作者存档: Jiang Zhang - 第3页

Association Analysis for Visual Exploration of Multivariate Scientific Data Sets (基于关联分析的多变量科学数据集可视探索)

多变量数据是科学模拟中的一种非常重要的数据,其包含了一系列不同的变量用于描述不同的物理特性。对多变量数据的研究集中在探索不同变量之间的关系,已有的度量方法包括相关系数和互信息等。但是这些工作基本上针对的是不同变量之间的平均关系,很少将重心放在研究不同变量的标量值之间的特定关系。实际上,特定的标量值之间的关联是非常重要的,我们可以通过给定的某变量标量值探索其与其他变量的标量值之间的交互,从而更好地理解潜在的现象。例如,在飓风Isabel数据中,温度变量具有比较高的标量值的区域往往预示着风速和水汽混合比这两个变量的标量值比较低。因此,今年SciVis的一篇文章就提出了一种标量级(scalar-level)关联的分析方法,将不同变量的特定标量值之间的关联基于关联规则(association rules)来表达。为了找到有代表性的标量值,他们利用社交网络中的IP模型(Influence-Passivity Model)计算出了两个影响因素,informativeness和uniqueness,并且提供了一系列交互视图让用户进行探索,如图所示1。

继续阅读 »

MatrixWave: 事件序列数据的视觉比较 (MatrixWave: Visual Comparison of Event Sequence Data)

事件序列数据是我们生活中很常见的一类数据。它由一系列带有时间戳的事件组成,往往与人们的活动息息相关,因此对这类数据的分析也成为了许多领域的研究热点。这里面一个重要的分析任务就是不同时间段和不同人群之间的比较。例如,网站日志记录了用户访问网页并在不同网页之间跳转的过程,作为网站分析人员,他们可能想知道有多少用户访问了一个特定的网页,用户在他们网站的停留时间以及主要的访问路径。尽管现在也有一些诸如辛基图(Sankey Diagram)等针对这类数据的可视化技术,但是涉及到视觉比较方面的工作却非常少。因此这篇文章就提出了一种可视化的设计,MatrixWave[1],不仅可以对大而密集的单一事件序列数据进行可视化呈现,还可用于两个相关事件序列数据的比较分析。

继续阅读 »

多类散点图中平均值的感知(Perception of Average Value in Multiclass Scatterplots)

许多可视化任务都需要观察者在多组对象中建立视觉“抽象”或者统计性的总结。其中,我们将用户在一些对象的集合中感知聚集属性(aggregate properties)的过程叫做视觉聚集(visual aggregation),例如对不同类对象某些属性的区分。而另一方面,散点图(scatterplot)为我们提供了可以同时展示多个数据类用于相互之间比较的能力。因此,我们可以在散点图中对多个类的平均属性评估它们的差异,以探索人的视觉系统对多类散点图的感知特性,进而帮助更好地设计散点图。Michael等人就进行了一系列的user study实验,来探索人们对多类散点图中类平均值的感知[1]。

继续阅读 »

离核流线计算中的一种流引导文件布局(A Flow-Guided File Layout for Out-Of-Core Streamline Computation)

在如今的科学可视化中,大型的计算资源已经在对规模大且变量复杂的数据进行处理中应用地比较普遍。但在资源有限的情况下,人们还是希望能在一台单机上完成数据的可视化处理。受限于单机的内存,此时通常需要采取out-of-core的方式。尽管如此,I/O设备的访问速度仍然远低于处理器的速度,并且这个差距越来越大。为了弥补这个差距,在流线的生成中,数据预取(data prefetching)是一种比较好的方法。因为粒子追踪是有一定模式的,将粒子所访问的数据块提前取到内存中,即可减少I/O的访问时间。基于这个想法,俄亥俄州立大学Han-Wei Shen小组提出了一种优化文件布局的方法,可以减少I/O开销,并且最大限度地利用预取数据[1]。

继续阅读 »

Design by Dragging:一种结合模拟集合的创造性前向和反向设计界面 (Design by Dragging: An Interface for Creative Forward and Inverse Design with Simulation Ensembles)

在交互设计中,如果能让用户可以完全专注于设计本身,而不用管过多其他方面的知识,那这个交互对于用户而言就是非常好的。而且,现如今设计思想的发展趋势是以用户为中心,以目标为导向,能够极大地方便用户的交互探索。2013年明尼苏达大学的一篇文章[1]就提出了一种非常方便直接的交互界面设计,称之为Design by Dragging。在这篇文章中,他们提出了两种设计方式,分别是前向设计(forward design)和反向设计(inverse design),特别是反向设计,能够通过用户的操作直接改变模拟结果,很符合以目标为导向的设计思路。他们提出的交互方法不仅可以支持单点触控,也可以应用在多点触控的交互设备上。

继续阅读 »

一种辨别和追踪云系统运动的探索框架 (An Exploration Framework to Identify and Track Movement of Cloud Systems)

我们都知道,云在热带环流中扮演了很重要的角色,它跟天气的变化有着很大的关系,可以用来预测不稳定的天气。一个云系统中包含了许多各种各样的云,其运动经常会具有很大的时间和空间尺度,因此如何对这些云系统进行识别和追踪就成了云系统研究中一个很重要的问题。利用计算机视觉和计算拓扑学方面的技术,2013年的一篇SciVis文章[1]提出了一种探索云系统运动的可视化框架,使用拆分树(split tree)、持久性图(persistence diagram)和光学流(optical flow)等来对云的辨别和运动的追踪进行探索。

继续阅读 »

一种探索多变量数据集的信息感知框架(An Information-Aware Framework for Exploring Multivariate Data sets)

多变量数据集的探索是科学可视化中的一个重要研究方面,可以让人们对多个变量之间的关系进行深入地了解。在单变量系统中,isocontour是一个很常用的手段,可以用来揭示相同标量值的区域。而在多变量数据集中,由于多个变量之间的相互依赖型,等高线可以展示与其关联的变量的信息和交互方式,因此也成为了多变量数据研究的一个重要内容。在这篇文章[1]中,作者提出了一种信息感知的框架来引导用户进行多变量数据的探索。文章使用了信息论的方法来计算变量之间的互信息,还使用了特定信息(specific information)来计算某个变量的标量值与其他变量的相关性,从而使用isocontour对其不确定信息进行探究。除此之外,文中还使用了直观的交互界面,如平行坐标、散点图等。

继续阅读 »

时变流场的并行粒子平移和FTLE计算 (Parallel Particle Advection and FTLE Computation for Time-Varying Flow Fields)

流场是一种很重要的科学模拟的产物,对流场进行可视化的一种很常见的方法是粒子平移(particle advection),追踪粒子在流场中的运行路线。我们可以利用粒子踪迹计算得到一种非常强大的分析工具:Finite-Time Lyapunov Exponent field (FTLE域)。在时变流场中,给定一个空间位置和时间点,它的FTLE值表示以接近于该位置为种子(seed)位置的粒子在有限时间步后的偏离情况,该偏离情况可以使用雅克比流图(Jacobian of the flow map)来度量。从相同的时变数据集中可以计算出多个FTLE值,用来分析流场特征随时间如何演变。多个FTLE值的计算需要在时间和空间上密集分布的迹线(pathline),这也导致产生了性能的瓶颈问题。因此,Boonthanome等人在2012年SC上的文章[1]中,提出了一种并行的时变粒子追踪技术,特别是针对于在大规模矢量场中计算多个FTLE值(需要在时间和空间上分布的很大数量的粒子)的需求。

继续阅读 »

使用粒子动画技术可视化大规模并行通信的踪迹(Visualizing Large-scale Parallel Communication Traces Using a Particle Animation Technique)

本文来自于2013年的EuroVis会议[1]。为了评估并行应用程序中通信开销对性能的影响,作者设计了一种基于动画的交互可视化技术,对并行应用程序执行过程中所出现的通信类型进行分析。

高性能计算(HPC)系统在如今的科学计算领域发挥了越来越重要的作用。但是另一方面,并行计算带来了进程间的通信开销,而这对于并行应用程序的性能有着显著的影响。随着进程数的增多,评估通信开销的难度也越来越大,这无疑也增加了优化数据分配和通信需求的障碍。本文针对这个问题,设计了一个可视分析工具,并且使用两台超级计算机进行数据收集和逐步转换格式的处理,并最终进行可视化。

继续阅读 »