基于多视图聚类算法的三维流场关键点附近的流线筛选EI北大核心CSCD

在关键点周围进行流线可视化时,流场特征复杂多样以及流线之间可能存在共点或对称性等情况,可能导致常规的基于几何或相似性的筛选方法失效.为此,提出了基于数据驱动思想的关键点周围的流线筛选方法MvCcp,它是基于多视图聚类算法的流线筛选方法,通过对流场进行不同粒度的体素化,生成流线的位置视图和基于距离场直方图的特征视图数据,并通过多视图聚类算法进行流线筛选.针对HalfCylinder等6个典型的关键点周围的三维流场,与其他3种典型的流线筛选方法进行了定性可视化比较,并基于MSE,PSNR,SSIM,AAD等定量指标进行对比实验表明,MvCcp在所有实验中具有更出色和更稳定的表现.     

一种适用于航天大数据的深度决策树模型

常规处理百万网格航天大数据的物理量回归分析方法不适用于复杂的流场环境，可使用多种机器学习模型解决该问题。但已有的机器学习模型无法同时具备高预测精度、模型可解释性和大数据处理能力。对此，提出了一种新型深度决策树模型。基于堆叠的深度森林模型，通过自适应多粒度扫描和自生长级联森林对隐藏特征进行提取和利用。使用航天大数据进行实验，结果表明所提模型在预测精度、泛化性能和核心功能增益等方面优于随机森林、XGBoost和LightGBM模型。