一种移动k近邻差异化查询方法、系统及装置制造方法及图纸

本发明专利技术公开了一种移动k近邻差异化查询方法、系统及装置，方法包括：对待查询数据进行弹性数据筛选；采用Kmeans聚类算法对弹性数据筛选结果进行分类；采用Knn查询方法对分类得到的各类数据进行排序；对排序结果进行安全区域计算；根据安全区域计算结果，生成差异化查询结果；系统包括数据筛选模块、分类模块、排序模块、计算模块和生成模块；装置包括存储器和处理器。本发明专利技术在提高了运算效率的同时，还保证了最终查询结果的差异性，能够满足多种环境需求，适用性强，可广泛应用于计算机技术领域。

A Mobile k-Nearest Neighbor Differentiated Query Method, System and Device

The invention discloses a mobile k-nearest neighbor differentiated query method, system and device, which includes: elastic data filtering for query data; classification of elastic data filtering results using Kmeans clustering algorithm; sorting of various data obtained by classification using Knn query method; calculation of security region for sorting results; generation of data based on the calculation results of security region. The system includes data filtering module, classification module, sorting module, calculation module and generation module, and the device includes memory and processor. The invention not only improves the operation efficiency, but also guarantees the difference of the final query results, meets various environmental needs, has strong applicability, and can be widely used in the field of computer technology.

【技术实现步骤摘要】
一种移动k近邻差异化查询方法、系统及装置
本专利技术涉及计算机
，尤其是一种移动k近邻差异化查询方法、系统及装置。
技术介绍
名词解释：Kmeans：K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为形心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各簇的形心的值，直至得到最好的聚类结果。(形心可以是实际的点、或者是虚拟点)。k近邻(knn)：K最近邻(k-NearestNeighbor，KNN)是指运用某种算法找到参考点的K个最近邻对象。差异化查询：不同用户具有不同爱好、需求，查询算法应当根据现实情况考虑多种用户需求尽量实现查询结果的多样化、差异化。目标函数：一个工程设计问题常有许多可行的设计方案，最优化设计的任务是要找出其中最优的一个方案。评价最优方案的标准应是在设计中能最好地反映该项设计所要追求的某些特定目标。通常，这些目标可以表示成设计变量的数学函数，这种函数称为目标函数。目标函数f(x)就是用设计变量来表示的所追求的目标形式，所以目标函数就是设计变量的函数，是一个标量。运算复杂度：本文档来自技高网...

【技术保护点】
1.一种移动k近邻差异化查询方法，其特征在于：包括以下步骤：对待查询数据进行弹性数据筛选；采用Kmeans聚类算法对弹性数据筛选结果进行分类；采用Knn查询方法对分类得到的各类数据进行排序；对排序结果进行安全区域计算；根据安全区域计算结果，生成差异化查询结果。

【技术特征摘要】
1.一种移动k近邻差异化查询方法，其特征在于：包括以下步骤：对待查询数据进行弹性数据筛选；采用Kmeans聚类算法对弹性数据筛选结果进行分类；采用Knn查询方法对分类得到的各类数据进行排序；对排序结果进行安全区域计算；根据安全区域计算结果，生成差异化查询结果。2.根据权利要求1所述的一种移动k近邻差异化查询方法，其特征在于：所述对待查询数据进行弹性数据筛选这一步骤，其具体为：采用静态伸缩策略对待查询数据进行弹性数据筛选；或者采用动态伸缩策略对待查询数据进行弹性数据筛选。3.根据权利要求2所述的一种移动k近邻差异化查询方法，其特征在于：所述采用静态伸缩策略对待查询数据进行弹性数据筛选这一步骤，包括以下步骤：基于预设的筛选半径，以参考点为圆心构建一个圆形区域，并获取该圆形区域内的定点数据个数；判断圆形区域内定点数据的个数是否小于预设的最大邻近点个数，若是，则执行下一步骤；反之，则将筛选半径的大小缩小20％，并基于缩小后的筛选半径，以参考点为圆心构建一个新的圆形区域；判断圆形区域内定点数据的个数是否大于预设的最小邻近点个数，若是，则执行下一步骤；反之，则将筛选半径的大小增大50％，并基于增大后的筛选半径，以参考点为圆心构建一个新的圆形区域；获取新的圆形区域内的定点数据。4.根据权利要求2所述的一种移动k近邻差异化查询方法，其特征在于：所述采用动态伸缩策略对待查询数据进行弹性数据筛选这一步骤，包括以下步骤：基于随机因子，动态计算筛选半径的大小，所述筛选半径的大小计算公式为：其中，rnew代表计算得到的筛选半径；rmax_k代表最大邻近点个数对应的圆形区域的半径大小；rmin_k代表最小邻近点个数对应的圆形区域的半径大小；random代表随机因子；基于计算得到的筛选半径，以参考点为圆心构建一个圆形区域，并获取圆形区域内的定点数据。5.根据权利要求1所述的一种移动k近邻差异化查询方法，其特征在于：所述采用Kmeans聚类算法对弹性数据筛选结果进行分类这一步骤，包括以下步骤：基于角度平均分布的原理，生成Kmeans聚类的初始聚类中心；根据Kmeans聚类的初始聚类中心，对弹性数据筛选结果进行分类。6.根据权利要求1所述的一种移动k近邻差异化查询方法，其特征在于：所述对排序结果进行安全区域计算这一步骤，包括以下步骤：将参考点的移动轨迹转化为离散点...

【专利技术属性】
技术研发人员：聂瑞华，赵淦森，梁志浩，李铮，席云，高卓君，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44