基于降维的聚类可视化技术

基于降维或映射技术的聚类结果可视化技术提供了在二维或三维空间直观地分析数据集的聚类结构、聚类质量和分布信息的有效手段.对线性降维可视化方法、非线性降维可视化方法及映射可视化方法等进行了介绍、实例展示和讨论分析,最后对这类方法的优缺点、存在的问题和进一步的研究方向做了总结和展望.     

基于几何图形的矢量场可视化技术

针对科学计算产生的矢量场数据可视化需求,利用OpenGL图形库和MFC技术实现了基于几何图形的矢量场可视化技术.在对规则网格和非规则网格单元数据的预处理之后,以彩色箭标及流线的形式表现矢量场的结构和特征等信息.此外,通过对显示图形的变换和渲染等交互操作,获得矢量场不同角度的细节信息.采用C++开发了一套矢量场可视化应用...     

多传感器信息融合的智能故障诊断

针对传统故障诊断方法只利用单一参数对复杂系统进行诊断具有信息不完备和不确定性的问题,提出了一种基于PCA和D-S证据理论的多传感器信息融合故障诊断方法.该方法基于PCA对信息融合的多维数据进行降维处理,并利用证据理论实现对非精确信息的正确推理,解决了信息融合数据的组合爆炸问题,从而得到精确的诊断结果.将该方法应用于火电机组的汽包锅炉给水控制系统故障诊断中,实现了对控制系统中主要参数的故障检测,有效提高了控制系统工作的可靠性.     

基于改进KPCA算法的车牌字符识别方法

针对核主元分析(KPCA)用于提取车牌字符特征不足的情况,提出了一种采用多组均值矢量来代替原始图像矢量进行核矩阵计算的方法,该方法使得核矩阵维数大幅降低,同时有效地保留了字符图像信息.实验结果表明,该方法在不降低识别精度的基础上对输入数据实现了有效的降维,大大缩短了计算时间,有效地满足了车牌实时识别系统技术要求.通过实验对比可知,该方法比目前常用的PCA及FLD算法具有更高的性能指标.     

多维数据可视分析方法研究

随着科学与技术的发展,产生了大量的数据,为了帮助人们更好地了解数据的变化趋势,产生了一门重要的分支——数据可视化.数据可视化是大数据分析的一个重要手段,它是用视觉形式向人们展示数据重要性的一种方法,使生硬的数字通过数据可视化软件就可以很容易发现其关联变化.本文根据某公司报警运营服务需求,在报警服务平台的框架下介绍报警平台可视化的环境及工作流程,结合基于降维的数据分析技术,具体讨论关于北京市ATM报警数据的信息可视化的设计、实现和步骤.     

地理信息系统空间多维数据自动监测方法

为了解决传统监测方法有很大不确定性,监测结果不准确的问题,通过正交变换处理研究地理信息系统空间多维数据自动监测方法。对地理信息系统地形空间多维数据和道路空间多维数据进行可视化处理,利用人工神经网络对其进行降维映射。在保证数据项在低维空间中相对距离不变的情况下,通过正交变换处理,令空间数据在相邻时间的坐标偏移达到最小,帮助用户发现相邻时刻监测区域的不同之处,实现地理信息系统空间多维数据自动监测。结果表明:所提方法监测结果和人工统计结果最相符;所提方法监测F值一直高于0. 9。可见所提方法监测精度高,有很强的可行性与可靠性。     

基于PCA-KLFDA的小样本故障数据集降维方法

针对小样本故障数据集降维问题,提出一种基于主元分析(PCA)和核局部费歇尔判别分析相结合的子空间降维方法.该方法首先应用PCA提取数据集中的关键信息并实施降维,然后将该子空间通过高斯核方法映射至高维线性空间,并在高维空间基于局部费歇尔判别分析训练出一个最有辨别力的低维分类特征集.用双跨转子实验台的一组故障特征数据集进行验证,结果表明:该方法能有效应对小样本的降维问题,达到增大不同故障样本集合间距离、使同类故障样本间的类内距离减小的效果,为基于数据驱动途径实现智能故障辨识技术中涉及的小样本故障数据集类别划分问题提供了一种新方法.     

基于时间序列的模糊聚类与规则提取信用评价模型

提出基于多维时间序列模糊聚类与模糊规则提取技术相结合的模糊分类系统,将其应用于信用评价研究.该方法利用投影寻踪技术对多维时间序列数据进行降维处理并进行模糊分类;根据分类结果和最佳投影值提取模糊规则,采用梯形分布法生成三个模糊隶属函数;最后根据计算模糊贴近度确定样本的信用级别.实例证明该方法具有良好的评价效果和实用价值.     

聚类数据挖掘可视化模型方法与技术

面向通用数据资源,研究聚类数据可视化方法与技术,旨在探索有效的数据处理方法,满足信息领域对高维数据处理的要求。通过对高维数据进行降维处理和可视化映射实现,建立K均值算法的聚类数据挖掘可视化系统模型,实现中间聚簇结果、聚类中心、收敛准则函数值三类要素的可视化。利用加利福利亚大学欧文分校(UCI)数据库中的Iris数据集、Wine数据集、Seeds数据集对可视化系统模型方法进行测试。结果表明,该模型实现了对数据集的有效聚类,能够将中间聚类、聚类中心、收敛准则函数值进行实时有效的可视化表达,达到了预期效果。     

面向多维稀疏时空数据的可视化研究

时空数据的多维属性和稀疏分布特征是数据分析的主要难点.利用数据可视化技术实现多维稀疏时空数据的表现和辅助分析是当前一个研究热点.基于此,提出一种多模态数据可视化方法,利用多层次视图表现模型和人机交互方式,直观展示稀疏时空数据的多维属性,进而分析数据的统计群组特征和典型个体行为模式,最终实现对异常行为的识别.针对覆盖新疆全区的车辆加油数据,融合多种相关数据源,利用该可视化方法,实现了一个车辆行为可视化数据分析系统,使用平行坐标、地图、日历矩阵、桑基图、散点图等视图模型,实现了对个体行为特征和群体行为模式的可视化表现,进而实现了对异常行为的识别、确认和预警等功能.     

基于自组织映射网络的齿轮故障分类识别

分析了自组织映射网络算法，在U-矩阵方法基础上提出了一种改进的可视化训练结果方法，并应用于齿轮故障的模式识别，研究表明，自组织映射网络能对齿轮状态进行正确分类，有效识别故障模式，改进的可视化方法能更加清楚地显示网络训练结果，两者结合可以扩展应用于机械设备的状态监测和故障识别。     

Multi-Dimensional Traffic Flow Time Series Analysis with Self-Organizing Maps

The two important features of self-organizing maps （SOM）, topological preservation and easy visualization, give it great potential for analyzing multi-dimensional time series, specifically traffic flow time series in an urban traffic network. This paper investigates the application of SOM in the representation and prediction of multi-dimensional traffic time series. Ffrst, SOMs are applied to cluster the time series and to project each multi-dimensional vector onto a two-dimensional SOM plane while preserving the topological relationships of the original data. Then, the easy visualization of the SOMs is utilized and several exploratory methods are used to investigate the physical meaning of the clusters as well as how the traffic flow vectors evolve with time. Finally, the k-nearest neighbor （kNN） algorithm is applied to the clustering result to perform short-term predictions of the traffic flow vectors. Analysis of real world traffic data shows the effec- tiveness of these methods for traffic flow predictions, for they can capture the nonlinear information of traffic flows data and predict traffic flows on multiple links simultaneously.     

数据可视化研究综述

数据可视化对于从海量数据中发现规律、增强数据表现、提升交互效率具有重要作用。目前,数据可视化的概念及相关研究领域不断扩展,就数据类型而言,可视化研究逐渐聚焦于多维数据、时序数据、网络数据和层次化数据等领域。通过对中国知网（CNKI）中外文文献进行分析可知：2014年、2015年是数据可视化领域研究热度升级、理论成果大量产出的“里程碑”式年份;中国大数据领域研究热潮形成后,数据可视化是迅速发展的一个重要支撑领域;国内外数据可视化领域的研究,在时间上基本同步,而武汉大学、浙江大学、北京邮电大学、国防科技大学、电子科技大学等都是在该领域研究活跃度较高的国内高校。要获得良好的视觉效果,帮助用户降低理解难度,高效分析数据和洞悉价值,通常还需要注意色彩与语义、突出核心数据、防止数据过载、防止思维过度发散等技术要点。现有的数据可视化技术主要分为基于几何技术、基于图标技术、基于降维技术、面向像素技术、基于时间序列技术、基于网络数据技术的数据可视化方法,以及层次可视化技术和分布技术等。基于几何技术的可视化方法,包括平行坐标、散点图矩阵、Andrews曲线等。基于坐标的可视化方法,可以清晰展示变量间的关系,但受限于屏幕尺寸,当数据维度超过3个时,难以直观显示全部维度,需要结合人机交互技术进行展示,适用于表达不同维度之间的相关关系,比如学生学习行为之间的关联关系等。基于图标的可视化方法,主要包括星绘法和Chernoff面法,以几何图形作为图标刻画多维数据,直观反映出图标各个维度所表示的意义,适用于工作完成情况、激励工作进度概览等。基于降维技术的可视化方法,根据维度属性确定点的坐标,在保持数据关系不变的前提下映射到低维可视空间中,主要涉及主成分分析、自组织映射、等距映射等。基于时间序列的可视化方法,是一种显示数据间相互关系和影响程度的可视化方法,主要包含线形图、堆积图、地平线图等,随着时间发展采集相应数据,并利用上述3类可视化方法进行呈现,适用于表示信息数据流动和变化状态,如不同时间段成绩流向趋势分布、主题概念的变迁等。基于网络数据的可视化方法,核心是自动布局算法,通过自动布局与计算绘制成网状结构图形,主要有力导向布局、圆形布局、网格布局等,常用来表示大规模社交网络结构,适用于活跃度分析、引文关系展现等。层次可视化技术,主要包括节点链接、空间填充、混合方法等,通过绘制不同形状的节点和包围框来表示层次结构的数据,适用于表示群组成员间交互关系的发现和挖掘,如在线协作员工之间的交互。基于CNKI,通过对数据可视化研究情况的分析,提出数据可视化研究过程中的注意点,指出数据可视化需要重点考虑色彩的匹配,在色彩与数据内容的重要度之间建立关联;可视化方案应在满足业务需求的基础上以业务逻辑为依据,合理组合与应用相关可视化技术;统一的可视化风格有助于提升人们理解数据的连贯性、一致性和效率,兼顾用户的审美要求,在风格与色彩之间建立合理的匹配关系;数据可视化应以实用、合理、高效地表现关键过程、关键目标、关键结果为主要面向。此外,对可视化应用实例Echarts展开综述,包括Echarts 交互组件（markPoint和markLine标注点组件、dataZoom区域组件、图例交互组件）在可视化中的应用,以及动态数据绘制等。最后,对可视化存在的挑战以及未来研究方向进行了分析和展望,指出虚拟现实、可视化系统和数据分析是可视化未来的研究方向,其应用热点领域还包括统计可视化、新闻可视化、思维可视化、社交网络可视化和搜索日志可视化等。     

离散点云数据的小波变换处理算法

将离散点云数据表示成适合用作小波变换的形式,提出了一种基于尺度的离散点云数据的特征识别算法,在此基础上给出了具体的基于尺度的二维和三维离散点云的小波分解算法,最后引入实例对二维离散点云的小波分解算法进行分析,实验结果表明算法达到了对点云数据的按尺度特征分解的目的.通过提出的算法,将离散点云数据按照尺度进行分解并提取出不同的特征成分,这样可以根据后期可视化显示的不同要求,将小波变换分解后的数据进行进一步的处理.     

基于SOM网络的基因表达数据聚类分析

提出了用自组织映射(SOM)网络对生物信息学中基因表达数据进行聚类分析的方法。用SOM网络对酵母基因表达数据进行聚类。通过对映射结果的分析,表明SOM网络有较高的分类正确率,用于基因表达数据的聚类分析是行之有效的。     

连续SOM聚类的一致性分类算法

数据集的质量会极大地影响分类算法的精度,针对一类隐式互斥的数值型数据提出了一致性分类方法．借鉴连续函数的思想,提出了数值型连续数据的分类一致性定义;改进了SOM算法的计算过程,使其满足文中提出的分类一致性最优条件．通过改进的SOM方法得到一个新的聚类数据集,减少了原始数据集中容易出现的隐式分类不一致性问题,从而有效地提高了分类方法的效率和分类精度．通过在一个实际的数据集上的比较,表明提出的算法的预测精度明显优于其他算法．进而还从VC维的角度分析了提出算法的优点．     

信息可视化研究综述

信息可视化是可视化技术在非空间数据领域的应用,可以增强数据呈现效果,让用户以直观交互的方式实现对数据的观察和浏览,从而发现数据中隐藏的特征、关系和模式。可视化应用非常广泛,主要涉及领域:数据挖掘可视化、网络数据可视化、社交可视化、交通可视化、文本可视化、生物医药可视化等等。根据CARD可视化模型可以将信息可视化的过程分为以下几个阶段:数据预处理;绘制;显示和交互。根据SHNEIDERMAN的分类,信息可视化的数据分为以下几类:一维数据、二维数据、三维数据、多维数据、时态数据、层次数据和网络数据。其中针对后4种数据的可视化是当前研究的热点。多维数据可视化方法主要包括基于几何的方法、图标方法和动画方法等。基于几何的可视化方式中最经典的就是"平行坐标系"方法。平行坐标系(parallel coordinates)使用平行的竖直轴线来代表维度,通过在轴上刻划多维数据的数值并用折线相连某一数据项在所有轴上的坐标点展示多维数据。平行坐标系方法能够简洁、快速地展示多维数据,发展出很多改进技术。但是当数据集的规模变得非常大时,密集的折线会引起"视觉混淆"(visual clutter),处理方法包括维度重排、交互方法、聚类、过滤、动画等。其他基于几何的方法包括Radviz方法使用圆形坐标系展示可视化结果;散点图矩阵(scatter plot matrix)将多维数据中的各个维度两两组合绘制成一系列的按规律排列的散点图。基于图标的可视化方法用具备可视特征的几何形状如大小、长度、形状、颜色等刻划数据,代表性的方法包括星绘法和Chernoff面法等。动画方法用于可视化中可被用来提高交互性和理解程度,其缺点包括可能分散注意力、引起用户的误解、产生"图表垃圾"等。时间序列数据是指具有时间属性的数据集,针对时间序列数据的可视化方法如下:线形图、堆积图、动画、地平线图、时间线。层次数据具有等级或层级关系。层次数据的可视化方法主要包括节点链接图和树图2种方式。其中树图(treemap)由一系列的嵌套环、块来展示层次数据。为了能展示更多的节点内容,一些基于"焦点+上下文"技术的交互方法被开发出来。包括"鱼眼"技术、几何变形、语义缩放、远离焦点的节点聚类技术等。网络数据具有网状结构。自动布局算法是网络数据可视化的核心,目前主要有以下3类:一是力导向布局(force-directed layout);二是分层布局(hierarchical layout);三是网格布局(grid layout)。当数据节点的连接很多时,容易产生边交叉现象,导致视觉混淆。解决边交叉现象的集束边(edge bundle)技术可以分为以下几类:力导向的集束边技术、层次集束边技术、基于几何的边聚类技术、多层凝聚集束边技术和基于网格的方法等。其他研究热点包括图形的视觉因素研究、自适应可视化研究、可视化效果的评估等。视觉因素对于可视化效果的影响,如位置、长度、面积、形状、色彩等影响已经引起很多研究者的注意。色彩是视觉因素的重要组成部分,研究主要集中在颜色选择的原则和交互系统中。这些原则基于数据类型、类的数量、认知约束等。自适应可视化可以提高信息可视化的适应性。研究成果分为以下几类:自适应可视化展示、自适应资源模型、自适应用户模型。自适应可视化展示是指根据用户的特征自动为用户提供多种展示类型,自动选择可视化内容及布局的形式,自动调整可视化的元素等。自适应资源模型反映了对硬件和软件的利用以提高可视化性能。自适应用户模型通过显示用户模型的内容并让用户能够编辑,从而让用户能够控制模型的内容。当前关于信息可视化评价的研究较少,少量研究也没有提出直接和通用的可视化的评估方式,需要对信息可视化评价的理论基础、方法和应用做深入的研究。可视化技术与应用还应该继续向以下4个方面努力:直观化、关联化、艺术化、交互化。信息可视化技术的发展方向是协同(collaboration)、分析过程(analytics)、计算(computational)和意会(sense-making)。未来研究方向可以包括以下几个内容。信息可视化和数据挖掘的紧密结合。为提高处理海量数据时的速度和效率和解决视觉混淆现象;必须运用数据挖掘的公式和算法,对数据分析的过程及结果进行可视化展现。协同可视化。协同可视化领域的研究方向可以包括可视化接口设计、基于Web的可视化协同平台开发、协同可视化工作的视图设计、协同可视化中的工作流管理及协同可视化技术的应用等。更多领域的应用技术开发。包括统计可视化:需要研究使用几何、动画、图像等工具对数据统计的过程和结果进行加工和处理的技术;新闻可视化:对新闻内容进行抓取、清洗和提取和可视化展示;社交网络可视化:可视化方式显示社交网络的数据,对社交网络中节点、关系及时空数据的集成展示。搜索日志可视化:针对在使用搜索引擎时产生的海量搜索日志,可视化的展现用户的搜索行为、关系和模式等。     

心墙堆石坝4D施工信息模型及应用

为实现质量、进度、成本等多源施工信息动态可视化集成、满足堆石坝施工全过程直观动态分析的需要,在分析了心墙堆石坝施工信息多源特性的基础上,提出了堆石坝4D施工信息模型(3D几何模型+时间+多源施工信息)定义、构架,研究了堆石坝4D施工信息模型的实现方法,包括心墙堆石坝三维可视化建模方法、多源施工信息集成方法、堆石坝施工过程4D可视化分析方法等。实际工程应用表明,基于3DGIS平台能实现堆石坝多源施工信息集成与交互式查询分析及施工过程4D可视化分析,可为堆石坝现场施工控制与管理提供重要理论与技术支持。     

立方晶体宏观织构取向分布函数的程序化

取向分布函数(ODF)从宏观整体上反映了多晶体各晶粒取向的统计分布,它突破了传统的极图法、反极图法用一维或二维图形来描述晶体的空间取向分布的局限性,可实现晶体取向分布的三维空间描述.针对具有立方结构的多晶体材料,采用级数展开法模型计算取向分布函数的理论模型,利用程序对ODF值进行了计算,并以Voronoi增量算法为基础生成包含有5000个晶粒的多晶体材料各晶粒的几何数据信息,与计算得到的ODF值一起导入OpenGL进行可视化处理,直观显示了多晶体材料中ODF值在各晶粒内的分布.通过对立方系多晶体材料的ODF测算,对该种材料的织构类型研究与分布规律分析具有重要的指导意义.     

基于自组织神经网络SOM和K-means聚类算法的图像修复

近来自然图像的修复已经成了一个热门话题.提出了一种基于K-means聚类算法的自组织神经网络(SOM),称为SOM-K.它首先利用SOM来训练每一个像素的特征向量,并把一幅图像分层.这样就能把每个破损像素分到每层,同时SOM训练后的输出也通过K-means聚类算法来聚合,分别在各个层中修复破损的像素.最后把修复好的各层溶合到一起.与单独使用SOM相比,SOM-K具有更精确的分类能力.