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。
月度存档: 十一月 2014
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 ）
作者: Siming Chen
日期: 2014年11月28日
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 ）已关闭评论
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。
FLDA：基于LDA主题模型的非定常流场分析 (FLDA: Latent Dirichlet Allocation Based Unsteady Flow Analysis)
作者: Fan Hong
日期: 2014年11月3日
FLDA：基于LDA主题模型的非定常流场分析 (FLDA: Latent Dirichlet Allocation Based Unsteady Flow Analysis)已关闭评论
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。
近期评论