利用C#语言实现的二维KD树代码。这也是我自己动手实现的第一个树形的数据结构。理解上难免会有偏差,敬请各位多多斧正。 1. KD树介绍 Kd-Tree(KD树),即K-dimensional tree,是一种高维索引树形数据结构,常用于在大规模的高维数据空间进行最邻近查找和近似最邻近查找。我实现的KD树是二维的Kd – tree。目的是在点集中寻找最近点。参考资料是Kd-Tree的百度百科。并且根据百
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:65536
    • 提供者:weixin_38735987
  1. FGBC-iDistance:细粒度位码过滤的高维索引

  2. 在高维向量检索中,距离计算是很耗时的操作,当前科研趋势是采用分治法来减少距离计算。iDistance通过锚点将向量空间划分为聚类子空间,BC-iDistance通过BC码将聚类子空间每维划分成2个区域。提出一种更加细粒度的区域划分方法和索引结构,每个区域对应一个细粒度位码FGBC(fine grained bit code),通过FGBC码实现了对候选集更精准的过滤。FGBC-iDistance的距离计算次数最好能减少到iDistance的
  3. 所属分类:其它

    • 发布日期:2021-01-14
    • 文件大小:1048576
    • 提供者:weixin_38587005
  1. SPTAG:分布式近似最近邻搜索(ANN)库,可为大规模矢量搜索场景提供高质量的矢量索引构建,搜索和分布式在线服务工具包-源码

  2. SPTAG:一个用于快速近似最近邻居搜索的库 标记 SPTAG(空间分区树和图形)是由和发布的用于大规模向量近似最近邻居搜索方案的库。 介绍 该库假定样本表示为向量,并且可以通过L2距离或余弦距离来比较向量。 为查询向量返回的向量是与查询向量具有最小L2距离或余弦距离的向量。 SPTAG提供两种方法:kd树和相对邻域图(SPTAG-KDT)和平衡k均值树和相对邻域图(SPTAG-BKT)。 SPTAG-KDT在索引建立成本方面是有利的,而SPTAG-BKT在非常高维数据中的搜索准确性方面是有利
  3. 所属分类:其它

    • 发布日期:2021-04-01
    • 文件大小:1048576
    • 提供者:weixin_42160425