| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 选题背景及研究意义 | 第11-12页 |
| 1.2 基于不确定图K近邻查询现状与发展 | 第12-15页 |
| 1.2.1 不确定图 | 第12-13页 |
| 1.2.2 K近邻查询 | 第13-14页 |
| 1.2.3 基于不确定图的K近邻查询 | 第14-15页 |
| 1.3 基于不确定图K近邻查询存在的问题 | 第15页 |
| 1.4 本文主要工作及结构安排 | 第15-17页 |
| 第2章 不确定图查询相关知识 | 第17-23页 |
| 2.1 不确定图与可能世界 | 第17-19页 |
| 2.1.1 不确定图 | 第17页 |
| 2.1.2 可能世界模型 | 第17-19页 |
| 2.2 常用的不确定图上的K近邻距离度量问题 | 第19-20页 |
| 2.2.1 中位距离 | 第19页 |
| 2.2.2 众数距离 | 第19页 |
| 2.2.3 期望可达距离 | 第19-20页 |
| 2.2.4 基于距离阈值的期望可达距离 | 第20页 |
| 2.2.5 最短距离 | 第20页 |
| 2.3 剪枝方法 | 第20-22页 |
| 2.3.1 中位距离的剪枝方法 | 第21-22页 |
| 2.3.2 众数距离的剪枝方法 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于BP网的不确定图K近邻查询算法 | 第23-51页 |
| 3.1 不确定图K近邻查询问题 | 第23-26页 |
| 3.1.1 问题的提出 | 第23-24页 |
| 3.1.2 问题的定义 | 第24-26页 |
| 3.2 查询算法框架 | 第26-33页 |
| 3.2.1 查询算法 | 第26-27页 |
| 3.2.2 计算两点间的可达概率 | 第27-31页 |
| 3.2.3 抽样算法 | 第31-33页 |
| 3.3 学习式搜索与BP神经网络 | 第33-44页 |
| 3.3.1 基于图的学习式搜索 | 第33-34页 |
| 3.3.2 BP神经网络 | 第34-43页 |
| 3.3.3 BP算法流程 | 第43-44页 |
| 3.4 BP-K近邻查询算法 | 第44-49页 |
| 3.4.1 选择BP学习网的原因 | 第44-45页 |
| 3.4.2 单源点的BP-K近邻查询算法 | 第45-47页 |
| 3.4.3 多源点的BP-K近邻查询算法 | 第47-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 BP网概率预测模型的构建实现 | 第51-63页 |
| 4.1 BP网概率模型样本的选择与处理 | 第51-53页 |
| 4.1.1 样本数据选择 | 第51页 |
| 4.1.2 样本数据归一化 | 第51-53页 |
| 4.2 BP网概率预测模型结构的设计 | 第53-56页 |
| 4.2.1 BP网层数的选择 | 第53页 |
| 4.2.2 BP网中节点数的确定 | 第53-56页 |
| 4.3 BP网概率模型参数的选择 | 第56-59页 |
| 4.3.1 激活函数的选择 | 第56-57页 |
| 4.3.2 学习速率的选择 | 第57-58页 |
| 4.3.3 初始权值的选择 | 第58页 |
| 4.3.4 泛化,过度拟合和停止判据 | 第58-59页 |
| 4.4 BP网概率预测模型的构建 | 第59-62页 |
| 4.4.1 概率预测模型的构建流程 | 第59-62页 |
| 4.4.2 概率预测模型的实现步骤 | 第62页 |
| 4.5 本章小节 | 第62-63页 |
| 第5章 实验及结果分析 | 第63-73页 |
| 5.1 实验准备 | 第63-64页 |
| 5.1.1 实验设施 | 第63页 |
| 5.1.2 实验数据 | 第63-64页 |
| 5.2 实验内容 | 第64-72页 |
| 5.2.1 传统的不确定图K近邻查询算法的相关评估 | 第64-66页 |
| 5.2.2 抽样算法的验证 | 第66-67页 |
| 5.2.3 神经网络概率预测模型的评估 | 第67-69页 |
| 5.2.4 BP-K近邻查询算法的时间和准确率 | 第69-72页 |
| 5.3 本章小结 | 第72-73页 |
| 第6章 总结和展望 | 第73-75页 |
| 6.1 本文工作总结 | 第73-74页 |
| 6.2 未来工作展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |