基于八叉树分解法的空间散乱点数据场可视化

八叉树分解法是空间散乱点数据场可视化的一种经典算法,它适用于地下岩体模型的可视化,得到的模型可以进行直接三维观察.文中对几种常见的建模方法进行了简单的分析比较,并着重对八叉树分解算法进行了深入研究,而且给出了实现散乱点数据场可视化的关键步骤.经过理论上的分析,八叉树分解法适用于空间散乱点数据场可视化.     

基于深度八叉树的三维数据场LOD可视化

提出了广度八叉树、深度八叉树概念,分析了它们逻辑结构和存储结构,探讨了这两种数据结构在三维数据场可视化中的应用,把深度八叉树应用于三维数据场LOD体绘制算法中。算法在某三维震波数据场进行了体绘制实验,并与传统方法进行了比较分析。结果表明,该方法通过逐层简化细节来减少场景的复杂性,提高了渲染效率,将全局和局部体绘制相结合,既提高了绘制速度,又实现了精细观察。     

基于八叉树的三维散乱数据点的法矢的估计

提出了一种基于八叉树的三维散乱数据点法矢估计的方法。该方法利用八叉树来建立散乱点之间的几何拓扑关系,从而可以方便,快速地搜索散乱点的ｍ领域点集。并引入阈值Ｔｈ来消除噪声的影响。计算这ｍ个领域点与该点组成的相交于该点的ｍ－１个三角形的法矢的均值,并作为该点法矢的估计。     

基于自适应八叉树划分的高精度四面体可视化

利用八叉树结构将四面体数据转化为规则网格数据,能有效提高系统的交互性能.八叉树的划分层次越高,绘制效果越好,但数据的存储空间以及处理时间也将大幅增多.提出自适应的规则化表示方法来构建八叉树结构,改进原有的单一采样策略,并结合深度信息将采样结果转换成适用于GPU的八叉树纹理结构.然后采用光线投射算法来对体数据进行绘制,根据各区域深度不一的特点,提出了变步长的采样绘制策略.实验结果表明,本文方法降低了数据的空间存储量和处理时间,同时在绘制质量、绘制效率方面都得到了较大提高.     

一种基于八叉树分解的岩矿储量估算方法

论述的基于八叉树分解的岩矿储量估算方法,是针对现有的估算方法普遍存在着对已知数据要求过多、使用繁琐等缺点而提出来的。该方法具有对采样数据的要求不高、使用简便快捷的特点,用在普查阶段的岩矿储量估算有着明显的优越性。     

基于八叉树快速分类的Shear-Warp 交互式体绘制算法

基于八叉树的快速分类Shear-Warp算法,是三维规则数据场可视化的一种经典算法。它适用于三维重建过程中用户需要交互式地动态调整透明度变换函数,以观察三维实体的不同细节的应用场合。论文对算法进行了深入的研究和局部的优化。论文首先介绍算法原理,然后给出算法实现模型,最后给出实验结果和进一步的研究前景。     

基于线性八叉树的快速直接体绘制算法

提出了基于线性八叉树的加速体绘制算法.利用线性八叉树对物体进行空间剖分,光线投射法跨越体数据集中的空体素,以提高绘制的速度.针对光线穿越体数据时的特殊情况,改进线性八叉树邻域查找的方法,特别是不同尺寸的邻域查找方法,克服了层次八叉树邻域查找的低效率,同时提出了光线离开平面的简洁判定方法,方便光线下一个采样点的计算.实验结果表明,该算法能够有效地提高绘制的速度.     

基于线性八叉树的光线投射体绘制算法改进研究

体视化是地学信息三维可视化研究的前沿技术之一，体绘制算法的效率直接关系到体视化的效果。本文在研究已有光线投射体绘制改进算法的基础上，提出利用线性八叉树数据结构对光线投射体绘制算法进行改进研究，不仅实现了体数据的压缩。而且能对压缩体数据进行直接体视化。在PC机上的实验表明，该方法具有时间复杂度与数据复杂度基本无关的特点．加速效果明显。最后，文章指出了该方法的适用范围。     

基于空间数据插值算法的空间散乱数据体绘制实现

体绘制技术是一种能够真实地反映空间数据场内部信息的可视化技术。在体绘制研究领域中,非规则的空间散乱数据体绘制目前仍然是一个研究热点。文中采用空间数据插值算法对散乱的原始数据进行网格化插值,然后使用光投影体绘制算法对规则网格数据进行体绘制。最后,通过新方法实现了某油藏区地下流体压力和孔隙度分布结构的体绘制。     

一种基于八叉树的三维实体内部可视化技术

鉴于传统的图形学-面图形学只能表达三维实体的表面的形状和属性，不能表达实体内部的属性，如纹理、密度场以及温度场等，因而在计算机图形学、CAD以及有限元分析等许多领域都需要一种新的可视化技术-三维实体的可视化技术，以表达实体内部的属性；三维实体的可视化技术是新兴的图形学-体图形学的一个重要组成部分，为了实现三维实体的可视化，针对CAD造型系统中的实际要求，根据体图形学的理论和八叉树的特点，提出了一种基于八叉树的实体内部可视化技术，该技术采用八叉树算法对边界数据结构表达的实体进行体元化。由于实体内部属性变化的不均匀，算法采用了不规则体元，以充分表达实体内部的细节，实际应用效果表明，该算法不但能充分表达实体内部属性，而且也具有一定的造型功能。     

基于Python的数据可视化方法和系统实现

数据可视化分析能够让人们从纷繁复杂的数据中获取有价值的信息,同时,利用机器学习方法能让人们利用已有数据,科学、合理预测未知数据。基于Python的数据可视化方法和机器学习进行设计,运用数据清洗和可视化等技术,对预处理后的数据进行数据集划分、特征工程、预估器流程和模型评估,利用Scikit-learn机器学习库和LightGBM库分析房价,得到房价规律。     

基于傅立叶变换的多维数据可视化分类

基于雷达图表示多维数据的原理,提出一种利用傅立叶描述子识别雷达图形的可视化数据分类新方法。该方法采用多元统计中的雷达图表示多维数据,不同模式类别的多维数据构成不同形状的雷达图形。在此基础上对雷达图的边界曲线进行傅立叶变换,计算傅立叶描述子作为雷达图的图形特征,并运用改进的概率神经网络进行识别。实验结果表明该方法具有较好的分类效果,分类精度比传统分类方法提高了约8.25%。     

基于模型空间的树形数据处理方法

树形结构数据包括多个结点的属性信息与结点间的连接结构信息,然而传统的机器学习对树形数据的处理方法比较单一。为此,提出一种适用于树形结构的树形回声状态网络方法,使用树形回声状态网络对树形结构数据进行建模,得到固定维数的空间模型,从而将复杂的树形结构数据转换为模型空间中的点。基于模型空间的思想,通过模型空间中点的距离来度量树形结构数据之间的相似度,并将模型与核方法相结合以提高分类器的判别能力。实验结果表明,树的回声状态网络方法与传统方法相比,在相关数据集上有着较好的测试性能。     

一种基于文法分析的空间数据识别方法

给出卫星通信协议中网络层协议SCPS-NP的基本结构,介绍带通配符的匹配算法原理,基于文法分析思想,提出一种新的Grammatical_BM空间传输协议(数据)识别方法,并通过仿真实验进行验证。实验结果表明,该方法能有效弥补特征串长度不足的缺陷,解决特征串中存在大量通配符的问题。与带通配符的串识别算法相比,在数据量增大的情况下,可减少算法复杂度,提高识别效率。     

基于径向坐标可视化的高维数据分析方法

针对模式分类算法不直观的问题,提出一种基于径向坐标可视化分析高维数据的方法。由最大似然原理估计高维数据的本征维数,用较少的变量结合径向坐标可视化方法对高维数据进行可视化降维分析。在径向坐标中揭示高维数据集中类别和特征间的关系,寻找基于不同特征排列顺序的最优映射,并结合多种机器学习方法对数据集进行分类。应用于UCI数据库中的6个数据集的结果表明,该方法具有较好的可视化和分类效果。     

基于体素渲染的障碍物探测雷达数据可视化

探索一种新的基于体素模型的雷达地形数据三维表示方法,该方法将障碍物探测雷达获取的地形三维回波数据作为体素,通过有约束的自适应分形扩展方法进行空数据的插补,生成连续的三维地形数据,然后由6自由度体素描述方法进行三维模型的映射,解决三维绘制中的场景遮挡问题,最终通过纹理混合的实时渲染方式生成最终的三维地形图像。通过对实际数据验证表明,该方法可生成逼真的三维地形,相比O penGL的绘制方法,提高了雷达数据的可视化效率。     

一种基于质心空间的不均衡数据欠采样方法

针对目前的分类算法在不均衡数据集上的分类效果不理想的问题,将监督学习和无监督学习相结合,提出了一种基于质心的欠采样——ICIKMDS。在现实应用中,一些数据并不容易获得,或者不同类型的数据本身在数量上就存在着差异性,因此造成了数据集分布的不均,如疾病检测中疾病患者和正常人比例的不均、信用卡欺诈中欺诈用户和正常用户比例的不均等。所提方法很好地解决了数据集不均衡的问题,首先通过求解样本之间的欧氏距离得到初始质心,然后采用k-means算法在大类样本集上进行聚类,使不均衡数据集在分布上更加均衡,有效地改善了分类器的分类效果。所提方法使分类器在测试集小类上的分类准确率远远高于随机欠采样和SMOTE算法,在整个测试集上的准确率几乎与其他算法相同。     

一种HeatMap技术可视化GIS三维数据方法

根据HeatMap的基本思路,提出了把热点的浓度参数作地理要素数值并作线性拉伸,以表达出三维数据值的大小变化特征的方法,对比试验表明,其方法具有较好的可视化效果。     

一种基于样本空间的类别不平衡数据采样方法EI北大核心CSCD

不平衡数据是机器学习中普遍存在的问题并得到广泛研究,即少数类的样本数量远远小于多数类样本的数量.传统基于最小化错误率方法的不足在于:分类结果会倾向于多数类,造成少数类的精度降低,通常还存在时间复杂度较高的问题.为解决上述问题,提出一种基于样本空间分布的数据采样方法,伪负样本采样方法.伪负样本指被标记为负样本(多数类)但与正样本(少数类)有很大相关性的样本.算法主要包括3个关键步骤:1)计算正样本的空间分布中心并得到每个正样本到空间中心的平均距离;2)以同样的距离计算方法计算每个负样本到空间分布中心的距离,并与平均距离进行比较,将其距离小于平均距离的负样本标记为伪负样本;3)将伪负样本从负样本集中删除并加入到正样本集中.算法的优势在于不改变原始数据集的数量,因此不会引入噪声样本或导致潜在信息丢失;在不降低整体分类精度的情况下,提高少数类的精确度.此外,其时间复杂度较低.经过13个数据进行多角度实验,表明伪负样本采样方法具有较高的预测准确性.