声明
摘要
第1章 引言
1.1 研究背景
1.2 高维数据可视分析研究现状
1.2.1 高维数据降维技术
1.2.2 高维数据样本分析方法
1.2.3 高维数据可视化方法
1.3 本文主要工作
1.4 本文结构
第2章 一种改进的RadViz可视化方法
2.1 问题提出
2.2 维度距离矩阵
2.2.1 高维数据集合定义
2.2.2 维度相关性矩阵
2.2.3 维度距离矩阵的变换
2.3 维度向单位圆投影的算法
2.3.1 RadViz算法
2.3.2 MDS算法
2.3.3 TSP算法
2.3.4 小结
2.4 基于CM算法实现维度布局优化
2.4.1 维度点的圆周移动方案
2.4.2 维度点布局的全局应力误差计算
2.5 样本点的投影
2.5.1 样本点的投影方法
2.5.2 样本点的布局标准
2.6 实验过程及结果分析
2.6.1 CM算法的迭代对全局应力误差的影响
2.6.2 维度点布局的全局应力误差结果分析
2.6.3 维度点位置的调整对样本点投影精度的影响
2.6.4 RadViz的改进在其他数据集上的应用
第3章 一种改进的MDS算法
3.1 欧式距离矩阵的PTI与点的数量对全局应力误差的影响
3.1.1 相关系数矩阵的建立
3.1.2 PTI对全局应力误差的影响
3.1.3 点的数量对全局应力误差的影响
3.1.4 小结
3.2 点的初始位置生成方法
3.2.1 问题提出
3.2.2 基于TSP算法生成点的初始位置
3.2.3 基于DRGT算法生成点的初始位置
3.2.4 实验过程及结果分析
3.2.5 小结
3.3 点位置的调整策略
3.3.1 力的计算和权重的设置
3.3.2 基于加权力导向算法的点位置调整策略
3.3.3 基于SEFM算法以及加权SEFM算法的位移策略
3.4 实验过程及结果分析
3.4.1 SEFM算法与力导向算法的对比
3.4.2 数据点初始位置生成方法和调整策略的多种组合对比
3.4.3 不同数据集上的实验过程及结果对比
3.5 本章小结
第4章 总结与展望
参考文献
致谢
附录
山东大学;