Radviz可视化技术度量模型的研究

论文摘要

随着科技的飞速发展,商业、科学、工程等领域的多维复杂数据呈指数增长,这些海量复杂数据既枯燥又难于理解,由于人类认知能力的固有局限,人们需要新的技术将它们更直观有效地展现出来。在此背景下,可视化自1987年提出便得到广泛地重视与发展,并产生了越来越多的具体技术,这些技术从形式、适用对象、实现的机制等方面均存在各自的特征。如何科学地评测一个具体技术成为推广该技术和开发新技术的关键。本论文通过对Radviz可视化技术的深入研究,建立起一个基于Radviz的可视化技术度量模型,并将此模型在Microsoft Visual Studio .NET环境下加以实现。主要的研究工作体现在以下三个方面：1.系统分析了现有的可视化技术及其度量方法,对各种可视化技术的优缺点分别进行了归纳和总结,深入研究了Radviz可视化技术实现原理、适用范围、优缺点等特征,并分析了影响Radviz可视化应用效果的因素。同时阐述了可视化度量方法的相关内容,并对现有可视化度量方法的不足进行深入剖析。2.通过对Radviz可视化技术特点的分析,从数据规模、视觉效果、特征保持三个方面,抽取了影响其应用效果的七个度量指标,并根据各个指标的重要程度依据0.1-0.9九标度法构建判断矩阵,运用模糊层次分析法确定其权重值,最终建立了Radviz可视化技术度量模型RVM,对Radviz可视化技术的应用效果进行定量评测。3.基于RVM模型设计并实现了Radviz可视化评价系统,主要包括Radviz可视化模块、定量评测模块和RVM正确性验证模块。通过大量数据集的实际应用,并从多个角度进行了分析与比较,验证了RVM模型的正确性和合理性。基于Radviz的可视化技术度量模型的提出,既可以在一定程度上帮助用户理解Radviz的技术特征和找到改进的途径；也可以指导Radviz可视化技术的实际应用,从而提高其应用的有效性和可靠性,进而推广Radviz可视化技术。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 1 引言
• 1.1 论文背景
• 1.2 国内外研究现状
• 1.3 本文的主要工作
• 1.4 论文组织结构
• 2 可视化及度量技术研究
• 2.1 可视化技术
• 2.1.1 可视化技术的概述
• 2.1.2 可视化技术的分类
• 2.1.3 可视化技术的比较
• 2.1.4 可视化的辅助技术
• 2.1.5 Radviz可视化技术
• 2.2 可视化技术的评价
• 2.2.1 评价的目的与方法
• 2.2.2 评价指标权重的确定方法
• 3 Radviz可视化度量模型RVM建立
• 3.1 Radviz可视化度量模型的研究背景及意义
• 3.2 可视化效果的影响因素
• 3.3 选取Radviz度量模型的指标
• 3.4 建立层次结构模型
• 3.5 主要度量指标的算法
• 3.5.1 数据密度
• 3.5.2 数据维度
• 3.5.3 数据遮盖度
• 3.5.4 数据密集度
• 3.5.5 数据混乱度
• 3.5.6 区域维持度
• 3.5.7 密度一致度
• 3.6 确定Radviz度量模型各指标的权重
• 3.6.1 计算准则层集权重
• 3.6.2 计算指标层权重
• 3.7 指标处理及总分计算
• 3.8 建立RVM度量模型
• 4 基于RVM模型的可视化评价系统RVSystem
• 4.1 系统的概述及系统目标
• 4.2 系统的功能模块结构
• 4.2.1 Radviz可视化模块
• 4.2.2 可视化效果的定量评测模块
• 4.2.3 RVM的正确性验证模块
• 4.3 系统详细设计与实现
• 4.3.1 数据预处理的实现
• 4.3.2 Radviz可视化的实现
• 4.3.3 维度排序的实现
• 4.3.4 维度筛选的实现
• 4.3.5 评分体系的实现
• 5 RVM模型的实验验证
• 5.1 在实际数据集上的应用及平行对比
• 5.1.1 wine数据集的应用
• 5.1.2 white wine quality数据集的应用
• 5.1.3 iris数据的应用
• 5.1.4 WDBC数据集的应用
• 5.1.5 平行对比
• 5.2 在实际数据集上的应用及垂直比较
• 5.2.1 vowel context数据集的应用与维数变化
• 5.2.2 dermatology数据集的应用与维排序变换
• 5.3 在大量UCI数据集上的应用与度量指标研究
• 6 结论
• 6.1 研究总结
• 6.2 工作展望
• 参考文献
• 学位论文数据集