平面矢量场特征可视化及多变量数据可视化的研究

《平面矢量场特征可视化及多变量数据可视化的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、9891二5分类叶UDC擀级研究生学位论文平面矢量场特征可视化及多变量数据可视化的研究指导教师姓名扬冠盔夔授申请学位级别塑±专业名称让篁扭应墨撞苤论文答辩日期!QQ!生§旦垫旦学位授予日期2QQ§生§旦旦中国海洋大学平面矢量场特征可视化及多变量数据可视化的研究摘要科学计算可视化是八十年代后期提出并迅速得到发展的一门新兴学科。目前，它已广泛应用于医学、地质勘探、气象预报、分子生物学、计算流体力学及有限元分析等诸多领域，并引起人们越来越多的重视。平面矢量场可视化是科学计算可视化的重要组成部分之一。随着科学技术的迅猛发展，科学计算所涉及的领域越来越

2、宽，对象越来越复杂，待处理的数据量也越来越大，传统的平面矢量场可视化方法已经满足不了可视化的要求，在此情况下，基于特征的可视化应运而生。它克服了传统可视化方法的弊端，通过发现和抽取矢量场中有特殊意义的结构或用户感兴趣的区域，达到对场中有意义的部分即“特征”进行重点可视化的目的。通过这类“有选择的”可视化，可以滤除无关数据，极大的降低信息处理量，甚至获得被抽取特征的量化描述。对于那些包含庞大多维数据集的可视化对象，特征可视化是一种必然的选择。本文对当前发展的平面矢量场可视化的理论与方法进行了详细综述与比较；介绍了拓扑分析法，扑结构分析法是一种从

3、全局了解矢量场结构的新技术，它可以把注意力集中在发现和抽取矢量场中有特殊意义的结构上；并提出及实现了快速检测平面流场的主要特征——旋涡的角度函数法，角度函数法是把流场中与某样本点相关联的矢量方向按照一定的规则进行转换而得到一函数，函数值的大小反映了流场中与某样本点相关联的矢量方向按一定规则变化的程度。函数值越小变化越明显，因此，变化最明显的点也即极小值点即为涡核点。多变量数据的可视化比较复杂，一直是可视化领域的研究热点。本文对多变量数据可视化技术如何应用于海洋研究进行了初步探索，通过应用多维转换函数技术(Multi—DimensionalTr

4、ansferFunctions——MTF)于海洋调查数据，实现了海洋水团的自动划分与可视化。关键词：科学计算可视化；平面矢量场可视化；特征可视化；拓扑分析；旋涡检测；多变量数据可视化ResearchonPlanarVectorFieldFeature．basedVisualizationandMulti一炀riableDataVisualizationAbstractVisualizationinScientificComputing(ViSC)isanewsubjectthatwasbroughtforwardanddevelopedrap

5、idlyinthelate80。SNowithasbeenwidelyusedinthefieldsofmedicine，geologicalsurvey,meteorologicalreport，molecularbiology,computationalfluiddynamicsandfiniteelementanalysis，etc．Italsoattractsmoreandmoreattention．PlanarvectorfieldvisualizationisoneofthemostimportantpartsofViSC．Wit

6、hthedevelopmentofscientifictechnology,therelevantfieldsaremoreandmorewide，theobjectsaremoreandmorecomplicatedandtheanaountofdataismoreandmorelarge，traditionalplanarvectorfieldvisualizationmethodsCan’tbesatisfied，SOfeature-basedvisualizationWasbroughtforward．Itovercomes也etra

7、ditionalvisualizationmethods’disadvantagesandCandiscoverimportantstructuresandinterestingregionsofvectorfield，SOCanvisualizethemostimportantpartsofvectorfield．Bythismeans，irrelativedataisremovedfromtheusefuldata,SOdataamountisreduced，andsometimesevenCangetquantitativedescri

8、ptionoffeature．Forlargenumberofdata,thefeature—basedmethodisanecessarychoice．T11is