面向集聚分布空间数据的混合式索引方法研究

空间数据索引技术可以有效地提高空间数据在存储、处理、分析以及地图可视化中的效率,其性能优劣直接影响GIS的整体性能。该文针对格网索引和四叉树索引存在的问题,提出将四叉树嵌入格网形成一种混合式空间索引结构,并分析其原理、数据结构与影响参数。理论分析及实验证明,对于空间集聚分布状态的海量地理数据而言,混合式索引方法以略高的存储代价换取了更高的检索、插入和删除效率,是一种有效的空间索引方案。

一种有效的混合空间索引机制

论文结合网格索引和R树索引的特点,提出了一种基于粗分网格和聚类R树的混合索引方案(HSIBGR)。该方案首先将矩形地理空间进行粗网格划分建立一级索引,然后针对每个小网格建立基于R树的二级索引,采用聚类技术处理溢出R树结点的分裂。论文还对HSIBGR索引机制进行了理论分析和实验验证,结果表明HSIBGR索引机制能有效地减少存储开销,提高检索效率,具有良好的性能。

空间索引的混合树结构研究

针对大型的空间数据库和多媒体数据库的应用,R-树索引结构是一种有效的高维数据索引结构,但R树也有其缺点,文章提出了一种基于四叉树和R-树的混合树空间索引结构,研究结果表明:在存储开销上,混合树比R-树略高,但插入、删除、特别是查找的性能得到了显著的提高,且索引量越大,混合树的查找性能越明显优于R-树。

空间数据的混合树索引结构与访问引擎的研究

通过对空间数据库系统关键技术的研究,改进了空间数据索引结构,设计实现了基于2K叉树与R-树的混合树索引结构,提高了空间数据的访问效率,并通过实验验证了该结构的正确性与有效性;同时,在混合树空间索引结构的基础上,设计实现了一个符合OpenGIS规范的空间数据库访问引擎,它能有效地支持空间数据的存储与管理,并为数据共享和系统互操作打下了基础.该数据访问引擎在应用实践中也取得了较好的效果.

基于混合聚类算法的动态R-树

针对动态R-树是通过动态插入算法建立起来的,其节点分裂算法的性能直接影响到R-树的性能和查询效率的问题,为了使动态R-树适应多维复杂空间数据的要求,提出一种用于实现R-树节点分裂的混合聚类算法(HCR),它建立在普通聚类算法的基础上,并进行了一系列扩充。针对空间对象的均匀分布与不均匀分布,HCR算法在实现R-树节点分裂时分别采用不同的聚类准则以提高其聚类效果和查询效率。此外,还将HCR算法与其他算法进行对比实验,结果表明该算法具有较高的查询效率。

基于三维网格-R树的混合索引方法研究

针对三维场景下空间数据分布不均匀呈现区域密集的问题,本文提出并建立了三维网格-R树混合索引结构,在此基础上给出详细的维护与查询算法。该混合索引结构综合了网格快速划分三维空间以及R树高效查询的优点,较好地解决了海量非均匀分布的三维数据的快速管理、查询问题。最后针对上述混合索引结构模型构建了实验系统,对不同大小、不同分布下的数据集进行范围查询、k近邻查询对比测试,实验结果均表明了该混合索引结构在查询方面的良好性能。

用户相关反馈下的空间关键字语义查询方法

现有的空间关键字查询方法通常根据查询关键字在空间对象文本信息中的出现频率进行文本相关度评估,没有考虑用户对不同查询关键字的偏好程度,并且也没有考虑语义相关性.为解决上述问题,本文提出一种基于用户相关反馈的空间关键字个性化语义查询方法.该方法分为离线处理和在线处理两个阶段,在离线处理阶段,采用Gibbs算法估计空间对象文本信息的主题概率分布,进而利用LDA模型对空间数据集进行语义扩展.在线查询处理阶段,对于用户的初始查询条件,首先利用IR-tree混合索引结构从扩展后的空间数据库中获得候选查询结果;然后,用户根据个人偏好在候选集中明确标注出相关的查询结果(即相关反馈),根据用户的反馈信息,采用Rocchio算法对用户初始查询条件进行更新,使得新的查询条件更贴近用户实际需求和偏好;利用更新后的查询条件再进行检索,从而得到新的候选集,重复执行反馈过程,直到查询结果令用户满意为止.实验结果表明,本文提出的基于用户相关反馈的空间关键字语义查询方法可以有效捕获用户隐式偏好并体现语义相关性,在一定程度上提高了空间关键字查询结果的个性化程度和准确率.

一种基于混合聚类的空间索引算法

R-Tree允许兄弟节点之间的相互重叠,具有多路查找的特点,而Hilbert R-Tree也不能有效降低子空间的相互重叠,直接影响查询效率。提出了一种基于混合聚类的空间索引算法,将K-means和K中心点引入索引结构,改变了经典K-means算法对初始聚类中心的随机选取,减少了叶节点的MBR面积和各个子空间的重叠。通过实验表明,该算法具有更快的响应速度和查询效率。

面向DEM构建的点云四叉树和R树混合索引研究

机载激光扫描点云数据量大,导致处理点云数据的效率不高.为此,借助四叉树对空间的快速分割和R树的自平衡特性,提出一种基于四叉树和R树混合空间索引的数字高程模型(digital elevation model,DEM)构建方法.首先针对原始点云数据建立外存索引;然后遍历索引以便将符合要求的区域点云分别导入内存,并以形态学滤波法对不同区域内的点云进行同步滤波处理;最后对于分区域处理得到的地面点数据,采用反距离加权内插法得到DEM.实验证明,在确保DEM精度的基础上,应用该索引方法能够极大地提高DEM构建的效率.

基于混合索引结构的传感器网络查询系统仿真

检索场域内节点q的k个最近邻节点感知信息是无线传感器数据库系统时空查询方法的重要一环。结合索引结构和非索引结构的最近邻节点查询框架,提出了基于混合索引结构的传感器网络最近邻查询系统模型及算法,采纳贪婪路由协议中的非索引结构的位置路由算法将用户需求转发到节点q,q分析用户查询需求,结合k计算查询区域半径,同时基于改进的索引结构查询体系得到用户需求信息。为拓展算法在动态拓扑网络结构的移动无线传感器网络上的应用,探讨了一种改进的最近邻查询方法。通过大量实验仿真,证实所提混合索引结构方法充分吸收了索引结构和非索引结构等体系的优点,在减少系统能耗和提升网络服务质量等方面均有所改进。

石油勘探开发领域空间信息检索方法

提出了面向石油勘探开发的空间信息检索技术方法,给出了文档空间主题计算模型,设计了支持文本与三维空间查询的高性能索引结构,在原有研究的基础上实现了原型系统PetroScope.经过真实数据的性能测试和比较分析,原型系统的准确度得到了一定程度的提高,性能能够满足该领域空间信息检索的需求。

一种基于网格与R树的多级混合索引

结合网格索引和R树索引的特点,提出了一种基于网格与R树的多级混合索引。该方案首先将矩形地理空间进行粗网格划分建立多级网格索引,然后针对每个小网格建立基于R树的空间索引。详细讨论了该索引的结构、建立算法、删除算法以及应用该索引的检索算法,并进行了算法分析。与网格索引和R树索引相比,该索引以略大的空间开销换取了更高的查找性能。

基于希尔伯特R树和LDA的混合机制研究

现有的空间关键词搜索方法通常采用以R树为主的混合索引,根据查询位置找到相关文本,查询时通过编辑距离或统计语言模型进行简单的文本匹配。然而多维R树的空间区域重叠率较高,且简单的文本匹配易造成语义相关的文本丢失。为了提高空间查询效率和文本匹配的准确率,构建了一种有效的混合索引结构希尔伯特信息检索树(Hilbert Retrieving information-Tree,HRI-Tree)并进行top-k查询,在Hilbert R树的节点中加入关键词的倒排索引,并采用LDA主题模型,通过主题分类更准确地查询到语义相关的文本,返回与查询文本近似匹配且空间距离相近的top-k结果。上述算法在实验中与当前的方法在查询所需时间、节点重叠覆盖率、文本匹配的准确率等方面进行了比较,显示出其优越的性能。

面向多属性条件的空间对象检索算法

针对现有空间索引不能满足多样化的检索需求,提出两种新型空间索引,能够同时面向空间属性、文本属性与划分属性进行空间对象检索。将分类技术应用于空间对象检索中,提出了基于划分索引与IR-Tree的混合索引以及先划分索引再IR-Tree的索引方法,不仅满足了多样化的空间检索需求,而且有效地解决了传统空间索引更新维护代价大的问题。基于真实的北京市POI数据集进行实验,结果表明本文提出两种索引是有效的且检索效率高。与传统空间索引相比,提出的空间索引很好地解决了具有划分属性的空间对象检索问题,并且具有较高的检索效率。

用户偏好约束的空间关键词范围查询处理方法

随着基于地理位置的个性化服务的广泛应用,用户偏好约束的空间关键词范围查询成为了研究热点。现有面向空间关键词范围查询的索引没有考虑用户偏好属性,导致剪枝性能和查询效率较低。为了解决该问题,提出了一种支持用户偏好属性、空间位置、关键词协同剪枝的混合索引BRPQ;并在此基础上,提出了高效的用户偏好约束的空间关键词范围查询处理算法。实验结果表明,相比现有索引,BRPQ索引的构建时间平均减少了13%,查询效率平均提升了20%。

结合否定关键词的空间关键词查询

面向个性化约束的空间关键词查询是数据库查询领域的热点问题,其中快速性和匹配性是衡量此类查询优劣的核心问题.传统空间关键词范围查询无法匹配除地理位置和关键词信息以外的带有个性化约束条件下的查询,且大多数二维空间下的索引结构的构建更新速度和查询效率较低.针对上述问题,提出了一种带否定关键词约束(即用户不喜欢的关键词)的查询模式.采用Geohash字符串表示兴趣点对象,对字符串排序后构建B+树作为二叉树的叶节点,通过二叉树过滤带否定关键词的对象,构建了基于Geohash的混合索引结构BGIB-Tree.在此基础上,依靠Geohash编码的递归性,设计了前缀匹配搜索算法.以区域编码和对象编码前缀匹配为剪枝策略,快速找到满足空间约束的兴趣点,最后在倒排索引中双向搜索即可完成查询.通过与IR-Tree和BIR-Tree对比,在真实数据集上对BGIB-Tree的构建时间与相关参数对查询算法的影响做出验证,实验证明结果表明在索引构建时间上减少30%,算法查询效率提高29%.

车载LiDAR点云混合索引新方法

以车载LiDAR点云数据为研究对象,为提高点云数据的组织与管理效率,提出了一种全局KD树与局部八叉树相结合的混合空间索引结构——KD-OcTree。全局KD树通过分辨器、分割平面的确定,重构点云之间的邻域关系,确保索引结构的整体平衡;在其叶子节点再构造二级索引结构——局部八叉树,避免了单一八叉树结构点云分布不均衡、树结构深度过大、出现大量无点空间等现象。以3个真实场景数据为测试数据进行试验和对比分析,结果表明,KD-OcTree混合索引不仅能够提高索引构建、邻域搜索的速度,还对分类可靠性产生一定影响。

基于类八叉树索引的点云管理策略研究

以点云数据为研究对象,提出了一种结合K维(KD)树空间切分思想的类八叉树混合点云索引结构,实现了对海量点云的高效管理。对于点云所在空间,首先利用KD树思想进行初步分割,再对所得的子空间利用八叉树做进一步切分,建立类八叉树索引结构。并对传统线性八叉树编码进行改进,利用优化后的编码方式对空间进行编码,以实现更好地空间管理和邻域搜索。最后,以5组数量级递增的点云集为测试数据,通过实验结果和对比分析可知,类八叉树能够使数据组织的整体结构趋于合理,有效地提高了存取效率,降低了内存空间的占用;提升了传统KD树构造索引的速度,也改善了传统八叉树对空间占用过大、邻域搜索耗时过长的问题,实现了对海量点云空间的合理管理。