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.     

基于聚类的空间数据多比例尺索引树

针对现有空间对象多尺度索引结构聚簇性不高的问题,在R树索引的基础上提出一种基于聚类的空间数据多比例尺索引结构。利用树的层次结构反映空间数据的多比例尺特性,用k-means算法对相同等级的空间对象进行聚类分组,减少空间区域覆盖和重叠。实验结果表明,该方法与基于四叉树的多比例尺索引相比,能有效提高空间数据多比例尺显示的性能。     

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。     

嵌入式三维电子地图空间数据索引研究

研究各种索引结构,如B树、四叉树、八叉树、网格、R树等,在此基础上提出一种网格索引和R树索引结合的索引方式。它适合作为嵌入式环境下的三维电子地图的外存索引。它比单纯的网格索引减少了数据冗余;比单纯的R树索引减少了区域重叠情况,降低了R树的高度,减少了检索的时间。并且其有效性在Android系统中得到了验证。     

基于HBase的支持频繁更新与多用户并发的R树

基于位置服务的应用已经进入大数据时代,传统基于位置服务的技术面临系统扩展性、性能等方面的挑战。云计算技术是大数据处理的基础,索引是优化查询的重要手段。尽管目前已存在大量的研究成果,但尚未有HBase上的支持频繁更新与多用户并发的R树索引。针对移动对象索引的频繁更新与多用户并发的需求,文中提出了基于HBase的支持频繁更新与多用户并发的R树索引,它只索引包含移动对象的网格,避免了频繁更新问题;进一步基于HBase的数据行与数据分区的组织与读写特性,对R树的节点进行重组,并对网格Z-order编码,从而减少了对HBase的读写操作,提高了查询效率;最后提出了基于ZooKeeper分布式读写锁的优化策略,提高了索引的吞吐量。实验结果表明,与网格索引相比,在数据非均匀的情况下,所提策略的查询吞吐量提高了25%～50%,更新吞吐量约在同一数量级;与分布式共享锁索引相比,分布式读写锁索引的吞吐量提高了近40%。     

三维R树在空间数据索引中的应用

随着 GIS 在军事和民事上的应用,国内外学者已经研究出各种各样的空间数据索引以提升系统性能。在总结目前空间数据索引技术研究进展的情况下,重点介绍一种适用于三维空间数据库的基于空间聚类的三维 R 树索引技术。     

基于色彩主特征的快速图像检索

提出了一种新颖而又简单直观的图像索引机制。这种方法通过统计图像数据库的低层像素特征，用中值切割法构建索引树，把自然景物图像数据库分成易于描述的不同视觉主题，并籍此来进行高效的图像检索。索引树的构建有别于传统的完全基于数值本身的聚类方法，因而聚类结果视觉含义更明显。本文以颜色主题为例实现了此方法，并通过实验论证了方法的高效和快速。图像索引码以二进制形式给出，因而所需存储空间也极小。     

基于KD树和R树的多维云数据索引

针对云存储系统大多基于键值对模型存储数据,多维查询需要对整个数据集进行完全扫描,查询效率较低的问题,提出了一种基于KD树和R树的多维索引结构(简称KD-R索引)。KD-R索引采用双层索引模式,在全局服务器建立基于KD树的多维全局索引,在局部数据节点构建R树多维本地索引。基于性能损耗模型,选取索引代价较小的R树节点发布到全局KD树,从而优化多维查询性能。实验结果表明：与全局分布式R树索引相比,KD-R索引能够有效提高多维范围查询性能,并且在出现服务器节点失效的情况下,KD-R索引同样具有高可用性。     

基于B+树的多媒体教育资源层次化索引模型

为了能够在海量的多媒体教育资源中快速且准确地检索出所需要的部分，提高教育资源利用率，设计一种基于B+树的多媒体教育资源层次化索引模型。首先对多媒体教育资源属性进行判断，并对数值型资源进行标准化和离散化处理，然后利用B+树建立其索引以及索引库，最后设计相应的检索算法，完成资源查找。结果表明：与R树索引模型、四叉树索引模型、多哈希表索引模型、网格索引模型、B-树索引模型相比，所设计的索引模型占据存储空间最小，检索时间最短，NDCG值较高，综合表现好。     

基于Oracle Spatial的空间数据索引

本文介绍了地理信息系统(GIS)中的属性数据和空间数据,详细阐述了基于Oracle Spatial的空间数据索引的分类,R树索引和四叉树索引的特点,以及创建索引时应注意的细节,还进一步比较了这两类索引各自的优缺点和适用条件,为应用时选择何种类型的索引提供了参考标准.     

基于聚类的Hilbert R-树空间索引算法

R-树适合于动态索引,但空间重叠大,而Hilbert R-树也不能有效降低节点覆盖和交叠,直接影响R-树的查询效率。为适应大量的GIS查询应用需要,提出对Hilbert R-树节点进行聚类的索引算法,较好地解决相邻数据的聚类存放,使叶节点MBR面积减小,内部节点交叠降低,并对该算法进行实验测试和性能分析,结果表明该算法具有较高的查询效率。     

一种基于R-树的空间索引结构

为了有效构建R-树,通过分析数据矩形的性质,结合改进的K-均值算法,提出一种用于构建R-树的数据矩形聚类新方法,给出基于R-树和四叉树的空间索引结构以及该空间索引结构的构造算法和节点插入算法。研究结果表明,该索引结构具有更紧凑的结构和更高的空间查询效率。     

基于栅格的R树更新缓存与批处理机制

根据对象分布相对稳定的特点,选择与固定栅格对应的、代表对象分布情况的部分叶子节点作为容纳新记录的种子节点,新记录可直接与种子节点合并而无须遍历R树。随机选择部分无法合并的记录作为种子记录,对活动记录进行简单有效的分组,以插入种子记录的代价实现批量插入。上述2种方法考虑了R树的空间聚簇特性,可在一次更新中完成多项插入与删除,减少了对节点的写操作及对R树的遍历次数。实验证明,该机制在降低索引维护I/O开销的同时保证了查询效率。     

基于QCR-树的空间索引方法

QR-树处理海量空间数据时,其深度和R-树内目录矩形的重叠面积会变大,导致查询效率降低。针对该问题采用K-means算法对索引对象进行聚类分析,构造新的聚类中心使其能处理具有多种形体的索引对象,并在QR-树中引入超结点存储聚类结果。提出一种QCR-树空间索引结构来提高查询效率,给出QCR-树的插入、删除和查询算法。实验结果表明QCR-树的查询性能优于QR-树,适用于海量数据。     

基于分区技术的静态R树索引并行计算技术

海量空间数据静态R树索引的加载时耗很大。该文利用关系数据库的优势,以空间数据分区存储技术为基础,提出针对自上而下的贪婪分裂算法的静态R树并行加载方法。该方法提高了海量数据批量加载效率,支持分区粒度的索引重建。论证与实验结果表明,并行构建的R树在合理空间数据分区下可以获得更高查询效率。     

基于k-means++的动态构建空间主题R树方法

现有的R-树空间聚类技术在通常通过随机指定或者计算空间数据间的欧氏距离来选取聚类中心,而未考虑空间数据间的主题相关度。这些导致聚类结果受初始k值影响,空间数据间的关联仅仅是基于地理位置的。针对此种情况,提出了一种基于k-means++的动态构建空间主题R树（TR-tree）方法。首先,在传统的k-means++算法上,通过聚类测度函数动态地确定k个聚类簇,并在聚类测度函数中引入潜在狄利克雷分布（LDA）模型来计算每个空间数据文本的主题概率,从而加强空间数据间的主题关联度;其次,通过主题概率选取概率最大的聚类中心;最后,构建TR-tree,并且在构建时动态分配空间数据。实验结果表明：虽然构建R-树的时间略有增加,但该方法在索引效率及节点间关联度上较仅仅基于地理位置聚类构建R-树的算法有明显提升。     

一种用于空间数据多尺度表达的R树索引结构

针对现有R树无法支持空间数据多尺度表达的问题,提出了一种用于空间数据多尺度表达的R树变形索引结构:(1)允许空间对象出现在非叶结点上;(2)利用树的深度反映空间分辨率的变化,提供分辨率维的支持;(3)树的分支结构考虑对自动制图综合算法的支持.分析了该变形R树索引结构的空间数据多尺度查询过程,并着重对该索引结构生成算法中的约束条件、插入算法和分裂算法进行了讨论.针对相同数据源,使用该方法与基于四叉树的空间数据多尺度索引方法进行了对比实验,结果表明,该索引方法能有效检索多分辨率形式组织的空间数据,具有综合结果记忆功能,效率明显.     

基于移动对象运动模式构建的空间索引结构

由于实时跟踪移动的空间对象需要不断地查询和更新空间数据库的索引,经典R树空间索引结构的静态管理空间对象的方法并不适合移动环境,从而导致系统执行效率非常低下。根据对移动对象运动模式的分析,文中提出了一种称为ASI(Adaptive Spatial Index based on Motion Characteristic of Moving Objects)的移动空间对象索引结构,阐述了该索引结构的核心算法、构造方法、具体的数据存储方案,最后给出了该索引结构的试验分析结果。