| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 引言 | 第9页 |
| 1.2 研究背景及意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.3.1 ANN查询量化编码方法的研究现状 | 第11-13页 |
| 1.3.2 ANN查询距离度量方式的研究现状 | 第13-14页 |
| 1.4 本文研究内容及篇章结构 | 第14-16页 |
| 1.4.1 研究内容 | 第14页 |
| 1.4.2 篇章结构 | 第14-16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 相关理论与技术 | 第17-27页 |
| 2.1 最近邻查询介绍 | 第17-18页 |
| 2.2 精确查询与近似查询 | 第18-20页 |
| 2.2.1 精确查询 | 第18-19页 |
| 2.2.2 近似查询 | 第19-20页 |
| 2.3 流数据处理技术 | 第20-26页 |
| 2.3.1 相关概念及特性 | 第20-21页 |
| 2.3.2 批量计算和流式计算 | 第21-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 面向流数据的滑动窗口分层抽样算法 | 第27-38页 |
| 3.1 滑动窗口数据流概要生成技术 | 第27-29页 |
| 3.1.1 指数直方图技术 | 第27-28页 |
| 3.1.2 基本窗口技术 | 第28页 |
| 3.1.3 CS技术 | 第28-29页 |
| 3.2 衰减滑动窗口及衰减函数 | 第29页 |
| 3.3 高维流数据的低阶表示 | 第29-30页 |
| 3.4 TWD-SWSS算法 | 第30-36页 |
| 3.4.1 算法背景 | 第31-32页 |
| 3.4.2 算法原理 | 第32-34页 |
| 3.4.3 算法特性分析 | 第34-35页 |
| 3.4.4 算法实验 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 4 基于离散系数的动态自适应量化算法 | 第38-49页 |
| 4.1 基于hash的ANN相关概念 | 第38-41页 |
| 4.1.1 随机hash与hash学习 | 第38-39页 |
| 4.1.2 信息熵 | 第39-41页 |
| 4.2 基于hash学习的动态自适应量化编码方法框架 | 第41-45页 |
| 4.2.1 相关定义 | 第41-43页 |
| 4.2.2 动态自适应编码量化方法的比特位分配方式 | 第43-45页 |
| 4.3 动态自适应编码量化算法实现 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 基于动态自适应量化方法的动态自适应距离度量算法 | 第49-58页 |
| 5.1 相似性度量方式 | 第49-54页 |
| 5.2 动态自适应距离度量算法相关定义 | 第54-56页 |
| 5.3 动态自适应距离度量算法实现 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 流数据实时分析的近似最近邻查询模型 | 第58-68页 |
| 6.1 模型设计 | 第58-61页 |
| 6.1.1 数据来源 | 第58-59页 |
| 6.1.2 架构设计 | 第59-61页 |
| 6.2 实验环境 | 第61-62页 |
| 6.2.1 实验配置 | 第61页 |
| 6.2.2 评价指标 | 第61-62页 |
| 6.2.3 实验方法 | 第62页 |
| 6.3 实验结果 | 第62-67页 |
| 6.4 本章小结 | 第67-68页 |
| 7 总结和展望 | 第68-70页 |
| 7.1 研究总结 | 第68-69页 |
| 7.2 研究展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 附录 | 第74页 |
