Índice de Figuras

1. Ejemplo de una base de datos, donde cada elemento ya conoce a sus $K$ vecinos más cercanos
2. Ejemplo de una consulta de rango (q) en un conjunto de puntos ( )
3. Diagrama de Voronoi para algunos puntos
4. Formación de la triangulación de Delaunay sobre los puntos de la figura
5. Modelo usado para indexar y consultar en espacio métricos
6. Vista esquemática de un índice usando pivotes, así como un recorrido horizontal y vertical
7. Representación de la búsqueda en FHFQT (Fixed Height FQT)
8. Representación de la búsqueda en FQA (Fixed Query Array).
9. Base de datos marcando la selección de los pivotes
10. Cálculo de distancia de un pivote a toda la Base de Datos (por simplicidad no se muestran todas la líneas)
11. Construcción de la firma. En la figura se muestran los anillos generados para el pivote 1
12. Construcción de la firma. En la figura se muestran los anillos generados para el pivote 2
13. Construcción de la firma. En la figura se muestran los anillos generados para el pivote 3
14. Construcción de la firma. En la figura se muestran los anillos generados para el pivote 4
15. Representación gráfica de un FQTrie (Fixed Query Trie).
16. Cola de prioridad inicializada. En la figura se muestran algunos puntos (parte izquierda) con sus radios máximos en la cola de prioridad (parte derecha), con círculos entorno al elemento.
17. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Puntos iniciales
18. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Estado inicial del punto 5
19. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Punto número 5
20. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Punto número 6. Radio inicial (círculo exterior), radio final (círculo interior.
21. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Punto número 7
22. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Punto número 8
23. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Punto número 9
24. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Punto número 10
25. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Punto número 11
26. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Punto número 12
27. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Punto número 13
28. Ejemplo de la búsqueda de los $K$ vecinos más cercanos. Punto número 14
29. Un histograma de distancias con dimensión baja (izquierda) y dimensión alta (derecha), mostramos que en dimensión alta virtualmente todos los elementos son candidatos para una evaluación exhaustiva
30. Gráfica con 250,000 objetos, usando 32 pivotes, 8 bits, K=16, para diferentes dimensiones
31. Gráfica con 100,000 objetos, usando 32 pivotes, 8 bits, K=16, para diferentes dimensiones
32. Gráfica con 30,000 objetos, usando 32 pivotes, 8 bits, K=16, para diferentes dimensiones
33. Gráfica con diferentes tamaños de la Base de datos, usando 32 pivotes, 8 bits, en dimensión 8 y K=16
34. Gráfica con diferentes tamaños de la Base de datos, usando 32 pivotes, 8 bits, en dimensión 10 y K=16
35. Gráfica con diferentes tamaños de la Base de datos, usando 32 pivotes, 8 bits, en dimensión 14 y K=16
36. Gráfica con diferentes tamaños de la Base de datos, usando 32 pivotes, 8 bits, en dimensión 18 y K=16
37. Gráfica con 40,000 objetos, en dimensión 8, con 32 pivotes, 8 bits, para diferentes $K$
38. Gráfica con 40,000 objetos, en dimensión 14, con 32 pivotes, 8 bits, para diferentes $K$
39. Gráfica con 40,000 objetos, en dimensión 8, con 128 pivotes, 8 bits, para diferentes $K$
40. Gráfica con 40,000 objetos, en dimensión 14, con 128 pivotes, 8 bits, para diferentes $K$
41. Gráfica con diferentes bases de datos, variando la dimensión, para 8 pivotes, 8 bits y $K$=32
42. Gráfica con diferentes bases de datos, variando la dimensión, para 8 pivotes, 8 bits y $K$=64
43. Gráfica con diferentes bases de datos, variando la dimensión, para 32 pivotes, 8 bits y $K$=32
44. Gráfica con diferentes bases de datos, variando la dimensión, para 32 pivotes, 8 bits y $K$=64
45. Gráfica con diferentes bases de datos, variando la dimensión, para 64 pivotes, 8 bits y $K$=32
46. Gráfica con diferentes bases de datos, variando la dimensión, para 64 pivotes, 8 bits y $K$=64
47. Distancias contra $K$ vecinos más cercanos, para 20,000 puntos en dimensión 8, variando el número de pivotes
48. Distancias contra $K$ vecinos más cercanos, para 20,000 puntos en dimensión 12, variando el número de pivotes
49. Distancias contra $K$ vecinos más cercanos, para 40,000 puntos en dimensión 14, variando el número de pivotes
50. Distancias contra $K$ vecinos más cercanos, para 40,000 puntos en dimensión 16, variando el número de pivotes
51. Gráfica con diferentes bases de datos, variando el número de pivotes, en dimensión 6, para $K$=8
52. Gráfica con diferentes bases de datos, variando el número de pivotes, en dimensión 6, para $K$=32
53. Gráfica con diferentes bases de datos, variando el número de pivotes, en dimensión 6, para $K$=64
54. Gráfica con diferentes bases de datos, variando el número de pivotes, en dimensión 12, para $K$=8
55. Gráfica con diferentes bases de datos, variando el número de pivotes, en dimensión 12, para $K$=32
56. Gráfica con diferentes bases de datos, variando el número de pivotes, en dimensión 12, para $K$=64
57. Comportamiento del valor de para diferentes dimensiones
58. Representación completa de la cola de prioridad como árbol
59. Insertando un nuevo elemento (P) en la cola de prioridad
60. Removiendo el elemento más grande en la cola de prioridad
61. Ejemplo de una cola de prioridad min-max. La condición de la cola de prioridad alterna entre el mínimo y máximo de nivel a nivel
62. Diagrama de Hasse para la cola de prioridad min-max de la figura