论文基于平行坐标的高维数据可视化算法是关于对写作高维论文范文与课题研究的大学硕士、相关本科毕业论文高维论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
摘 要：由于大数据时代的多维数据的普及,多维数据的可视化和可视化分析对于数据模式的发现至关重要.平行坐标图主要用于对同一组的不同属性进行可视化分析.可视化多维高维数据的常用方法是使用平行坐标图.但是,这些方法由于边的重叠导致视觉混淆从而无法有效地表达数据信息和检测模式.该文设计了一个高维数据可视化算法,基于边捆绑的平行坐标图,并对其进行重新排列,有效地提高了高维数据的理解和视觉分析能力.
关键词：高维；平行坐标图；视觉混淆；可视化
中图分类号：TP31 文献标识码：A 文章编号：1009-3044（2018）09-0017-03
Abstract： Due to the popularity of multidimensional data in the era of big data, the visualization and visual analysis of multidimensional data is crucial for the discovery of data patterns. The parallel coordinates are mainly used to visualize the different attributes of the same group. A common way to visualize multidimensional high-dimensional data is to use parallel coordinates. However, these methods can’t effectively express the data information and the detection mode due to the visual confusion caused by the overlap of the edges. In this paper, a high-dimensional data visualization algorithm is designed, which is based on the side-bound parallel coordinates and rearranges them. It effectively improves the ability of high-dimensional data understanding and visual analysis.
Key words： High-dimensional；parallel coordinates plot；visual clutter；visualization
近些年來,随着科学信息技术的发展,系统的存储容量和运算能力都有了突破性的提高,数据的采集和存储变得越来越方便,在包括工业,金融业,制造业互联网等各个领域产生了大量的数据.这些数据往往拥有很多个属性,被称为多维数据.这些多维数据需要数据展示分析方法将其进行数据可视化,普通情况下,多维数据的分析是在二维的屏幕空间内进行的,因此,大量的多维数据如何映射到普通的二维屏幕空间是研究的重点.
在20世纪80年代中期和90年代初期,Insellber等[1]提出了一种多维数据可视化技术,称为平行坐标技术,该技术也是后来研究和应用最为广泛的多维数据可视化技术.在该方法中,每个高维数据对象被映射为相互平行的属性轴上,并根据每条属性的属性值将相邻2个属性轴建立连接关系,边是连接N个数据点的折线.
该项技术存在几个缺陷.例如,当数据规模较大时,平行坐标中的边的数量增多,各边之间形成大量的重叠,这会造成视觉上的混淆,而这种混乱将会进一步造成数据分析人员对数据判断的干扰,使完成集合内部和集合之间的任务分析变得困难.为了解决这个问题,在基于平行坐标技术的基础上,提出一种新的多维数据可视化算法,去改进缺陷.
1 相关工作
平行坐标技术是高维数据可视化的常用方法.但是,当数据实例的数量很大时,平行坐标技术可能由于重叠绘制而变得混乱.现在有很多研究来减少视觉混乱.Heinrichetal[2]等使用平行坐标图的捆绑技术.他们的研究目的是比较捆绑平行坐标和原始平行坐标图之间数据集线性相关的识别效率.有些方法需要通过操纵轴来重新排序.这些方法可以揭示隐藏的模式.有些方法通过渲染曲线来增强平行坐标图.这种方法有效地减少了由于绘图造成的混乱.Edward J. Wegman等[3]使用数据集的聚类.McDonell[4]等将传统的边捆绑算法用于平行坐标,使用贝塞尔曲线来代替原有的折线,并通过调整控制点的位置来调整曲线弯度,进而调整边捆绑强度.Heinrich B J,Stasko J和Weiskopf D[5]评估了用于捆绑识别的平行坐标图.这也是减少视觉混淆的常用技术.Palmas[6]等首先使用高斯核密度估计来对平行坐标每个属性轴上的数据点单独聚类,在边捆绑之前为每个属性轴添加虚拟绑定轴；然后结合原始数据集将相邻2个属性轴上的群集连接,在渲染时使用多边形来代替相邻2个虚拟绑定轴之间的连接关系.Telea A和Ersoy O[7]使用基于图像的边缘捆绑算法.虽然这些边缘捆绑算法以不同方式计算曲线边缘,但是它们使得一些边缘图案更明显,从而减少了视觉混淆.Wang J[8]使用平行坐标图中嵌入的多分辨率气象数据集分析数据参数,有效地分析了多分辨率多属性之间的相关性,但在多维高维可视化时可能存在不必要的遮挡数据.Zhou等[9]将平行坐标假设为一个物理能量系统,边与边之间有相互作用力,并且边在其他边的作用力下可弯曲,边的弯曲程度由其在能量系统中所受其他边的合力决定.该算法在最大限度地减少边的曲率的同时,最大化边与相邻边之间的平行度, 最终达到边捆绑的效果,从而缓解视觉混淆.在本文中,我们使用一种基于中值的重排算法,用于绑定平行坐标图,以减少高维数据中多个集合中的视觉杂波.
总结:此文是一篇高维论文范文,为你的毕业论文写作提供有价值的参考。
参考文献：
1、 基于尺度空间体数据边界不确定性可视化 摘要：数据可视化的数据预处理过程中会不可避免地导致数据的不确定性 以体数据中边界体元为研究对象，提出了基于多尺度空间的边界体元中多种物质的概率分。
2、 基于文献传递数据可视化分析电子资源采购参考决策 关键词：文献传递；读者行为；可视化分析；TDA；资源采购摘要：文章分析了上海海事大学图书馆2013—2015年的CALIS文献传递读者注册及申。
3、 新浪图解天下数据新闻可视化 摘要 在大数据的时代背景下，新浪“图解天下”数据新闻利用开放的网络数据信息，运用形式多样的信息图表对数据进行可视化的呈现，充分发掘出人们对于颜色。
4、 云平台下海量数据冲击中的可视化调度平台设计 摘 要： 针对当前云平台调度中存在的问题，设计云平台下海量数据冲击中的可视化调度平台，其由海量数据采集模块、云平台模块和可视化调度模块组成。海量。
5、 基于数据方块图的网络数据包安全可视化 摘 要： 针对传统分析日志数据方法无法有效检测出分布式拒绝服务攻击存在的海量攻击，对异常网络数据包的检测精度低，并且检测效果不够直观的问题，研究。
6、 数据可视分析现状和趋势图谱分析 摘 要： 以Web of Science中近20年2 709篇数据可视分析文献为研究对象，采用基于图谱分析的研究机构合作、文献共被引、关键词共现。