基于LSH的时间子序列查询算法

子序列的相似性查询是时间序列数据集中的一种重要操作,包括范围查询和k近邻查询.现有的大多算法是基于欧几里德距离或者DTW距离的,缺点在于查询效率低下.文中提出了一种新的基于LSH的距离度量方法,可以在保证查询结果质量的前提下,极大提高相似性查询的效率;在此基础上,给出一种DS-Index索引结构,利用距离下界进行剪枝,进而还提出了两种优化的OLSH-Range和OLSH-kNN算法.实验是在真实的股票序列集上进行的,数据结果表明算法能快速精确地找出相似性查询结果.

基于关键证据与E^2LSH的增量式人名聚类消歧方法

搜索引擎中关于人名的相关文档往往数据量庞大,且数据为增量式更新过程,新文档出现的时间与规模都存在不确定性。现有的方法多为全局的人名聚类方法,在处理大规模数据时往往效率较低,且无法实现增量聚类。本文提出了一种基于关键证据与E^2LSH的增量式人名聚类消歧方法。对于初始文档集,采用全局的人名聚类方法,保证聚类性能且能有效控制全局聚类的文档规模,提高聚类效率。对于增量文档集,利用提出的关键证据与E2LSH方法生成候选文档集,极大降低了需要计算相似度的文档规模,提高方法效率。实验结果表明,本文提出的增量式人名聚类消歧方法能有效改善人名聚类的效率,且具有良好的性能。

基于LSH索引的快速图像检索

高维空间中点数据的索引及检索是基于内容图像检索领域的关键问题,文中将LSH(localitysensitivehashing)索引算法应用于基于内容图像检索系统中,与传统的索引方法相比,该算法具有复杂度比较低、支持非常高的维数、极低的I/O代价等特点。实验结果证明,将该索引算法应用于基于内容图像检索系统中,其性能优于传统的索引方法.

一种改进的LSH/MinHash协同过滤算法

近年来很多基于协同过滤的推荐系统得到了成功应用,但随着系统中用户和项目数量的不断增加,相似度计算量剧增,使得协同过滤推荐系统的扩展性问题变得日益突出。本文提出改进的基于近似最近邻的LSH/MinHash算法,并运用到图书馆资源聚类中,以解决在合理时间复杂度下的高维大数据量聚类问题,降低相似度计算量,提高算法的可扩展性。实验表明此算法有较高的效率与精度。

基于卷积神经网络和E2LSH的遥感图像检索研究

遥感图像是一种特征维度很高的图像,当前的遥感图像检索技术图像特征表达能力不强,并且利用海明距离排序后还需计算欧式距离,产生信息损失,严重制约了遥感图像检索技术的性能。基于上述问题,提出一种基于卷积神经网络和E2LSH的遥感图像检索技术,将遥感图像进行降噪处理之后,利用已经预训练过的VGGNet-D卷积神经网络模型提取图像深层次的特征,挖掘隐含的图像信息;利用L个E2LSH(Exact Euclidean Locality-Sensitive Hashing)函数对提取的特征在保证度量距离的同时进行高效降维并构建L个索引结构;利用L个索引完成粗检索以构成候选集。直接计算并排序候选集的欧氏距离来完成近似最近邻搜索,避免了两种空间及距离的换算。实验结果表明,提出的检索方法减少了距离换算的信息损失并能有效提高遥感图像特征表达能力,使其在查准率和查全率上有更好的检索效果。

融合LBP特征与LSH索引的鞋印图像检索

融合局部二值模式(LBP)纹理特征与局部敏感哈希(LSH)索引方法,给出一种大规模鞋印图像快速检索方法。首先,提取鞋印图像的旋转不变LBP特征,用于描述鞋印的底层视觉特征;然后,采用LSH方法为鞋印库中的图像建立索引结构,以实现快速检索。在包含有多种尺度与旋转变化的6万幅鞋印图像库中进行实验,TOP30检索正确率达到91.6%,且在检索速度方面,较之传统的线性搜索方法提高10倍。

一种基于LSH技术的链路预测方法

为了进一步提升传统链路预测的准确度,减少海量数据的计算力和存储开销,提出一种基于局部敏感哈希技术(简称LSH)的链路预测方法。该方法首先采用锚链接对节点之间的关联挖掘后生成融合数据,接着应用LSH技术对融合数据进行处理,转换为二进制编码形式,最后使用这些二进制编码完成链路预测任务。实验证明该方法提升了链路预测的整体性能和其准确度。

基于E^2LSH的特定人物快速检索方法

特定人物检索对视频监管和视频搜索具有重要意义。使用PCA-SIFT(Principal Compo-nents Analysis-Scale Invariant Feature Transform)表征图像内容,并引入E2LSH(Exact EuclideanLocality-Sensitive Hashing)来构建索引文件,提出了一种基于E2LSH的特定人物快速检索方法。新方法首先对特征进行降维映射,并根据位置敏感哈希函数的运算结果构建索引文件,然后再用点点对称OOS(One-to-One Symmetric)的匹配策略查询最近邻点,实现特定人物的快速检索。实验结果表明,与传统方法相比新方法不但提高了人物检索精度,而且检索时间也大大减少,同时,对大规模数据库有较好的适应性。

LSH-02低温尾气加氢催化剂的工业应用

介绍LSH-02低温尾气加氢催化剂在茂名石化6#硫回收装置上的工业应用情况。通过对催化剂主要物化性质、装置运行数据等与常规尾气加氢催化剂的对比,表明LSH-02低温尾气加氢催化剂具有良好的低温操作性能。

改良腹腔镜下子宫次全切除术(LSH)治疗子宫良性病变的临床效果

目的:对改良腹腔镜下子宫次全切除术(LSH)治疗子宫良性病变的临床效果进行探讨。方法:选取50例在我院接受手术治疗的子宫良性病变的患者,将其分为对照组和实验组,对照组采用传统腹腔镜下子宫次全切除术进行治疗,实验组采用改良腹腔镜下子宫次全切除术(LSH)进行治疗。观察子宫良性病变在改良腹腔镜下子宫全切除术(LSH)治疗的情况下的临床效果。结果:两组患者在治疗后,实验组住院时间、排气时间、下床时间及住院费等都低于对照组,统计学上有意义(P<0.05)。实验组恢复时间、手术时间及出血量均明显低于对照组,统计学上有意义(P<0.05)。结论:经过改良腹腔镜下子宫全切除术(LSH)治疗效果显著,大大地降低恢复时间,术后并发症较少,减少手术时间和手术中的出血量,减轻患者家庭的经济负担。

基于LSH和MapReduce的近邻模型推荐算法

传统的近邻模型(k-nearest Neighborhood,KNN)是一种使用广泛的协同过滤模型,但是随着用户和项目的增加,需要计算大量用户或项之间的相似度,其时间复杂度过高.通过结合位置敏感哈希(Locality-Sensitive Hashing,LSH)与MapReduce,提出了一种能够在线性时间复杂度内并行计算用户或项之间相似度的近邻模型推荐算法,降低了时间和空间复杂度.在Tencent Weibo数据集上进行了仿真实验,实验表明提出的模型能有效解决传统近邻模型对于大数据集时间复杂度过高的问题,显著地提高了传统近邻模型的精度和降低传统近邻模型的耗时.

一种基于分布式LSH的海量视频快速检索方法

针对大规模视频数据库,提出一种快速的视频相似性检索方法.该方法采用基于内存约束的分布式哈希结构,称为MD-LSH,有效地解决了快速与可扩展性问题.首先从视频序列中提取出特征向量集合,然后使用MD-LSH对高维特征向量建立索引,根据返回的相似帧集合对相关的视频进行相似度计算,最后排序得到相似视频的查询结果.实验表明,该方法对大规模视频的快速检索是非常有效的.

一种基于LSH的时间子序列匹配查询算法

提出了一种基于LSH(locality sensitive hashing,局部敏感散列)算法处理时间子序列匹配问题的方法LSHSM。不同于FRM和Dual Match方法 ,该方法不需要对时间序列做DFT、DWT等特征变换,而是直接把序列看成高维数据点,利用LSH能处理高维数据的特性来查找相似时间子序列。实验采用3种不同的时间序列数据集,通过与线性扫描算法比较,验证了算法的有效性,性能有很大的提高。

基于高维局部特征和LSH索引的图像检索技术

基于内容的图像检索(CBIR)技术使从海量图像资源中快速高效地提取有价值的信息得以实现,采用局部特征来表示图像并在此基础上进行图像相似性检索是当前的热门研究课题。文中将图像高维局部不变特征提取算法和LSH索引算法应用到基于内容的图像检索系统中,实验结果表明了该方法的有效性。

利用K-Means LSH加速求解格中的最短向量问题

2015年Laarhoven将位置敏感哈希(LSH)引入筛法,得到了基于LSH的高斯筛法框架,用以解决格上最短向量问题(SVP).本文利用该框架,通过引入由机器学习中经典的K-Means聚类算法衍生的K-Means LSH函数,对算法进行优化.实验验证了这种LSH具有很好的性能,优化后的筛法具有很好的效率.与Laarhoven的筛法对比,我们的算法由于多引入一个参数而具有更好的灵活性与实用价值.

CB-LSH:基于压缩位图的高性能LSH索引算法

由于传统局部敏感散列(LSH)算法的删除性能不足,阻碍了LSH算法在实际产品中的应用.提出一种基于压缩位图的改进方法,通过引入压缩位图改良传统LSH算法的桶中数据结构,以及使用标记清除策略进行算法流程优化,解决传统LSH索引实时删除性能差的问题.理论分析证明:基于压缩位图的LSH(CB-LSH)算法可以显著降低算法的空间复杂度和时间复杂度.实验结果支撑了理论分析的结论,相对于传统LSH算法,CB-LSH在降低内存消耗的同时,可显著提高索引删除、数据插入和数据查询的性能.在大型项目中的应用实践验证了在线实时更新的海量多媒体数据检索系统中,CB-LSH索引算法对于多媒体数据的高维索引是有效可行的,并显著提升了性能、降低了资源消耗.

基于LSH的时间序列DTW相似性查询

提出了一种新颖的基于LSH的时间序列DTW相似性近似查询算法,较好地解决了DTW相似性查询速度慢的问题.首先,分析了DTW相似性度量的特点,即时间弯曲的重要特性;其次,将该特性与LSH函数相结合,设计了高效的DTW相似时间序列过滤方法.在很大概率程度上保证了相似的时间序列至少具有一个相同的LSH函数值;最后,给出了一个基于过滤加验证框架的时间序列DTW相似性近似查询算法,该算法利用低维的Hash索引加快候选集合的筛选,从而加快查询速度.实验结果表明,在保持较好的召回率的情况下,本文提出的方法较现有算法有效地提高了DTW相似性查询速度.

低空间复杂度的LSH算法及其在图像检索中的应用

局部敏感哈希LSH算法是有效的高维数据索引方法,如何生成哈希函数是算法的关键部分。LSH算法的哈希函数是基于p-稳态分布随机生成的,为了提高算法性能就需要增加哈希表的数量,但这会增加算法的空间复杂度。改进后的LSH算法(I-LSH)在生成哈希函数时不需要有标记的训练样本,而是仅仅利用数据点的分布信息构造投影方向。实验结果表明,在不显著降低检索性能的情况下,ILSH有效地降低了内存的使用量,适合处理大规模数据。

基于LSH技术的试题相似度检测方法

试题内容重复率是评价试题库及试卷质量的重要指标之一,为了快速找出题库中的相似试题,本文主要研究了基于K-shingles的Jaccard相似度、MinHash和LSH技术应用于相似试题的检测方法。此方法首先将题干内容进行中文分词,进行适当处理后转换成K-shingle集,通过MinHash计算出签名,最后使用LSH技术快速地找出候选相似试题对并计算出相应的Jaccard相似度,若该相似度大于给定的阈值,则发现相似试题。该方法通过在题库系统中的使用,充分验证了该方法的可行性,达到了很好的效果。

子宫肌瘤剥除术和腹腔镜子宫次全切除术(LSH)对子宫肌瘤患者内分泌的影响

目的探讨子宫肌瘤剥除术和腹腔镜子宫次全切除术(LSH)对子宫肌瘤患者内分泌状态的影响。方法选取妇产科84例子宫肌瘤患者并随机分组,观察组42例患者行LSH治疗,对照组42例患者行子宫肌瘤剥除术治疗,观察两组患者治疗前、治疗后的内分泌状态变化并对比差异。结果治疗前,两组E_2、P、FSH、LH内分泌指标水平差异均无统计学意义(P>0.05);治疗后6个月,观察组E_2明显低于治疗前和对照组,P<0.05差异具有统计学意义。结论两种术式治疗子宫肌瘤均有显著疗效,子宫肌瘤剥除术相较LSH对子宫肌瘤患者内分泌影响较小,效果更佳。