改进聚类的索引建立方法研究

传统的基于网格与密度的聚类方法需要用户输入间隔距离和密度阀值参数,聚类的结果不平滑,不能很好地判断边界对象的网格归属。提出了一种自动根据对象的数量确定间隔的距离和聚类的数量的聚类方法,合理地将对象进行聚类划分,并将聚类的结果构建Hilbert R-tree索引,通过实验表明算法在建立时间和其他性能上均优于传统的Hilbert R-tree索引。

Top-k空间偏好查询方法研究

随着无线通信技术的发展和智能移动终端的广泛普及,基于位置的服务已经融入了人们生活的方方面面。其中,Top-k空间偏好查询在地理信息系统、城市建设规划、资源调度与分配、旅游规划等领域具有重要的意义。Top-k空间偏好查询是根据空间对象周围的特征对空间对象进行等级评价,并返回具有最高等级评价的k个空间对象。目前,对于Top-k空间偏好查询的研究主要集中在欧式空间和路网环境,本文对欧式空间和路网环境下的Top-k空间偏好查询方法进行分析和比较。

大数据的空间数据索引技术研究

详细了解大数据的空间数据索引技术研究现状，对目前的一系列主要空间数据索引进行阐述。对现在的主流空间数据索引技术进行论述，依据R-tree索引、哈希索引、Voronoi图索引和空间填充曲线的原理，从其本质上分析其各自特点，从而为大数据的空间数据索引技术研究提供理论基础。

一种面向海洋监控视频的索引机制

数据作为一种资产其蕴含的价值越来越重要,把收集到的数据存储下来用于后续的数据分析与挖掘具有重要意义。论文针对海量的海洋监控视频,提出一种存储方案来满足查询需求。在此基础上,文中提出一种索引结构RB-Tree,使得基于该索引可实现海量数据的快速检索。此外,文章从理论层面对索引查询的时间代价进行分析,并与基于传统B+Tree、R-Tree索引的查询时间代价进行对比,说明RB-Tree在海量视频数据管理上的优势。

极地灾害区域监测的目标搜索规划与算法

为提高极地水域船舶安全航行路线规划与碰撞预警能力,提出了监测中心基于聚类和树形索引的目标搜索优化方法。以船舶当前航行区域构建灾害监测场景,引入虚拟电子围栏对监测区域进行定义;通过谱聚类算法对围栏区域进行风险等级划分,提取出高风险区域,实现目标搜索场景生成的优化;融合R-tree索引的射线算法对目标船只与围栏区域匹配关系的高效判定,从而实现目标搜索计算的优化。利用科考船舶的航行数据进行场景设定,通过仿真实验对目标搜索优化方法进行性能评估,结果表明,所提目标搜索算法性能优于传统方法,场景生成计算复杂度降低约50%,目标搜索计算效率提升约40%。

基于CUDA的并行K-近邻连接算法实现

针对大规模空间数据的K-近邻连接查询问题,设计了一种CUDA编程模型下K-近邻连接算法的并行优化方法。将K-近邻连接算法的并行过程分两个阶段:1)对参与查询的数据集P和Q分别建立R-Tree索引;2)基于RTree索引进行KNNJ查询。首先根据结点所在位置划分最小外包框,在CUDA下基于递归网格排序算法创建RTree索引。然后在CUDA下基于R-Tree索引进行KNNJ查询,其中涉及并行求距离和并行距离排序两个阶段:求距离阶段利用每一个线程计算任意两点之间的距离,点与点之间距离的求取无依赖并行;排序阶段将快速排序基于CUDA以实现并行化。实验结果表明,随着样本量的不断增大,基于R-Tree索引的并行K-近邻连接算法的优势更加明显,具有高效性和可扩展性。

基于井下人员的异常轨迹分析方法研究

针对井下作业人员轨迹数据信息多维度和稀疏性等问题,提出了基于离群点的异常轨迹筛选ZFMTRAOD算法,首先通过对轨迹子段建立R-tree索引提升检索速度,然后利用离群检测思想对邻域半径内轨迹子段的数量和平均时间判断轨迹是否异常,最后利用井下作业人员的轨迹数据对算法的性能进行比较,发现基于离群点的井下人员轨迹分析算法不仅能判别出井下作业人员异常轨迹的类型,还提高了异常轨迹判别的准确率。

一种多分类建筑物轮廓高精度优化方法

针对现有的建筑物轮廓的优化方法通常没有考虑相邻轮廓之间的拓扑关系,导致多类别建筑物轮廓优化之后的相邻建筑物轮廓线段存在交叉的拓扑错误的问题,该文提出了一种多分类建筑物轮廓高精度优化方法。采用建筑物轮廓R-tree空间索引和分类优化的方法,实现对不同类别的建筑物轮廓快速优化并保持轮廓之间的拓扑关系,加入交并比约束和Hausdorff距离对初步优化后的建筑物轮廓进一步调整,有效解决轮廓过度优化和细节过多的问题,得到接近真值的建筑物轮廓。基于轮廓优化的实验结果表明:本文提出的方法能够解决建筑物轮廓在优化之后的相邻建筑物轮廓线段存在交叉的拓扑错误问题,研究结果对建筑物轮廓优化领域具有一定的参考意义。

云环境下海量空间矢量数据并行划分算法

空间数据划分是空间大数据索引方法及其数据存储的重要组成部分。针对Hadoop云计算平台在空间数据划分及其存储方面的不足,提出了基于Hilbert空间填充曲线的海量空间矢量数据并行划分算法。在数据划分阶段,充分考虑空间数据相邻对象的空间位置关系、空间对象的自身大小以及相同编码块的空间对象个数等影响因素;通过＂合并小编码块,分解大编码块＂的划分原则,实现了云环境下海量空间矢量数据的并行划分算法。试验表明,该算法不仅能够提高海量空间矢量数据的索引效率,同时也能够很好地解决空间矢量数据在Hadoop分布式文件系统（Hadoop distributed file system,HDFS）上的数据倾斜问题。