月度存档: 十一月 2014

美国加利福尼亚大学圣克鲁兹分校Alex Pang教授访问

2014年11月25-28日,美国加利福尼亚大学圣克鲁兹分校(UC Santa Cruz) Alex Pang教授访问实验室。Alex Pang教授是国际可视化领域的知名学者,从事可视化研究20余年,在流场与张量可视化、比较与不确定性可视化以及协同可视化等方面有开拓性的工作,在国际学术界具有广泛的影响,曾多次担任IEEE Visualization大会论文主席。

继续阅读 »

用于分析多维度地理信息数据的动态的可视分析(Attribute Signatures: Dynamic Visual Summaries for Analyzing Multivariate Geographical Data )

att1

地图是大家最熟悉的可视化之一,在地图上绘制一层例如圆圈、范围或者颜色等来表示变量的可视化大家也并不陌生,例如出名的人口分布图,经济状况图等等。但其实有许多带有空间信息的数据还有更多复杂的维度,例如一个人口普查数据,它包含了每个地方的人口密度、经济情况、住房情况、工作比例等等几十甚至几百个维度,如何同时探索地理空间的变化与这些维度属性之间的关系,是十分有意义的研究问题,同时由于其同时涉及空间变化与高维度属性的变化,它也是一个研究的难点。

  继续阅读 »

FLDA:基于LDA主题模型的非定常流场分析 (FLDA: Latent Dirichlet Allocation Based Unsteady Flow Analysis)

lda_a

LDA主题模型是文本分析中常用的工具。在LDA模型中,一段文本被当作是一个词包(bag of words),通过分析这些词包,LDA模型可以提取出文本中潜在的主题,并基于所提取的主题分析文本间的关系。例如,考虑这两句话:“苹果最新发布了iPhone6和iPhone6 Plus”和“三星本季度利润大幅度下滑”。如果只从词语角度对这两句话进行分析,那么计算机很难发现这两者间的关系。但是,如果计算机通过分析大量文本之后,能发现两句话实际上都是与“科技”“手机”等主题相关,那么就比较容易判断两者的关系了。因此,主题模型实际上是在文本和词语之间增加了一层抽象层,而使得对文本间关系的分析能更加准确全面。而我们要介绍的这篇论文[1]则创新性地将LDA主题模型引入到流场分析中,利用流场主题这一抽象层,基于迹线来对流场进行分析。这篇文章由我们实验室与国防科技大学合作完成,并即将发表在今年的IEEE VIS年会上。

继续阅读 »