机器学习与流场数据可视化 作者：张丽

机器学习与流场数据可视化 出版社：电子工业出版社

机器学习与流场数据可视化 内容简介

科学计算可视化（Scientific Visualization，SciVis）是计算机图形学的一个重要研究方向，是图形科学的新领域。随着计算能力的不断增强，科学数据中使用的物理模型以及模拟空间的大小都在不断提高。本书尝试性地将机器学习理论应用于科学计算可视化中，大大提高了数据中特征识别的鲁棒性和准确率，同时结合流场数据可视化技术的具体实现，详细阐述这两个领域结合的理论和存在的关键问题。本书内容主要包括：科学计算可视化的内容、技术现状和挑战，机器学习基本理论，使用Boosting和CAVIAR两种方法进行科学计算可视化的理论和方法等。本书可作为高等学校计算机或非计算机专业研究生科学计算可视化课程的参考书，也可作为从事流场数值模拟和流场可视化技术的研究或开发人员的参考书。

机器学习与流场数据可视化 目录

前言

第1章 概述

1.1 科学计算可视化简介

1.1.1 标量场可视化

1.1.2 向量场可视化

1.1.3 张量场可视化

1.2 流场可视化

1.2.1 流场可视化的流程

1.2.2 流场可视化的特点

1.2.3 流场可视化的分类

1.2.4 流场可视化技术

1.3 可视化开发工具VTK

1.3.1 VTK简介

1.3.2 VTK环境搭建

1.3.3 VTK与MFC

第2章 流场数据对象及流场特性

2.1 数据模型

2.2 数据类型

2.2.1 标量数据

2.2.2 向量数据

2.2.3 张量数据

2.3 数据格式

2.3.1 PLOT3D

2.3.2 VTK

2.3.3 OBJ

2.4 本章小结

第3章 流场基础特征可视化

3.1 湍流

3.1.1 湍流的定义和特征

3.1.2 湍流的特征量和特征尺度

3.1.3 湍流的运动方式

3.2 湍流的模拟

3.3 漩涡特征识别方法

3.3.1 漩涡检测

3.3.2 基于速度梯度张量的检测方法

3.3.3 局部极值方法

3.3.4 粒子追踪

3.3.5 其他方法

3.4 本章小结

第4章 交互式流体可视化

4.1 交互式可视化

4.1.1 修改类交互

4.1.2 基于选择的交互

4.2 专家数据的获取

4.3 本章小结

第5章 机器学习增强流场可视化

5.1 方法概述

5.1.1 数据读取

5.1.2 数据分析

5.1.3 数据过滤

5.1.4 数据映射和渲染

5.2 阈值的选取

5.3 特征距离

5.4 本章小结

第6章 Boosting与漩涡检测

6.1 基本的Boosting增强算法

6.2 改进的Boosting增强算法

6.3 实验结果分析

6.4 本章小结

第7章 CAVIAR与漩涡检测

7.1 CAVIAR算法概述

7.2 CAVIAR算法优化

7.3 参数设定与交叉验证

7.4 实验结果分析

7.5 本章小结

参考文献

机器学习与流场数据可视化 精彩文摘

随着计算能力的不断增强，模拟中使用的物理模型及模拟空间的大小都在不断提高。在不久的将来，超大规模计算系统会产生出越来越复杂的模拟数据集。即使在目前，数据产生的速度极快，以至于应用科学无法及时地做出分析。所以找到一种能够加速数据分析速度并且对大量杂乱数据进行合理可视化的方法，是目前亟待解决的问题。

特征检测是可行的方法之一。该方法已经成为那些处理万亿次级和千万亿次级数据的专家进行数据简化的比较重要的方法。从根本上说，特征检测减少了那些符合某种特征描述或者特征类别的数据的数量。在数据集中确定特征的方法有两种：局部特征法和全局特征法。局部特征法，又称点分类法，该方法主要分析邻近的一小部分数据，确定其二元分类属性，即该数据点是否属于某个特征类。这样一些已经分好类的数据点汇总得到某个特征，例如流体中的乱流。相对地，全局特征法通过汇总的分类策略从整体提取特征，比如流体中的流体线。对于某些种类的特征来说，全局特征法能够更准确地识别出被关注的特征。但是对于某些大规模数据来说，进行全局特征检测的代价太高。

在流体力学的应用中，漩涡是其中最主要的特征。目前存在的很多漩涡检测的方法，都属于局部特征检测。这些方法会对结果做出误判，主要原因是它们的检测器并没有基于一个严格的漩涡定义。对于一个没有严格定义的特征来说，针对它的检测算法不可避免地会产生假阳性和假阴性的结果。局部检测算法，由于单次检测的数据量少，会显得特别脆弱。而目前主流的检测算法，大部分都是局部检测算法。