-
公开(公告)号：CN109871379A
公开(公告)日：2019-06-11
申请号：CN201811500984.4
申请日：2018-12-10
Applicant: 宁波大学
IPC: G06F16/22 , G06F16/23 , G06F16/2455
Abstract: 本发明公开了一种基于数据块学习的在线哈希最近邻查询方法，特点是包括以下步骤，图像数据获取及预处理、定义处理数据的哈希模型、建立判断更新后的哈希向量是否合理的海明距离预测损失函数、获取目标函数、优化目标函数和在测试数据库对给定的待查询数据进行在线哈希最近邻查询；优点是主要基于数据块的思路，每次处理流式小数据块，并在较小的数据空间中设计优化算法，提高学习效率，在设计方法上保证了在数据块内部数据样本间的海明空间损失最小，同时还对总体在线学习的增量变化进行约束，对噪声数据进行了有效控制，大大提高对给定的待查询数据的查询效率，并且减小了整体存储空间。
-
公开(公告)号：CN109710607A
公开(公告)日：2019-05-03
申请号：CN201811317132.1
申请日：2018-11-07
Applicant: 宁波大学
Abstract: 本发明公开了一种面向高维大数据的基于权重求解的哈希查询方法，特点是首先利用主成分分析法分别将原始高维数据集和给定的查询数据降维，然后构造损失函数并在迭代过程中通过最小化该函数得到最终二进制编码矩阵和最终权重矩阵，再根据最终权重矩阵对最终二进制编码矩阵中的每个元素进行加权量化，获得加权后的二进制编码矩阵和与给定的查询数据对应的二进制编码，最后在加权后的二进制编码矩阵中将与给定的查询数据对应的二进制编码的加权海明距离最近的行向量数据对应的原始高维数据作为最终的最近邻查询结果；优点是通过利用加权海明距离代替海明距离，对给定的查询数据进行查询的准确性和效率大大提高。
-
公开(公告)号：CN109299097A
公开(公告)日：2019-02-01
申请号：CN201811128413.2
申请日：2018-09-27
Applicant: 宁波大学
IPC: G06F16/22 , G06F16/2455
Abstract: 本发明公开了一种基于哈希学习的在线高维数据最近邻查询方法，首先设计了分别根据样本相似或不相似性的预测损失函数并且扩宽了损失函数的范围，进一步设置了相似或不相似范围，然后结合哈希模型需要保持历史信息同时需要当前数据对损失最小的原则，提出新的目标函数，通过对在线哈希算法的收敛性进行分析，找到目标函数最优值。在此基础上，对于待查询数据点，能够快速地查询到最接近的数据点，平均准确率结果稳定收敛，迭代学习过程中哈希函数的更新大大减少。
-
公开(公告)号：CN109299097B
公开(公告)日：2022-06-21
申请号：CN201811128413.2
申请日：2018-09-27
Applicant: 宁波大学
IPC: G06F16/22 , G06F16/2455
Abstract: 本发明公开了一种基于哈希学习的在线高维数据最近邻查询方法，首先设计了分别根据样本相似或不相似性的预测损失函数并且扩宽了损失函数的范围，进一步设置了相似或不相似范围，然后结合哈希模型需要保持历史信息同时需要当前数据对损失最小的原则，提出新的目标函数，通过对在线哈希算法的收敛性进行分析，找到目标函数最优值。在此基础上，对于待查询数据点，能够快速地查询到最接近的数据点，平均准确率结果稳定收敛，迭代学习过程中哈希函数的更新大大减少。
-
公开(公告)号：CN109871379B
公开(公告)日：2022-04-01
申请号：CN201811500984.4
申请日：2018-12-10
Applicant: 宁波大学
IPC: G06F16/22 , G06F16/23 , G06F16/2455
Abstract: 本发明公开了一种基于数据块学习的在线哈希最近邻查询方法，特点是包括以下步骤，图像数据获取及预处理、定义处理数据的哈希模型、建立判断更新后的哈希向量是否合理的海明距离预测损失函数、获取目标函数、优化目标函数和在测试数据库对给定的待查询数据进行在线哈希最近邻查询；优点是主要基于数据块的思路，每次处理流式小数据块，并在较小的数据空间中设计优化算法，提高学习效率，在设计方法上保证了在数据块内部数据样本间的海明空间损失最小，同时还对总体在线学习的增量变化进行约束，对噪声数据进行了有效控制，大大提高对给定的待查询数据的查询效率，并且减小了整体存储空间。
-
Patent Agency Ranking
公开(公告)号：CN109710607B
公开(公告)日：2021-09-17
申请号：CN201811317132.1
申请日：2018-11-07
Applicant: 宁波大学
Abstract: 本发明公开了一种面向高维大数据的基于权重求解的哈希查询方法，特点是首先利用主成分分析法分别将原始高维数据集和给定的查询数据降维，然后构造损失函数并在迭代过程中通过最小化该函数得到最终二进制编码矩阵和最终权重矩阵，再根据最终权重矩阵对最终二进制编码矩阵中的每个元素进行加权量化，获得加权后的二进制编码矩阵和与给定的查询数据对应的二进制编码，最后在加权后的二进制编码矩阵中将与给定的查询数据对应的二进制编码的加权海明距离最近的行向量数据对应的原始高维数据作为最终的最近邻查询结果；优点是通过利用加权海明距离代替海明距离，对给定的查询数据进行查询的准确性和效率大大提高。
-
公开(公告)号：CN109684518B
公开(公告)日：2021-09-17
申请号：CN201811298578.4
申请日：2018-11-02
Applicant: 宁波大学
IPC: G06F16/901 , G06F16/9032
Abstract: 本发明公开了一种可变长度哈希编码的高维数据最近邻查询方法，特点是首先获取原始高维数据集并给定查询点，生成随机傅里叶特征向量集，接着获取与每个原始高维数据对应的哈希码及每个哈希码的编码频率，将编码频率相同的哈希码作为一组子数据集并排序，对每组子数据集设置压缩比，根据压缩比对每组子数据集进行压缩和训练，获取与每组训练后的子数据集对应的哈希编码和原始编码，复制每组训练后的子数据集的哈希编码得到多个复本，再将原始编码与对应复本串联得到串联后的哈希编码并融合组成最终的最近邻查询表；最后获取查询点的查询编码，在最终的最近邻查询表中查找最近邻数据集完成查询；优点是查询效率和准确性大大提高。
-
公开(公告)号：CN109684518A
公开(公告)日：2019-04-26
申请号：CN201811298578.4
申请日：2018-11-02
Applicant: 宁波大学
IPC: G06F16/901 , G06F16/9032
Abstract: 本发明公开了一种可变长度哈希编码的高维数据最近邻查询方法，特点是首先获取原始高维数据集并给定查询点，生成随机傅里叶特征向量集，接着获取与每个原始高维数据对应的哈希码及每个哈希码的编码频率，将编码频率相同的哈希码作为一组子数据集并排序，对每组子数据集设置压缩比，根据压缩比对每组子数据集进行压缩和训练，获取与每组训练后的子数据集对应的哈希编码和原始编码，复制每组训练后的子数据集的哈希编码得到多个复本，再将原始编码与对应复本串联得到串联后的哈希编码并融合组成最终的最近邻查询表；最后获取查询点的查询编码，在最终的最近邻查询表中查找最近邻数据集完成查询；优点是查询效率和准确性大大提高。
-
公开(公告)号：CN109634953A
公开(公告)日：2019-04-16
申请号：CN201811316883.1
申请日：2018-11-07
Applicant: 宁波大学
IPC: G06F16/22 , G06F16/2458 , G06K9/62
CPC classification number: G06K9/6247
Abstract: 本发明公开了一种面向高维大数据集的加权量化哈希检索方法，特点是首先利用主成份分析算法分别对原始高维数据和给定查询数据降维，然后根据成对保相似性原则并采用松弛后的正交约束条件构造损失函数，通过最小化该损失函数得到最终二进制编码矩阵和最终权重矩阵，根据最终权重矩阵和最终二进制编码矩阵获得加权后的二进制编码矩阵和与给定查询数据对应的二进制编码，再在加权后的二进制编码矩阵中查找与给定查询数据对应的二进制编码的加权海明距离最近的行向量数据，完成对给定查询数据的哈希检索过程；优点是在构造损失函数时采用松弛后的正交约束条件，利用加权海明距离进行哈希检索，能够更好的提高哈希检索方法的检索效率和准确性。
-
公开(公告)号：CN109634953B
公开(公告)日：2021-08-17
申请号：CN201811316883.1
申请日：2018-11-07
Applicant: 宁波大学
IPC: G06F16/22 , G06F16/2458 , G06K9/62
Abstract: 本发明公开了一种面向高维大数据集的加权量化哈希检索方法，特点是首先利用主成份分析算法分别对原始高维数据和给定查询数据降维，然后根据成对保相似性原则并采用松弛后的正交约束条件构造损失函数，通过最小化该损失函数得到最终二进制编码矩阵和最终权重矩阵，根据最终权重矩阵和最终二进制编码矩阵获得加权后的二进制编码矩阵和与给定查询数据对应的二进制编码，再在加权后的二进制编码矩阵中查找与给定查询数据对应的二进制编码的加权海明距离最近的行向量数据，完成对给定查询数据的哈希检索过程；优点是在构造损失函数时采用松弛后的正交约束条件，利用加权海明距离进行哈希检索，能够更好的提高哈希检索方法的检索效率和准确性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.035 seconds)
