基于过滤的中文多模式近似字符串匹配算法.pdfVIP

第32卷 第2O期 计 算 机 工 程 2006年 lO月 VoL32 № 2o ComputerEngineering October2006 · 软件技术与数据库 · 文章编号：1ooo-3428(2o06)20__枷4s一】3 文献标识码。A 中圈分类号。TP391 基于过滤的中文多模式近似字符串匹配算法 范立新 ，谢晓能 ，吴 飞 (1．浙江大学计算机学院，杭州 310027；2 绍兴文理学院计算机系，绍兴 312000；3．杭州广播电视大学信息工程学院，杭州 310012) 攮 要：当前近似字符串匹配算法主要针对英文等中小字符集，该文针对汉字等大字符集的有效算法很少，尤其缺少适合汉字等大字符集 的多模式近似匹配算法的情况，提出了一种适合汉字等大字符集的多模式近似匹配算法一 MBPM—BM，通过实验证明了该算法的有效性。 关量词：近似字符串匹配；中文字符串匹配；多模式匹配；位并行运算；过滤 Algorithm 0fMultipleApproximateString forChineseCharactersBased0nFiltering FAN Lixin ．XIEXiaoneng ．W U Fei (1．CollegeofComputer，ZhejiangUniversity，Hangzhou310027；2．DepartmentofComputer,ShaoxingArtsandScienceUniversity， Shaoxing312000；3．CollegeofInformationEngineering，HangzhouRadioTVUniversity，Hangzhou310012) [Abstract]Mostofthealgorithmsofapproximatestringmatcharedesignedforsmallormiddlesizeofchraacterset．Untilnow，peopleCna’tfind anyeffi cientalgorithmsofrserachingofmultiplepatternsoflragesizeofchraacterset．Thispaperpresentsanalgorithm— — MBPM—BM，whichCna beusedofrserachingofmultiplepatterns．ExperimentalresultsshowthatMBPM—BM workswellinpracticeespe ciallyinchinesechraactersmatch． [Keywords]Approximatestringmatch；Chinesestringmatch；Multiplepatternsmatch；Bit—praallelcalculation；Filtering 近似字符串匹配在病毒检测、语音识别、文件检索、计 处理 。 算生物学、模式识别、OCR纠错等许多领域有广泛应用，是 (2)BPM—BM 算法 I 算法设计中的一个热点。可描述为：给定一个文本T=T．--、 若MT【j】=0，称T．无用字符；若MT【j】≠0，称T．有用字 一 个模式 P=Pl__ 以及允许的最大误差 k (km)，找出满足 符。其中 1≤j≤m，M 】【的含义与BPM 中模式匹配向量数组 ed(s，P)≤k的所有子串S。其中ed(s，P)是S和P2个字符串之 M 【】相同。Bad(s)表示S中无用字符数，Good(s)表示S中有用 间编辑距离的函数。当查找r个模式P，…，P时，就扩展成多 字符数。S．对应BPM 中扫描至T．后的Score值。一个有用字 模式近似字符串匹配。即用户提交r个模式P，…，P，在T中 符最多使Score减 1，一个无用字符不会使Score减 1。若S．=m 查找满足ed(s，P