矢量场特征可视化与流形聚类研究

本课题主要是解决如何用有监督学习方法训练ROI区域，并提取区域特征，以及如何在不稳定流场中检测和追踪ROI区域；如何用流形学习与聚类的方法发掘矢量场中潜在的流形特征，进而可以通过层次化聚类的方式简化矢量场，有效地显示矢量场的拓扑结构，提高矢量场特征可视化性能。针对实际计算中存在的效率低、结果不够精确的问题，通过相关模型和算法的研究，提出比较可行的流形学习和聚类算法。发展矢量场ROI区域特征提取、矢量数据尺度学习以及矢量场几何流形能量理论和技术，提高矢量数据分析的性能。通过实验分析和比较验证新的算法在理论和技术上的可行性，以及与现有方法相比的优越性。

特征可视化是对原始矢量数据作子集选择、结构分析或特征提取，滤掉冗余数据，显示典型特征和关键结构。其应用范围广泛，但目前还存在很多问题。如，大规模矢量数据的映射图像常常会杂乱无章，使用太少矢量数据又不能准确把握矢量场的变化情况。本课题提出使用流形学习与聚类的方法发掘矢量场中潜在的流形特征，进而可以通过层次化聚类的方式简化矢量场，有效地显示矢量场的拓扑结构，提高矢量场特征可视化性能；并对流形学习算法中存在的效率低、结果不够精确的问题，通过相关模型和算法的研究，提出比较可行的流形学习和聚类算法；同时提出有监督的ROI目标区域检测的思想。实验验证表明，该项目提出的方案，一定程度上能够提高矢量数据分析的性能，并解决诸如光流场等实际应用中碰到的复杂问题。