| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-16页 |
| 1.1.1 多维数据 | 第13页 |
| 1.1.2 多维索引方法 | 第13-15页 |
| 1.1.3 空间填充曲线方法 | 第15-16页 |
| 1.2 研究意义 | 第16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 1.4 本文组织结构 | 第17-19页 |
| 第2章 基础知识 | 第19-33页 |
| 2.1 空间多维曲线 | 第19-23页 |
| 2.2 Hilbert 曲线 | 第23-29页 |
| 2.2.1 Hilbert 曲线背景 | 第23页 |
| 2.2.2 Hilbert 曲线相关工作 | 第23-28页 |
| 2.2.3 Hilbert 曲线的绘制方式 | 第28-29页 |
| 2.3 OpenStreetMap 数据集 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于 Hilbert 曲线的 KNN 查询 | 第33-45页 |
| 3.1 引言 | 第33页 |
| 3.2 k 近邻定义及性质 | 第33-39页 |
| 3.2.1 符号与特性 | 第33-35页 |
| 3.2.2 形式化定义 | 第35-36页 |
| 3.2.3 k 近邻性质 | 第36-39页 |
| 3.3 利用随机位移的近似 KNN 算法 | 第39-41页 |
| 3.4 实验结果与分析 | 第41-44页 |
| 3.4.1 实验设置和数据集 | 第41页 |
| 3.4.2 实验结果 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于 Hilbert 曲线的 KNN 连接 | 第45-55页 |
| 4.1 引言 | 第45页 |
| 4.2 相关工作 | 第45-46页 |
| 4.3 K 近邻连接定义及性质 | 第46页 |
| 4.4 蛮力算法 | 第46-48页 |
| 4.5 随机变换处理 KNN 连接 | 第48-50页 |
| 4.5.1 随机变换 | 第48-49页 |
| 4.5.2 KNN 连接的过程 | 第49-50页 |
| 4.6 实验结果与分析 | 第50-53页 |
| 4.6.1 实验环境和数据集 | 第50-51页 |
| 4.6.2 实验结果 | 第51-53页 |
| 4.7 本章小结 | 第53-55页 |
| 第5章 基于 MapReduce 的 KNN 连接 | 第55-65页 |
| 5.1 引言 | 第55-56页 |
| 5.2 相关工作 | 第56页 |
| 5.3 MapReduce 框架 | 第56-59页 |
| 5.4 KNN 连接过程 | 第59-61页 |
| 5.4.1 划分值 | 第59-60页 |
| 5.4.2 本地的 KNN | 第60-61页 |
| 5.4.3 全局 KNN | 第61页 |
| 5.5 实验结果与分析 | 第61-63页 |
| 5.5.1 实验设置和数据集 | 第61页 |
| 5.5.2 实验结果 | 第61-63页 |
| 5.6 本章小结 | 第63-65页 |
| 第6章 基于 Hilbert R 树的 KNN 连接 | 第65-75页 |
| 6.1 引言 | 第65页 |
| 6.2 相关工作 | 第65-66页 |
| 6.3 Hilbert R 树 | 第66-67页 |
| 6.4 并行块嵌套循环的 KNN 连接 | 第67-69页 |
| 6.5 基于 Hilbert R 树的 KNN 连接 | 第69-70页 |
| 6.6 实验结果与分析 | 第70-73页 |
| 6.6.1 实验设置和数据集 | 第70页 |
| 6.6.2 实验结果 | 第70-73页 |
| 6.7 本章小结 | 第73-75页 |
| 第7章 结论与展望 | 第75-77页 |
| 7.1 本文的工作 | 第75-76页 |
| 7.2 未来工作展望 | 第76-77页 |
| 参考文献 | 第77-85页 |
| 作者简介及在学期间所取得的科研成果 | 第85-86页 |
| 致谢 | 第86页 |
