导读:本文包含了并行检索论文开题报告文献综述及选题提纲参考文献，主要关键词:可搜索加密,多关键词,分布式检索,倒排索引
并行检索论文文献综述
戴厚乐,杨庚,闵兆娥[1]（2019）在《分布式环境下多关键词并行密文检索方案》一文中研究指出对于可搜索加密需要均衡数据的安全性和检索效率。针对SSE-1密文检索方案中检索性能低、单关键词检索模式不足和传统单服务器架构中的单机资源局限性等问题,设计并实现了一种多关键词并行密文检索系统。该系统采用不同的索引加密方式提高密文检索性能;通过对密文倒排索引的切分实现倒排索引的分块检索,克服了单机资源的局限性并提高了检索效率;通过结合分布式特点扩展了传统单机检索架构并实现了多关键词的并行检索。实验结果表明,与SSE-1方案相比,在保证密文数据安全性的前提下所提方案能够提高检索、更新等操作的效率,实现多关键词的检索,同时动态扩展系统分布式架构以提高系统负载能力。(本文来源于《计算机应用》期刊2019年10期）
管健,汪璟玢,卞倩虹[2]（2019）在《基于城市安全知识图谱的多关键词流式并行检索算法》一文中研究指出我国智慧城市安全概念的普及和建设的逐渐落地,以及大数据在智慧城市安全建设方面的深度应用,对关键词检索的处理响应速度提出了更高的要求。针对这一问题,提出了基于城市安全知识图谱的流式知识图谱多关键词并行检索算法(MKPRASKG),该算法能够根据用户输入的查询关键字,通过关联类图的构建、剪枝和融合操作实时构建基于知识图谱实体的查询子图集,再结合评分函数,以高评分的查询子图为指引,在知识图谱实例数据中进行并行搜索,最终返回Top-k查询结果。实验结果证明,该算法在实时搜索、响应时间、搜索效果以及可扩展性等方面均具有较大的优势。(本文来源于《计算机科学》期刊2019年02期）
曹健,张俊杰,李海生,蔡强[3]（2018）在《基于Apache Spark的海量图像并行检索》一文中研究指出针对海量图像如何高效存储和快速检索问题,结合Spark大数据平台和视觉词袋图像(BoVW)检索方法,设计了一种基于Bo VW模型的海量图像并行检索框架。首先,通过BoVW模型对图像进行特征提取、特征聚类和向量表示等预处理过程;其次,对Hadoop分布式文件系统(HDFS)中将预处理结果实现高效和稳定的存储;最后,框架利用Spark平台进行并行检索,完成图像间的相似度匹配。在ImageNet图像集上,利用图像的特征提取和聚类、向量表示等方法作为基础实验,采用扩展率和数据伸缩率证明框架稳定性的情况下,通过与传统框架进行对比,该系统加速比均在58%以上,检索准确率保持一致。实验结果表明,该方法具有更强的稳定性和更快速的检索效果。(本文来源于《计算机应用》期刊2018年S2期）
刘永花,杨丽娜,王静宇[4]（2018）在《基于MapReduce的增量式全文Lucene引擎并行检索》一文中研究指出为提高Lucene针对大数据的检索效率,提出基于Map Reduce的增量式全文Lucene引擎并行检索方法。首先,对Lucene索引原理结构进行研究,并基于增量索引改进、提高缓冲区索引容量以及降低磁盘文件索引书写频率,实现索引创建效率提高的效果;其次,针对单进程Lucene索引效率提升有限的情况,基于Hadoop框架下并行Map Reduce计算模块,构建并行Lucene全文检索引擎,实现大数据检索的并行化执行;最后,通过构建大数据全文检索仿真环境,显示所提并行检索方式相对单一进程检索方式,可大幅提升检索精度和执行效率。(本文来源于《控制工程》期刊2018年08期）
李炎[5]（2018）在《医学图像检索的并行深层解决方法》一文中研究指出在医学应用中从病例的档案中检索相似的图像对诊断成像非常有益,但是由于许多原因可能无法获得大而平衡的数据集。探索使用深度网络进行分类检索的方式来填补这种语义鸿沟是关键问题。提出一种基于卷积神经网络的并行深层解决方案,使用LBP、HOG和Radon特征的局部搜索。Image CLEF的IRMA数据集包含14,400个X射线图像用于验证所提出的方案。(本文来源于《现代计算机(专业版)》期刊2018年20期）
熊舒羽,毛雷,刘畅[6]（2018）在《基于深度哈希的批量图像并行检索方法》一文中研究指出针对图像检索的精确度和效率基于内容海量图像检索的关键问题,提出了一种基于深度哈希算法的图像并行检索方法。首先使用卷积神经网络建立图像特征和哈希码提取模型,然后将图像输入到训练好的模型中获取图像特征和哈希码,并存储在分布式数据库HBase中,最后在Hadoop并行计算框架中实现了一种并行检索方法。在大规模数据集CIFAR-10上进行检索实验,得到平均准确率为60.28%,相比SIFT算法提高了12.63%,且批量检索一张图像的平均时间为0.73 s。因此,该方法可使检索精度得到明显提高,还能提高海量图像的存储和检索效率。(本文来源于《重庆理工大学学报(自然科学)》期刊2018年01期）
李晨[7]（2017）在《海量多波段天文星表数据存储与并行检索方法研究》一文中研究指出在当今大数据的背景下,天文学——一门以数据分析为基础的学科,其观测数据量也一样随之井喷。特别是由于世界范围内,观测设备的精密程度的提升和科技含量的提高,观测到的天文数据已不局限于可观光范畴内的图像数据,而是涵盖各个波段的星体数据。并且望远镜图像分辨率的提高,连续拍摄能力的增强,各个波段数据的完备,天文观测数据的规模越发庞大起来。尽管不同波段的观测设备的观测结果是不同的,但是他们都以“天文星表(Astronomical Catalog)”(以下简称“星表”)为记录观测数据的标准文件。因此,“星表”是我们解决多波段天文数据检索的重要抓手。但是随着不仅单张或单次观测数据的大小越来越大,单位时间内得到的观测数据也越来越多。这就给天文数据的归档以及与用户的交互带来了困难。天文学家或天文爱好者大都是针对特定区域特定位置的坐标进行研究。对于用户来说,一套借助“天文星表”数据搭建起来的高效的天文数据归档体系和天文数据检索方法对其研究领域会有很大的帮助。用户可以直接通过星表中的赤经赤纬数据,从数据量庞大的天文数据集中,快速检索到我们所需要的数据,是我们亟需解决的问题。本文提出了一套基于天区划分索引的天文星表数据高效检索和存储方法(Distributed Cone Search Indexing System,DCSIS)。DCSIS方法主要分为两部分。第一部分,为了摆脱数据库处理大规模数据时的瓶颈,DCSIS中我们设计了天文星表检索专用的文件格式,它基于专门设计的天区索引方法,将提取过坐标信息的星表数据进行分块处理,并对每个分块进行特定的数据处理,建立适合查询的数据结构,再将其序列化到磁盘上成为“元数据”,已备复用。第二部分则是将生成好的元数据通过数据布局算法,分配到商用机集群中,提高并行查询的性能。经过上述两部分的通力协作,DCSIS最终可以接收用户的查询请求,并将结果以较快的速度反馈给用户。DCSIS方法已在天河一号超级计算机以及阿里云集群上进行了实验。其测试结果表明,DCSIS方法有着较强的强可扩展性和弱可扩展性,同时数据,同时可以部署于阿里云集群上,未来可成为中国国家天文台“天文领域云”项目的一部分。(本文来源于《天津大学》期刊2017-12-09）
黄华,彭蓉,冯在文[8]（2018）在《基于数据集分割的云工作流模型库并行检索方法》一文中研究指出在由多个行业云服务平台组成的集成服务平台中,随着行业云服务平台加盟数及各平台下租户数量的不断增多,其底层的云工作流模型库的规模也必将不断增大.当云工作流模型库的规模超大时,需要一种效率更高的并行检索方法去满足云工作流模型库高效检索的需求.鉴于此,采用均匀划分法或自动聚类法对大规模云工作流模型库进行合理的子集划分,并结合前期工作中已改进的基于图结构的流程检索算法,提出了基于数据集分割的大规模云工作流模型库并行检索方法.该方法主要包括4种流程并行检索算法:基于均匀划分模型集的静态并行检索算法、基于均匀划分模型集的动态并行检索算法、基于自动聚类模型集的静态并行检索算法和基于自动聚类模型集的动态并行检索算法.最后,在模拟生成的大规模流程集及真实的云工作流模型库中对这4种并行检索算法的检索效率进行了实验评估.(本文来源于《软件学报》期刊2018年11期）
张光裕[9]（2017）在《高质量图像的渐进式并行检索算法研究》一文中研究指出由于图像采集技术的多样性和普及性,数据驱动的图像分析和编辑方法变得越来越热门。然而图像数据的爆炸性增长也带来了许多挑战,其中之一就是如何帮助人们快速有效地从众多素材中检索出所思所想的图像。对于一个图像检索方法而言,首先要解决的一个问题是提供什么样的线索从而返回匹配的图像。单一的线索往往很难完整地表达用户的意图,因此需要多种线索组合。其次基于内容的匹配过程耗时较长,在海量图像数据情况下,多线索组合的模式在实时交互方面无疑是一个很大的挑战。另一方面,图像检索的目的往往是为了进一步的图像分析、编辑以及数字内容创作等提供素材。目前的检索方法大都不能保证检索结果的图像质量,而这却是许多图像分析和编辑方法所要求的。本文针对目前检索方法无法保证检索结果的图像质量以及面向海量图像数据的特征匹配耗时的问题,提出了一种高质量图像的渐进式并行检索算法。候选图像根据一系列检索线索被渐进地排除:首先我们根据图像标签进行快速的文本比较,从海量图像库中获取待匹配图像;然后计算每张图像的显着性值,进一步得到高显着性区域,并过滤掉显着性得分低的对象;接着对这些显着性对象从叁分点、对角线准则、视觉平衡叁个美学标准来评价,过滤掉不符合美学标准阈值的部分;接下来计算每个显着性对象的边界清晰度并过滤掉清晰度低的对象;对剩余的对象扩张周围区域并计算此区域的分块数量,数量越大表示复杂度越高,然后过滤掉复杂度过高的图像;对于每个剩余的图像,首先对高显着性区域进行形态学扩张,并以此区域为指导将场景元素分割出来;最后我们衡量用户绘制的轮廓和场景元素轮廓之间的一致性,并将最符合用户意图的结果集返回。整个算法过程涉及到多个基于图像特征内容的计算和匹配步骤,实时性将成为一个关键问题。因此我们将整个框架通过MapReduce来实现并行化,以提高检索性能。本文通过各种实验来验证算法的检索性能、准确性以及检索结果的图像质量。并且我们实现一个图像合成原型系统来展示本文提出的算法在数字内容创作等方面的应用前景。(本文来源于《厦门大学》期刊2017-04-01）
谢振宇[10]（2017）在《基于GPU的并行图像检索系统的研究与实现》一文中研究指出随着计算机网络技术和数字媒体技术的快速发展,人类进入了一个信息高度发达的互联网时代,每天网络上都会产生海量的数据信息,而数字图像作为一种常用的多媒体信息的载体,包含了丰富的信息内容,怎样从包含海量图像的数据库中快速、准确地检索出用户所需的图像信息是目前的一大重要研究课题。近年来,随着半导体技术和多核技术的快速发展,图像处理单元GPU的通用性和可编程性不断增强,它具有强大的并行计算能力,这使得它在高性能的计算领域得到广泛应用。由于GPU在处理图形图像数据的能力上远远超越CPU,因此,研究并实现基于GPU的并行图像检索系统成为本文的主要目的。首先,本文在分析了国内外GPU并行计算技术的前提下,开展了基于GPU的并行算法的研究工作。然后针对具体项目系统需求提出了并行化解决方案,并结合CUDA架构的特点和优势对其中的核心算法进行了并行研究与实现。其中包括:(1)对SIFT特征提取算法中的尺度空间构建、极值点检测、特征点方向计算、特征点描述符计算进行了并行化研究与实现;(2)对SIFT特征匹配算法中的KD-Tree的最近邻搜索算法和欧氏距离计算进行了并行化研究与实现;(3)对k-means聚类算法进行了粗粒度和细粒度的并行化研究与实现。最后,在实际软硬件环境下通过实验对比了基于CPU的串行算法,证明了本文所实现的并行算法的优势。其次,本文在基于并行SIFT算法和并行k-means算法的基础上设计并实现了基于GPU的并行图像检索系统。利用并行SIFT特征提取算法提高了图像特征库的创建速度;利用并行SIFT特征匹配算法加快了特征匹配的速度,提高了检索的效率;利用并行k-means算法减少了图像特征库的分类时间。最后,本文将基于GPU并行图像检索系统在实际项目环境下进行了性能测试,并且取得了较好的检索性能,也证明了本文所实现的基于GPU并行检索系统的良好实际使用效果。(本文来源于《电子科技大学》期刊2017-03-17）
并行检索论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
我国智慧城市安全概念的普及和建设的逐渐落地,以及大数据在智慧城市安全建设方面的深度应用,对关键词检索的处理响应速度提出了更高的要求。针对这一问题,提出了基于城市安全知识图谱的流式知识图谱多关键词并行检索算法(MKPRASKG),该算法能够根据用户输入的查询关键字,通过关联类图的构建、剪枝和融合操作实时构建基于知识图谱实体的查询子图集,再结合评分函数,以高评分的查询子图为指引,在知识图谱实例数据中进行并行搜索,最终返回Top-k查询结果。实验结果证明,该算法在实时搜索、响应时间、搜索效果以及可扩展性等方面均具有较大的优势。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
并行检索论文参考文献
[1].戴厚乐,杨庚,闵兆娥.分布式环境下多关键词并行密文检索方案[J].计算机应用.2019
[2].管健,汪璟玢,卞倩虹.基于城市安全知识图谱的多关键词流式并行检索算法[J].计算机科学.2019
[3].曹健,张俊杰,李海生,蔡强.基于ApacheSpark的海量图像并行检索[J].计算机应用.2018
[4].刘永花,杨丽娜,王静宇.基于MapReduce的增量式全文Lucene引擎并行检索[J].控制工程.2018
[5].李炎.医学图像检索的并行深层解决方法[J].现代计算机(专业版).2018
[6].熊舒羽,毛雷,刘畅.基于深度哈希的批量图像并行检索方法[J].重庆理工大学学报(自然科学).2018
[7].李晨.海量多波段天文星表数据存储与并行检索方法研究[D].天津大学.2017
[8].黄华,彭蓉,冯在文.基于数据集分割的云工作流模型库并行检索方法[J].软件学报.2018
[9].张光裕.高质量图像的渐进式并行检索算法研究[D].厦门大学.2017
[10].谢振宇.基于GPU的并行图像检索系统的研究与实现[D].电子科技大学.2017