機器學習與流場數據可視化 ( 簡體 字) |
| 作者：張麗 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 47388
詢問書籍請說出此書號！【缺書】
【不接受訂購】 |
| 出版日：6/1/2017 |
| 頁數：152 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
【不接受訂購】 |
| ISBN：9787121314469 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：流場數據可視化是科學計算可視化的一種，是該領域發展最早、應用最廣泛的研究方向。從20世紀六七十年代開始的計算流體力學開始，流場數據可視化取得了眾多杰出的成果。但是，流場數據類型復雜、物理量種類多、物理特征提取困難、可視化要求高等因素使得流場數據可視化一直是科學計算可視化領域的研究熱點和難點之一。
在對大規模流體數據進行可視化時，特征檢測能夠加速數據分析速度，并且能夠對大量雜亂數據進行有效可視化。在數據集中確定特征的方法有兩種：局部特征法和全局特征法。局部特征法，要分析鄰近的一小部分數據；全局特征法通過匯總的分類策略從整體提取特征。對某些種類的特征來說，全局特征法能夠更準確地識別出被關注的特征。但是當數據規模較大時，進行全局特征檢測的代價太高。
以流體力學的應用中最主要的特征漩渦為例，由于缺乏嚴格的漩渦定義，目前存在的很多漩渦檢測方法的檢測結果并不理想。而目前主流的檢測算法，大部分都是局部檢測算法，由于單次檢測的數據量少而顯得特別脆弱。
本書作者近幾年來一直致力于流體數據可視化的研究工作，并參與多個國家自然科學基金的計算可視化課題，對基于特征的流體數據可視化理論、技術和方法進行了深入的研究，并取得了一些研究成果。本書撰寫的內容主要包括該領域的基礎知識和研究成果，以及作者在機器學習與流體數據可視化的交叉應用中取得的成果。
全書共分為7章。第1章為概述，簡述科學計算可視化的歷史和內容，然后介紹流場可視化的流程、特點、分類和技術，最后介紹可視化開發工具VTK的環境搭建與MFC的編程。第2章為流場數據對象及流場特性，包括常用的數據模型、數據類型和數據格式等。第3章為流場基礎特征可視化，簡述湍流和漩渦的定義、特征、運動方式以及湍流的模擬，然后羅列常見的漩渦特征檢測理論和方法。第4章為交互式流體可視化，簡述交互式可視化的分類和內容，并在此基礎上給出機器學習中使用的專家樣本的獲取方式。第5章為機器學習增強流場可視化，詳細講解機器學習在流場可視化中的具體應用技術，并對其中關鍵的閾值選取和特征距離表述兩個問題進行分析。第6章和第7章分別為機器學習中Boosting和CAVIAR理論在漩渦檢測中的應用，以這兩個方法為例，詳細闡述算法設計、參數設定和實驗結果分析，驗證機器學習在流場數據可視化中的有效性。
流場數據可視化理論和技術仍然處于不斷發展中，研究工作層出不窮。由于作者的能力有限，編寫時間倉促，書中難免有疏漏和不足之處，敬請讀者批評指正。
齊魯工業大學信息學院
張 麗
2017年4月 |
內容簡介：科學計算可視化（Scientific Visualization，SciVis）是計算機圖形學的一個重要研究方向，是圖形科學的新領域。隨著計算能力的不斷增強，科學數據中使用的物理模型以及模擬空間的大小都在不斷提高。本書嘗試性地將機器學習理論應用于科學計算可視化中，大大提高了數據中特征識別的魯棒性和準確率，同時結合流場數據可視化技術的具體實現，詳細闡述這兩個領域結合的理論和存在的關鍵問題。本書內容主要包括：科學計算可視化的內容、技術現狀和挑戰，機器學習基本理論，使用Boosting和CAVIAR兩種方法進行科學計算可視化的理論和方法等。本書可作為高等學校計算機或非計算機專業研究生科學計算可視化課程的參考書，也可作為從事流場數值模擬和流場可視化技術的研究或開發人員的參考書。 |
目錄：第1章 概述 1
1.1 科學計算可視化簡介 1
1.1.1 標量場可視化 3
1.1.2 向量場可視化 3
1.1.3 張量場可視化 5
1.2 流場可視化 7
1.2.1 流場可視化的流程 7
1.2.2 流場可視化的特點 8
1.2.3 流場可視化的分類 9
1.2.4 流場可視化技術 13
1.3 可視化開發工具VTK 14
1.3.1 VTK簡介 14
1.3.2 VTK環境搭建 18
1.3.3 VTK與MFC 21
第2章 流場數據對象及流場特性 25
2.1 數據模型 25
2.2 數據類型 29
2.2.1 標量數據 29
2.2.2 向量數據 30
2.2.3 張量數據 30
2.3 數據格式 31
2.3.1 PLOT3D 32
2.3.2 VTK 34
2.3.3 OBJ 37
2.4 本章小結 39
第3章 流場基礎特征可視化 41
3.1 湍流 41
3.1.1 湍流的定義和特征 41
3.1.2 湍流的特征量和特征尺度 43
3.1.3 湍流的運動方式 44
3.2 湍流的模擬 44
3.3 漩渦特征識別方法 45
3.3.1 漩渦檢測 45
3.3.2 基于速度梯度張量的檢測方法 49
3.3.3 局部極值方法 52
3.3.4 粒子追蹤 54
3.3.5 其他方法 61
3.4 本章小結 63
第4章 交互式流體可視化 65
4.1 交互式可視化 65
4.1.1 修改類交互 65
4.1.2 基于選擇的交互 66
4.2 專家數據的獲取 67
4.3 本章小結 77
第5章 機器學習增強流場可視化 79
5.1 方法概述 79
5.1.1 數據讀取 79
5.1.2 數據分析 81
5.1.3 數據過濾 85
5.1.4 數據映射和渲染 86
5.2 閾值的選取 88
5.3 特征距離 93
5.4 本章小結 99
第6章 Boosting與漩渦檢測 101
6.1 基本的Boosting增強算法 101
6.2 改進的Boosting增強算法 106
6.3 實驗結果分析 107
6.4 本章小結 116
第7章 CAVIAR與漩渦檢測 117
7.1 CAVIAR算法概述 117
7.2 CAVIAR算法優化 118
7.3 參數設定與交叉驗證 122
7.4 實驗結果分析 125
7.5 本章小結 129
參考文獻 130 |
| 序： |
