[发明专利]一种基于改进的KD树并行算法的大数据搜索方法在审
申请号: | 201910219878.7 | 申请日: | 2019-03-22 |
公开(公告)号: | CN110008215A | 公开(公告)日: | 2019-07-12 |
发明(设计)人: | 戴春齐;黄飞;李超;赵昊 | 申请(专利权)人: | 武汉大学 |
主分类号: | G06F16/22 | 分类号: | G06F16/22;G06F16/2458;G06F16/28 |
代理公司: | 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 | 代理人: | 魏波 |
地址: | 430072 湖*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种基于改进的KD树并行算法的大数据搜索方法,包括针对海量数据点进行聚类、并行建立KD树、多线程进行数据处理。改进的KD树并行算法,能够根据海量数据点的空间分布密度自动聚类,每个小类形成一簇并采用并行方式迅速建立KD树,节省建立KD树所消耗的时间。在建立KD树后,利用并行计算,使用多线程对数据进行处理,极大地节省了数据处理时间。该方法避免了建立一个庞大的KD树,而是建立了多个较小的KD树,减少了建KD树的时间,更减少了搜索最邻近点的时间,提高大数据搜索效率。 | ||
搜索关键词: | 并行算法 大数据 搜索 海量数据 数据处理 多线程 改进 并行方式 并行计算 空间分布 搜索效率 自动聚类 邻近点 聚类 小类 并行 消耗 | ||
【主权项】:
1.一种基于改进的KD树并行算法的大数据搜索方法,其特征在于,包括以下步骤:步骤1:对数据进行预处理;对数据采用基于spark平台的空间密度聚类算法结合多线程并行进行聚类处理;聚类处理后,原始数据被划分为若干簇,每个数据点都将被划分到某个簇中;步骤2:对于每一个簇,都建立一个KD树,每个点的最邻近点必将出现在簇内;步骤3:对于待处理的数据点,在KD树中搜索每个待处理的数据点的最邻近点;步骤4:求得所有需要处理的数据点的最邻近点以及最邻近距离。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉大学,未经武汉大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201910219878.7/,转载请声明来源钻瓜专利网。