摘要
本文对模式识别中的经典FCM聚类进行了改进,对经典高维索引结构进行了分析,并将这种改进的FCM算法同树形索引结构相结合,提出了一种新的基于度量空间的动态高维索引结构HC-Tree(Hierarchical clustering tree)。插入算法保持HC-Tree更新时的动态平衡、分裂条件和分裂算法,使HC-Tree具有更紧致均匀的节点,大大减少了重叠,并实现了K近邻查询和范围查询。利用图像数据库特征向量进行了测试,结果表明,HC-Tree性能优于M-Tree和Slim-Tree。
本文对模式识别中的经典FCM聚类进行了改进,对经典高维索引结构进行了分析,并将这种改进的FCM算法同树形索引结构相结合,提出了一种新的基于度量空间的动态高维索引结构HC-Tree(Hierarchical clustering tree)。插入算法保持HC-Tree更新时的动态平衡、分裂条件和分裂算法,使HC-Tree具有更紧致均匀的节点,大大减少了重叠,并实现了K近邻查询和范围查询。利用图像数据库特征向量进行了测试,结果表明,HC-Tree性能优于M-Tree和Slim-Tree。
出处
《吉林大学学报(工学版)》
EI
CAS
CSCD
北大核心
2011年第S2期275-278,共4页
Journal of Jilin University:Engineering and Technology Edition
基金
教育部博士学科点新教师基金项目(20090061120050)
吉林大学科学前沿与交叉学科创新项目(450060445152)
吉林省科技发展计划项目(SC0701028
10100505)
关键词
计算机应用
度量空间
动态
高维索引
computer application
metric space
dynamic
high-dimensional indexing