高维数据下近似K近邻查询的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究背景以及研究意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第2章 局部敏感哈希算法 | 第14-31页 |
| 2.1 引言 | 第14页 |
| 2.2 相似性搜索 | 第14-20页 |
| 2.2.1 最近邻检索 | 第14-15页 |
| 2.2.2 近似最近邻搜索 | 第15页 |
| 2.2.3 局部敏感哈希 | 第15-17页 |
| 2.2.4 近似近邻检索结果的评价标准 | 第17-18页 |
| 2.2.5 基于学习的哈希 | 第18-20页 |
| 2.3 神经网络 | 第20-30页 |
| 2.3.1 图像特征的提取 | 第20页 |
| 2.3.2 神经网络以及反向传播算法 | 第20-23页 |
| 2.3.3 激活函数 | 第23-24页 |
| 2.3.4 自动编码器 | 第24-26页 |
| 2.3.5 卷积神经网络 | 第26-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于谱哈希的QALSH | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 QALSH | 第31-33页 |
| 3.2.1 QALSH的基本思想 | 第31-32页 |
| 3.2.2 虚拟再哈希 | 第32-33页 |
| 3.3 改进的QALSH算法 | 第33-35页 |
| 3.3.1 哈希分桶宽度的计算方法 | 第33-34页 |
| 3.3.2 优化的搜索半径更新策略 | 第34-35页 |
| 3.4 谱哈希 | 第35-37页 |
| 3.4.1 拉普拉斯矩阵和谱聚类算法 | 第35-36页 |
| 3.4.2 谱哈希 | 第36-37页 |
| 3.5 SP-QALSH算法 | 第37-38页 |
| 3.6 实验结果与分析 | 第38-44页 |
| 3.6.1 QALSH改进前后对比实验 | 第38-42页 |
| 3.6.2 SP-QALSH对比实验 | 第42-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第4章 基于深度哈希的K近邻检索 | 第45-63页 |
| 4.1 引言 | 第45页 |
| 4.2 Log-Relu激活函数 | 第45-48页 |
| 4.3 基于卷积自动编码器的特征抽取 | 第48-52页 |
| 4.3.1 卷积自动编码器 | 第48页 |
| 4.3.2 逐层预训练算法 | 第48-50页 |
| 4.3.3 损失函数的建立及训练算法 | 第50-52页 |
| 4.4 卷积自编码器的设计与实现 | 第52-54页 |
| 4.4.1 超参数的确定 | 第52-53页 |
| 4.4.2 卷积自编码器模型的设计 | 第53-54页 |
| 4.5 CAE-QALSH模型 | 第54-55页 |
| 4.6 实验结果与分析 | 第55-61页 |
| 4.6.1 实验环境与配置 | 第55页 |
| 4.6.2 激活函数的比较 | 第55-57页 |
| 4.6.3 CAE网络的训练 | 第57-58页 |
| 4.6.4 QALSH在CAE编码下的实验 | 第58-61页 |
| 4.7 本章小结 | 第61-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70页 |
