| 一种基于流形学习的空间数据划分方法 |
| |
| 引用本文： | 付仲良,赵星源,王楠,杨元维,田宗舜,俞志强.一种基于流形学习的空间数据划分方法[J].武汉大学学报(信息科学版),2015,40(10):1294. |
| |
| 作者姓名： | 付仲良 赵星源 王楠 杨元维 田宗舜 俞志强 |
| |
| 作者单位： | 1.武汉大学遥感信息工程学院, 湖北 武汉, 430079; |
| |
| 基金项目： | 国家自然科学基金资助项目(41501391)。 |
| |
| 摘 要： | 空间数据划分是空间数据库系统进行高效空间连接操作的前提和基础。针对现有的空间数据划分方法难以保持低冗余度和高数据量均衡度以及高效支持空间连接的问题,提出了一种基于流形学习的空间数据划分算法。利用流形学习保留降维前源数据结构不变的特点,构建数据划分策略和映射方法,通过将邻近数据划分到同一数据块来减少数据冗余度,通过对最小数据块进行映射,提高整体的数据量均衡度。实验表明,本文提出的划分方法具有极低的数据冗余度和良好的数据量均衡度。
|
| 关 键 词： | 空间连接 空间数据划分 流形学习 |
| 收稿时间： | 2014-12-30 |
Spatial Data Partitioning Method Based on Manifold Learning |
| |
| Institution: | 1.School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China;2.Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China;3.Geographic Information Center of Zhejiang Province, Hangzhou 310012, China |
| |
| Abstract: | Spatial data partitioning is a prerequisite for high efficient spatial joins within spatial database systems. Low data redundancy and high data balance rates are difficult to maintain however, using existing spatial data partitioning methods. We propose a spatial data partitioning algorithm based on manifold learning. Manifold learning can retain the structures of source data to construct a data partitioning strategy and mapping method before dimensionality reduction. Assigning neighboring objects to the same data block reduces data redundancy while mapping objects to the smallest data block adds data balance. Experiments show that spatial data partitioning based on manifold learning can reduce the data redundancy rate to very low level with good data balance. |
| |
| Keywords: | |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《武汉大学学报(信息科学版)》浏览原始摘要信息 |
| 点击此处可从《武汉大学学报(信息科学版)》下载免费的PDF全文 |
|
