基于非结构化三角网格的海洋流场可视化

针对二维流场可视化均是基于结构化网格流场数据的情况,提出一种基于非结构化三角网格的海洋流场可视化策略：使用流线表达流场,流线可视化的主要挑战是种子点放置问题,即流线的初始点,制定了非结构化三角网格下基于特征引导的种子点放置策略,合理放置流线初始点以利于表达流场特征;设计了基于网格密度的层次聚类算法,引入网格密度属性对流线进行聚类并基于聚类质心进行流线放置,在保留了FVCOM 模式数据的多密度性前提下提高了流线可视化效果。实验表明,该方法可以有效地保留流场特征,并且借助 FVCOM 模式的边界拟合性能在海湾、河道等地区取得良好的可视化效果;在此基础上,基于 Cesium引擎开发了基于流线聚类数据的动态流场可视化应用,其是 FVCOM 模式数据首次应用于动态粒子流场的一次尝试,并且具有较好的可视化效果。     

三维流场的流线提取算法

为了有效地解决三维流场可视化中由于播种流线所产生的众所周知的遮挡和杂乱问题,呈现出清晰的流场模式与流场的重要特征,提出一种基于迭代最邻近点(ICP)与K均值聚类的流线提取算法.首先利用ICP算法实现流线间轮廓特征上的配准,并根据几何相似性进行排序;然后利用K均值聚类算法对流线分组;最后根据用户指定密度约简多余相似性流线,并以此结果重构矢量场来评价文中算法的精确度.将文中算法应用到多个数据集进行实验并与已有的流线分布的最新算法进行比较,结果表明,该算法能更有效地反映流场的关键特性,大大提高了三维流场数据集的可读性.     

基于聚类的二维向量场可视化

已有的二维流场可视化中,鞍点等临界点是最重要的特征之一.文中从一个新的角度提出一种基于流线聚类的二维向量场可视化方法.首先生成采样流线集合,然后将流线聚类,最后引入共轭法向量场和流线密度矩阵对同一个类的流线进行加速排序.在此基础上,提出3种可视化应用:抽取每一类的代表流线进行向量场的流线简洁表达;根据流线之间距离进行多分辨率均匀流线表达;生成权值图,增强基于纹理的向量场可视化.实验结果表明,该方法具有良好的鲁棒性,可视化效果优于已有的方法.     

基于高精度流线生成的交互流场可视化

高效准确的流线绘制一直是流场可视化的重要研究内容,流线可以对流场的重要特征进行有效的稀疏表示,但流线需要长期的粒子追踪过程及大量的积分计算,在面向大规模流场可视化时时间效率较低,需要高性能计算设备进行辅助计算.本文通过设计一种基于深度学习的高精度流线生成算法,将初始的低精度流线快速映射为稠密的高精度流线,可以在较短的时间内快速生成可靠的流线可视化结果,并在此基础上设计了交互式实时流场可视化系统,涵盖了流场的特征检测,属性关联分析,信息论分析等,帮助用户快速了解流场数据,找到自己感兴趣的区域进行后续进一步深度分析,避免了获取过多冗余数据,同时优化了分析工作的效率,满足用户对于流场结构,特征属性等多维度进行关联分析的需求.     

GPU加速3D流场特征提取与多分辨率绘制

由于视线方向上的网格单元前后相互影响,导致3D流场可视化面临遮挡和混乱问题,为此提出一种基于流场特征的多分辨率绘制方法.首先利用基于GPU的BP网络流场特征提取方法对流场典型特征或用户关注的新特征进行选取、训练和识别;在此基础上,利用Voronoi图技术对特征数据构造特征树;最后基于鱼眼视图多分辨率技术进行绘制.对绘制和性能进行测试的实验结果表明,该方法能有效地提取流场特征,降低遮挡和混乱对可视化效果影响.     

自适应图学习诱导的子空间聚类

子空间聚类是机器学习领域的热门研究课题。它根据数据的潜在子空间对数据进行聚类。受多视图学习中协同训练算法的启发,提出一个自适应图学习诱导的子空间聚类算法,该算法首先将单视图数据多视图化,再利用不同视图的信息迭代更新图正则化项,得到更能反映聚类性能的块对角关联矩阵,从而更准确地描述数据聚类结果。在四个标准数据集上与其他聚类算法进行对比实验,实验结果显示该方法具有更好的聚类性能。     

基于信息熵种子点选取的流线可视化

有效的种子点选取方法是影响流线分布洞悉流场特性的关键。在保持流场变化规律与重要特征准确描述前提下,为了解决由过多流线所导致的遮挡与杂乱问题,提出了基于贪婪策略和蒙特卡洛的两种种子点选取方法。基于贪婪策略的种子点选取方法通过流场信息熵的计算,对流场中的关键特征具有高度敏感性。基于蒙特卡洛种子点选取方法根据均匀随机分布函数生成输入,基于信息熵计算输入点影响半径确定流线分布。通过多个数据集对两种选取方法实验,结果表明基于贪婪策略选取方法可高效捕获流场的关键特征,基于蒙特卡洛方法选取流线更加均匀,保持了流场全局变化规律,两种方法的结合得到更优化的流场可视化效果。     

基于分数阶微分的流线增强方法

为增强流线间强度对比,提高矢量场可视化效果,提出了一种基于分数阶微分滤波的流线增强方法.该方法通过构造分数阶微分算子,对卷积纹理在垂直矢量方向上进行分数阶微分滤波,增强了矢量线间的对比,改善了图像质量.实验结果表明,该方法能有效地增强矢量场流线可视化效果,为分析流场特征提供帮助.     

一种改进的多视图聚类集成算法

近年来,针对大数据的数据挖掘技术和机器学习算法研究变得日趋重要。在聚类领域,随着多视图数据的大量出现,多视图聚类已经成为了一类重要的聚类方法。然而,大多数现有的多视图聚类算法受算法参数设置、数据样本等影响,具有聚类结果不稳定、参数需要反复调节等缺点。基于多视图K-means算法和聚类集成技术,提出了一种改进的多视图聚类集成算法,其提高了聚类的准确性、鲁棒性和稳定性。其次,由于单机环境下的多视图聚类算法难以对海量的数据进行处理,结合分布式处理技术,实现了一种分布式的多视图并行聚类算法。实验证明,并行算法在处理大数据时的时间效率有很大提升,适合于大数据环境下的多视图聚类分析。     

基于正交基的多视图迁移谱聚类

挖掘多视图一致性是提升多视图聚类性能的关键,为更好地从多视图数据中学习一致性表示,提出一种新的多视图聚类算法OMTSC。OMTSC算法同时学习每个视图的聚类分配矩阵和特征嵌入,并将聚类分配矩阵分解为共享正交基矩阵和聚类编码矩阵。正交基矩阵可捕获并储存多视图一致性信息形成潜在聚类中心,经过加权融合的多视图聚类编码矩阵可更好地平衡不同视图的质量差异。引入基于二部图的协同聚类,实现正交基、聚类编码和特征嵌入3个矩阵的知识相互迁移,以提升多视图数据一致性和多样性,并利用特征嵌入的多样性最大化多视图一致性学习最优的潜在聚类中心,从而提高多视图聚类的性能。此外,基于群稀疏约束的特征嵌入可有效消除多视图数据中的噪声,提升算法的鲁棒性。在WikipediaArticles、COIL20和ORL数据集上的实验结果表明,与SC-Best、Co-Reg等先进的多视图聚类算法相比,OMTSC算法在ACC、NMI、ARI 3个评价指标上整体取得最优值,其中在COIL20和ORL数据集中的NMI评价指标均高于0.9。     

基于信息熵的流场定向线积分卷积算法

流场可视化是对流场数据进行直观分析的一种新的可视化技术,而定向线积分卷积（OLIC）算法作为一种经典的纹理可视化方法,使用该算法能明显地观察出流场方向流动的演化。为了优化可视化效果,提出了一种基于信息熵的OLIC算法。首先,基于流场矢量数据生成基于信息熵的稀疏噪声;然后,采用斜坡卷积核函数对输入纹理进行卷积计算;最后,通过计算输出纹理图像中每一个像素点的灰度值,得到最终的OLIC纹理图像。所提算法可以根据熵值在临界点区域和非临界点区域自适应地生成流线。其中临界点区域含有流场的重要信息,选择密集绘制;而在非临界点区域则选择稀疏绘制。通过在不同区域绘制不同密度的流线,所提算法节省了计算成本;与普通OLIC算法相比,所提算法的绘制速度至少提升了18.6%;在可视化效果方面,所提算法优于普通的全局绘制,使用所提算法能更仔细地观察特征区域。     

基于多频稀疏噪声的流场运动方向可视化算法

针对现有流场可视化算法存在的矢量场运动指向二义性以及缺乏对矢量场速率区分等问题进行了研究,提出了一种基于多频稀疏噪声纹理的改进线积分卷积算法,用来提高流场可视化后的信息表达效果。该方法首先根据矢量场速率量级的大小划分频率不同的噪声群,并合成适用于该向量场的特定多频噪声纹理;然后使用斜坡卷积核根据向量场流线对噪声纹理进行卷积;最后生成一幅同时具有矢量场运动方向和运动速率信息的彩色图像。实验结果表明,该方法可以增强用户对流场流量大小和矢量场方向的感知效果,在大规模风场数据可视化的验证实验上取得了良好的可视化效果。     

基于拓扑法的与时间相关二维矢量场的可视化

分析与时间相关二维矢量场可视化的拓扑法,并针对其在检测封闭流线时依赖网格以及不能对封闭流线精确定位的问题,进行改进。通过运用特征流场对临界点跟踪以及鞍状连接符对流面积分,提出一种检测封闭流线的方法。该方法不依赖于网格,解决了封闭流线精确定位的问题。实验结果表明本文提出的算法为与参数相关二维矢量场可视化提供一个基本框架。     

基于几何着色器的流场动态可视化研究与实现

为有效解决复杂流场可视化效率低下问题，加快可视化速度，提出了一种基于几何着色器的快速流场可视化算法。在流场可视化的过程当中引入几何着色器，利用GPU的并行处理能力和强大的图像处理能力对流场实时地进行箭头和流线的绘制，然后采用积分颜色映射方法，与常规的线性颜色映射法相比较，改善了颜色的均匀分布，增强流场强度层次感。实验表明，该算法可以有效地反映流场特征分布，减少可视化过程中的数据传输量，降低资源浪费，提高可视化渲染效率。     

改进K-means加权自适应多视图数据聚类算法

在如今的大数据时代,视图数据越来越多,由于这些数据表现出明显的多样性和差异性,使得多视图数据聚类成为了大数据的研究重点问题之一.针对多视图数据聚类问题,提出了一种基于改进K-means加权自适应多视图聚类算法.首先,提出加权自适应多视图聚类算法,降低视图同维度变换的复杂性.然后考虑到数据的误差性和离群点问题,对数据条件进行优化处理,把Frobenius范数作为条件进行改进,起到对多视图数据加权的作用.再结合自由度问题,找到多视图数据的最优解,降低目标函数自由度.最后根据K-means优化理论,通过权重系数减少数据对多视图聚类的影响,确定多视图不同簇的聚类中心,从而完成对所有视图数据的优化.基于MATLAB仿真平台,分别对5个数据集采用4种性能评价指标进行仿真验证.实验结果表明,所提出的算法大大减少了运行时间,而且具有较好的聚类性能.     

基于数据场的端元提取算法研究

传统端元提取算法一般需要人工指定端元数目,易导致多选或漏选端元。利用数据场自然拓扑聚类、可视化的特性,提出了基于数据场的端元提取方法。首先对图像进行分区处理,然后应用数据场思想计算各区域数据点的势能,并分别选择一定数量的特征点,将所有特征点集合成特征图像,再计算特征图像的数据场;最后根据数据场形成的拓扑聚类结构,可视化地提取端元,获得最佳端元的数目和位置。利用Cuprite矿区的AVIRIS数据进行端元提取实验,结果表明:该方法是合理有效的,能够应用于高光谱图像的端元提取中。     

两级联合融合的多视图子空间聚类改进算法

针对多视图深度子空间聚类网络(Multi-view Deep Subspace Clustering Networks, MvDSCN)算法具有的没有充分利用多视图互补信息、进行一次聚类直接得到聚类结果，以及只考虑数据级信息融合而降低了聚类性能等缺点，提出两级联合融合的多视图子空间聚类改进算法(TJ-MvDSCN)。不仅关注多视图共性信息，还关注多视图互补信息；增加分配级别的多视图信息融合，与已有的数据级信息融合形成两级融合结构；增加聚类损失，基于迭代优化策略构建一个可以联合学习特征表示和聚类分配的多视图聚类框架。经实验验证，该算法性能优于现有算法。     

面向沉浸式流场可视化的多视图数据管理方法

由于沉浸式环境下的三维交互方式对二维界面操作不够友好,使得依赖于二维列表界面的流场数据管理任务变得复杂且低效。为了实现沉浸式虚拟环境下对流场数据高效的组织和管理,增强用户对流场空间信息的理解,提出一种基于多视图结合交互的沉浸式流场可视化数据块管理方法。该方法构建了一个三维小视图用于提供场景概览,并通过“主视图交互+小视图辅助“”小视图交互+主视图反馈”等多种多视图组合交互方式完成对多块流场数据的管理交互操作。最后构建了一个基于手势的沉浸式流场可视化系统,定义多项交互任务,从学习时长、完成时间和用户反馈几个方面对比了多视图方法和传统交互方法差异。实验结果表明,相比于传统交互方法,多视图方法可以显著提高数据管理任务的效率。     

基于多样性的多视图低秩稀疏子空间聚类算法

本文主要研究如何通过挖掘多视图特征的多样性信息来促进多视图聚类,提出了基于多样性的多视图低秩稀疏子空间聚类算法。该方法直接将视图多样性概念应用于多视图低秩稀疏子空间聚类算法框架中,确保不同视图的子空间表示矩阵的多样性;为了实现多个视图聚类一致性同时达到提高聚类性能的目标,在该框架中引入谱聚类算法共同优化求解。通过对3个图像数据集的实验验证了该算法的有效性,同时其聚类的性能优于已有的单视图及多视图算法。     

基于概念分解的显隐空间协同多视图聚类算法

多视图聚类通过整合不同视图的特征以提升聚类性能.现有的多视图聚类更多地关注数据不同的低维表示方式和其在隐式空间的几何结构,而忽略数据样本在不同空间的结构关系,未同时考虑不同空间的聚类.为此,文中提出基于概念分解的显隐空间协同多视图聚类算法.首先,通过概念分解获取不同视图在隐式空间中的一个共同的低维特征表示,并利用图拉普拉斯正则化约束保持原始数据的局部结构不变.然后,将数据在显式空间中的聚类和隐式空间中的聚类整合到一个共同的框架中,进行协同学习和优化,得到最终的聚类结果.在8个真实数据集上的实验表明文中算法性能较优.