标签存档: 流场可视化

基于高阶访问依赖的高效非定常流场可视化 (Efficient Unsteady Flow Visualization with High-Order Access Dependencies)

使用图模型展示的(a)一阶和(b)二阶访问依赖的比较。

在流场可视化中,场线追踪是一种很基础的技术,很多应用包括流面计算、FTLE计算以及源汇分析等都需要追踪大量的场线。然而,由于巨大的I/O和内存需求,场线的计算是非常昂贵的。特别是I/O开销,往往能占据整个计算时间的90%。解决I/O负担的一个方法是将数据访问模式结合到场线计算中。数据访问模式由流场数据的特征隐式地决定,其记录了场线轨迹的数据访问情况。我们可以将其提取出来,并在之后的场线应用中预测数据访问。在已有的方法中,马尔可夫链被用来对数据访问模式进行建模,其思想是通过当前的数据访问预测下一个可能的数据访问。这种访问模式也被称为数据块之间的一阶访问依赖。不过,由于每个数据块可能与多个其他的数据块有访问依赖关系,因此很难得到比较准确和可靠的访问预测。
继续阅读 »

科学大数据可视化学术研讨会成功举办

科学大数据可视化学术研讨会于2015年12月19日在北京大学举办。来自国防科技大学、北京应用物理与计算数学研究所、天津大学、中科院网络中心、北京林业大学以及北京大学可视化与可视分析研究组的三十余人参加了这次学术研讨会。

李思昆教授介绍高性能与原位可视化

李思昆教授介绍高性能与原位可视化

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 »