دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: کامپیوتر ویرایش: 1 نویسندگان: Cui Yu (eds.) سری: Lecture Notes in Computer Science 2341 ISBN (شابک) : 3540441999, 9783540441991 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2003 تعداد صفحات: 159 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 مگابایت
در صورت تبدیل فایل کتاب High-Dimensional Indexing: Transformational Approaches to High-Dimensional Range and Similarity Searches به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب نمایه سازی با ابعاد بالا: رویکردهای تحول آفرین به جستجوهای محدوده و بعدی با ابعاد بالا نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
در این مونوگرافی، مشکل نمایه سازی با ابعاد بالا را مطالعه می
کنیم و به طور سیستماتیک دو ساختار شاخص کارآمد را معرفی می
کنیم: یکی برای پرس و جوهای محدوده و دیگری برای پرس و جوهای
شباهت. آزمایشها و مطالعات مقایسهای گسترده برای نشان دادن
برتری روشهای نمایهسازی پیشنهادی انجام میشود.
بسیاری از برنامههای کاربردی پایگاه داده جدید، مانند
پایگاههای اطلاعاتی چندرسانهای یا سیستمهای اطلاعات قیمت
سهام، ویژگیها یا ویژگیهای مهم اشیاء داده را به نقاط با
ابعاد بالا تبدیل میکنند. بنابراین جستجو برای اشیا بر اساس
این ویژگی ها جستجوی نقاط در این فضای ویژگی است. برای پشتیبانی
از بازیابی کارآمد در چنین پایگاههای داده با ابعاد بالا،
فهرستها برای هرس فضای جستجو مورد نیاز هستند. شاخصهای
پایگاههای داده کمبعد به خوبی مورد مطالعه قرار گرفتهاند، در
حالی که بیشتر این فهرستهای ویژه برنامهها با تعداد ابعاد
مقیاسپذیر نیستند، و برای پشتیبانی از جستجوهای مشابه و
اتصالات با ابعاد بالا طراحی نشدهاند.
In this monograph, we study the problem of high-dimensional
indexing and systematically introduce two efficient index
structures: one for range queries and the other for
similarity queries. Extensive experiments and comparison
studies are conducted to demonstrate the superiority of the
proposed indexing methods.
Many new database applications, such as multimedia databases
or stock price information systems, transform important
features or properties of data objects into high-dimensional
points. Searching for objects based on these features is thus
a search of points in this feature space. To support
efficient retrieval in such high-dimensional databases,
indexes are required to prune the search space. Indexes for
low-dimensional databases are well studied, whereas most of
these application specific indexes are not scaleable with the
number of dimensions, and they are not designed to support
similarity searches and high-dimensional joins.
Introduction....Pages 1-8
High-Dimensional Indexing....Pages 9-35
Indexing the Edges — A Simple and Yet Efficient Approach to High-Dimensional Range Search....Pages 37-64
Performance Study of Window Queries....Pages 65-83
Indexing the Relative Distance — An Efficient Approach to KNN Search....Pages 85-108
Similarity Range and Approximate KNN Searches with iMinMax....Pages 109-122
Performance Study of Similarity Queries....Pages 123-140
Conclusions....Pages 141-144