排序方式： 共有4条查询结果，搜索用时 0 毫秒
1
1.
随着科学技术的进步,地理空间数据的分析处理面临着数据量膨胀和计算量高速增长的双重挑战,为了解决海量数据处理速度慢的问题,本文针对空间分布不均匀的点数据,从数据并行的角度,以保持数据的空间邻近性及保证数据分组后各组数据量负载均衡为目标,提出基于N-KD树（Number-K Dimension Tree）数据动态分组的方法,其是一种面向实时变化（数据量和数据空间范围变化）的空间数据动态分组方法。该方法借鉴K-D树的创建和最临近点搜索的思想,通过方差判断数据分布稀疏程度,利用最临近点搜索方法处理边界点,实现空间范围的不均等切分,保证数据分组后各组数据量基本均衡。试验表明,该方法具有较好的动态分组效果与较高的计算效率;支持各种分布状态的空间点数据的分组;分组后各组数据量负载均衡;分组算法本身有支持并行、支持分布式协同工作模式的特点。 相似文献
2.
目前,地理空间数据面临着由于数据量膨胀和计算量高速增长而引起算法效率低的问题,采用"分而治之"的数据分组策略提高运算效率已成为研究的热点。面向分布不均匀的线数据,本文提出了基于密度的线数据分组算法(简称LGAD)。首先,算法通过查找高密度区提取样本线段,保证了分组算法的起点落到高密区;其次,考虑线空间拓扑关系的复杂性,引用水平、垂直和夹角距离度量线段间距离,创建样本线段与其他线段的距离矩阵;最后,以距离矩阵和最优选择方法实现数据负载均衡分组。实验结果显示,对数据分组和分组后数据进行线段聚类的2个过程中,该算法体现了较好的时间优势,与串行计算相比,在分组数为2-12 时,平均比率达4.3,提高了应用的响应速度,具有较好的实际意义。 相似文献
3.
浮标在运动过程中如果受到涡旋的影响,会回到之前某一时刻所在的位置,其轨迹中就会出现环状结构,故提取浮标轨迹中的环状结构,就可识别涡旋。鉴此,本文针对ALIS（A Simple Automated Loop Identifying Scheme）算法忽略了这一环状结构中出现的“复杂结构”之不足予以改进,提出了基于浮标轨迹回环结构的涡旋及其移动轨迹提取算法AILIS（An Improved Automated Loop Identifying Scheme）算法。其通过判断环状结构中的轨迹片段是否有自相交对“复杂结构”进行处理,使提取结果更加完善;在此基础上,该算法通过判断涡旋瞬时状态的相似性,可追踪涡旋的部分移动轨迹。本文通过与ALIS算法及其他相关算法结果的对比,并使用SLA数据及HD（Hybrid Detection）、HT（Hybrid Tracking）算法实验结果表明,本文提出的算法能得到更多的海洋涡旋的瞬时状态和移动轨迹,为获取涡旋的物理参数提供重要的途径。 相似文献
4.
1