基于CNN的流场特征可视化方法研究

摘要

作为科学计算可视化的分支，流场可视化是将科研计算得到的实验数据转换为易于观察的图像、图形，便于人们发现及解释流场中的相关规律和特殊现象。基于特征的可视化方法从流场数据中分离出对用户具有重要价值的区域，更好的突出特征结构，因此具有较高的研究潜力。但是，目前的特征提取方法大多仅适用于单一典型特征，并且需要进行复杂的数学分析，面对特定场景下研究人员存在兴趣需求的新特征或者非典型特征缺乏普适性。
　　基于以上原因，本文旨在研究一种通用性较强的特征可视化方法，通过结合卷积神经网络算法，在流场数据中对需求区域进行识别定位，并从全局可视化效果中突出展现特征结构，以弥补现有方法的扩展性不足。本文工作内容主要如下:
　　1)通过对流场可视化方法相关理论的研究，发现了现有的特征可视化方法在需求通用性方面的不足，提出了基于卷积神经网络的流场特征识别方法，并通过对流场特征以及经典网络模型的研究与分析，设计了一种包含多尺寸并列卷积核的模型结构。本文对该模型进行了程序实现，使用由专业合作人员标注的特征样本数据集进行训练和测试，并与经典的三层BP神经网络模型进行实验对比分析，得到了较高的准确率，验证了该模型的有效性。
　　2)由已得到的特征识别模型，结合Focus+Context技术的鱼眼视图思想，以箭型图标作为数据映射方式，提出了基于卷积神经网络的特征可视化方法。首先利用模型从流场数据中获取特征位置和分类列表，然后基于特征类别对流场数据进行区域划分，对于特征区域进行高亮强化绘制，对于非相关区域进行平滑抽稀处理，从而改变了流场数据的局部密集度和颜色属性，最终突出了特征结构。本文对所提出的方法进行了程序实现，得到了良好的特征可视化效果。

目录

声明

摘要

第1章绪论

1．1研究背景和意义

1．2国内外研究现状

1．2．1流场特征可视化

1．2．2卷积神经网络

1．3论文的主要工作

1．4论文的组织结构

第2章流场可视化方法与CNN概论

2．1流场可视化基本理论

2．1．1流场可视化流程

2．1．2流场可视化方法

2．2特征可视化与Focus+Context技术

2．2．1特征可视化方法

2．2．2 Focus+Context技术理论

2．3 CNN基本理论

2．3．1 神经元

2．3．2前馈运算与误差逆传播

2．3．3卷积与子采样

2．4 CNN特征可视化的提出

2．5本章小结

第3章神经网络流场特征识别方法

3．1数据集与样本处理

3．2单隐层BP网络模型

3．3 CNN特征识别模型

3．3．1 多尺寸卷积核的网络结构

3．3．2 CNN层级参数设置

3．4实验环境及识别结果

3．5评价指标及对比分析

3．6匹配度影响的讨论

3．7本章小结

第4章CNN特征可视化方法

4．1 CNN特征可视化方法概述

4．2特征可视化流程

4．2．1原始数据预处理

4．2．2特征区域预选

4．2．3 C域与F域划分

4．2．4平滑抽稀计算

4．2．5数据合成映射

4．3交互式特征可视化软件

4．4本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢