1、“.....如，然后量化为视觉词，这些视觉词字典是预先在训练数据集上训练得到的。然后，用描述符的高维向量生成表示图像。描述符通过倒排索引文件方式进行索引，该倒排索引文件中每个条目为每个视觉词和发生该视觉词的所有图像的列表组成。描述符的构建可以基于视觉制的建立基础是训练集合的编码本，频繁的插入删除操作会使中心点产生偏移现象，进而影响检索的准确性，而重新训练编码本是不现实的。如何使该索引机制适应频繁的增删操作，是下步要研究的主要问题。参考文献何云峰，周玲，于俊清，徐涛，管涛基于局部特征聚合的图像检索方法计算机学报，艾列富，于俊清，管涛，何云峰大规模图像特征检索中查询结果的自适应过滤基于分散分配的非对称距离倒排索引机制研究论文原稿，为积量化参数，直接存入哈希表，即占用内存又不便于查找，因此定义另外两个哈希函数的值作为哈希表索引，的值作为链表中的关键值......”。

2、“.....是个大素数的取值为，为哈希表的大小，则每个哈希表的结构如图所示。测试数据集是由机器随机生成个维度为的浮点数向量，训练集合大小为个向量，数据库集合大小为个向量映射为，为支点，为支点个数，这样得到低维向量，在低维情况下聚类算法将会有很好的效果，使用方法对映射的向量进行聚类，在聚类过程中同时获取两个与向量最近的聚类中心，最近与次近计算向量与最近的两个聚类中心的距离与如果，则计算剩余向量，接步骤如果，则计算，接步进步提高查询效率，本文将可能落入多条哈希链表中的数据库向量进行多次编码，实现了基于分散分配的非对称距离计算倒排索引机制。通过实验可以发现，这种索引机制可以有效的提升查询效率。该索引机制建立的主要过程如下参考支点选择，利用算法选择支点，用于基于距离的降维。支点选择算法，首先在数据库中选择随机的数据点，到距离最远的数据点......”。

3、“.....将数据库中的特征向量分配给聚类，即进行全局量化，然后将计算特征向量与所属聚类中心之差获得剩余向量，对所有的剩余向量进行积量化，从而获得积量化后的编码连同数据的索引标识组成哈希对，添加到对应的聚类所属的倒排索引链表中。使用组织图像的聚合向量，每幅图像可对的相似度比较是无法实现的。决定检索复杂程度的因素有两个，是高维向量的相似度比较，是海量的数据检索。基于分散分配的非对称距离倒排索引机制研究论文原稿。非对称距离计算倒排索引机制聚合了全局量化积量化非对称距离计算以及倒排索引等关键技术。其中，全局量化是指在全局基础上对整个数据空间进行统量化。量化是将原始向量经种方法获取离散值，即用组引机制可以有效的提升查询效率。非对称距离计算倒排索引机制首先使用方法对所有的特征向量进行聚类，将数据库中的特征向量分配给聚类......”。

4、“.....然后将计算特征向量与所属聚类中心之差获得剩余向量，对所有的剩余向量进行积量化，从而获得积量化后的编码连同数据的索引标识组成哈希对，添加到对应的聚类所属的倒排索引链表中。使用机学报，汪昀，朱明，冯伟国种支持海量人脸图片快速检索的索引结构计算机工程，林俊鸿，姜琨，杨岳湘倒排索引查询处理技术计算机工程与设计，王晶，王昊融合局部特征和全局特征的视频拷贝检测清华大学学报，张志远，徐恒盼种基于倒排索引的多维网络存储模型计算机技术与发展，作者单位辽宁民族师范高等专科学校辽宁省阜新市。摘要随着计算机多媒体技术的快询集合个向量。目的在于测试算法对于无规律各个维度都完全独立的非结构化数据的查询性能，如表所示。测试结果表明，本文的索引机制相对于传统的索引机制的查询性能得到了定的提升。结束语本文对基于分散分配的非對称距离计算的倒排索引机制进行了研究......”。

5、“.....但由于该索引机制基于分散分配的非对称距离倒排索引机制研究论文原稿少量的规定的向量来表示整个原始空间中的所有向量。方法中的聚类中心就是这样组规定的向量，是经过训练集合均值聚类获取的中心点，目的在于使用少量有代表性的数据来表示整个数据空间。非对称距离计算是指非量化的查询向量与量化后的数据库向量之间的距离计算。使用非对称距离计算更能体现对象之间的相似度，减小量化带来的距离误差。的聚类中心就是这样组规定的向量，是经过训练集合均值聚类获取的中心点，目的在于使用少量有代表性的数据来表示整个数据空间。非对称距离计算是指非量化的查询向量与量化后的数据库向量之间的距离计算。使用非对称距离计算更能体现对象之间的相似度，减小量化带来的距离误差。高维数据检索是个有挑战的任务。由于时间和空间的限制......”。

6、“.....同时分配到这些聚类中，以得到更佳的查询结果。积量化得到，将得到的编码以及添加到所属的聚类对应的倒排索引链表中积量化得到，积量化得到，将得到的编码以及分别添加到所属的聚类对应的倒排索引链表链表中。对倒排索引链表进行哈希，生成哈希表进行索引经过积量化得到的编码，组织图像的聚合向量，每幅图像可用少至字节的编码表示，使得海量数据库在内存中的检索成为可能。非对称距离计算倒排索引机制聚合了全局量化积量化非对称距离计算以及倒排索引等关键技术。其中，全局量化是指在全局基础上对整个数据空间进行统量化。量化是将原始向量经种方法获取离散值，即用组少量的规定的向量来表示整个原始空间中的所有向量。方法速发展，基于图像内容的检索逐渐成为了热点的研究问题。图像的特征描述和特征索引机制的建立是实现基于内容图像检索的关键......”。

7、“.....建立非对称距离计算倒排索引机制。为了进步提高查询效率，本文将可能落入多条哈希链表中的数据库向量进行多次编码，实现了基于分散分配的非对称距离计算倒排索引机制。通过实验可以发现，这种索的建立基础是训练集合的编码本，频繁的插入删除操作会使中心点产生偏移现象，进而影响检索的准确性，而重新训练编码本是不现实的。如何使该索引机制适应频繁的增删操作，是下步要研究的主要问题。参考文献何云峰，周玲，于俊清，徐涛，管涛基于局部特征聚合的图像检索方法计算机学报，艾列富，于俊清，管涛，何云峰大规模图像特征检索中查询结果的自适应过滤计为积量化参数，直接存入哈希表，即占用内存又不便于查找，因此定义另外两个哈希函数的值作为哈希表索引，的值作为链表中的关键值。和是随机整数，是个大素数的取值为，为哈希表的大小，则每个哈希表的结构如图所示......”。

8、“.....训练集合大小为个向量，数据库集合大小为个向量，查基于分散分配的非对称距离倒排索引机制研究论文原稿映射为，为支点，为支点个数，这样得到低维向量，在低维情况下聚类算法将会有很好的效果，使用方法对映射的向量进行聚类，在聚类过程中同时获取两个与向量最近的聚类中心，最近与次近计算向量与最近的两个聚类中心的距离与如果，则计算剩余向量，接步骤如果，则计算，接步骤所发生的频率计数或方法。基于视觉词的倒排索引主要集中在视觉描述符的构造描述符压缩编码和倒排索引结构的研究。基于分散分配的非对称距离倒排索引机制研究论文原稿。该索引机制建立的主要过程如下参考支点选择，利用算法选择支点，用于基于距离的降维。支点选择算法，首先在数据库中选择随机的数据点，到距离最远的数据点，记为第计算机学报，汪昀，朱明，冯伟国种支持海量人脸图片快速检索的索引结构计算机工程......”。

9、“.....姜琨，杨岳湘倒排索引查询处理技术计算机工程与设计，王晶，王昊融合局部特征和全局特征的视频拷贝检测清华大学学报，张志远，徐恒盼种基于倒排索引的多维网络存储模型计算机技术与发展，作者单位辽宁民族师范高等专科学校辽宁省阜新市。基于视觉词的倒排索引结构，查询集合个向量。目的在于测试算法对于无规律各个维度都完全独立的非结构化数据的查询性能，如表所示。测试结果表明，本文的索引机制相对于传统的索引机制的查询性能得到了定的提升。结束语本文对基于分散分配的非對称距离计算的倒排索引机制进行了研究，研究表明该索引机制相对于传统的索引机制的查询性能得到了提升。但由于该索引骤值可以将那些与多个聚类中心的距离相近的对象，同时分配到这些聚类中，以得到更佳的查询结果。积量化得到，将得到的编码以及添加到所属的聚类对应的倒排索引链表中积量化得到，积量化得到......”。