漩渦檢測與基于特征的流體可視化方法研究.pdf

1、在對大規(guī)模流體數(shù)據(jù)進行可視化時，特征檢測能夠加速數(shù)據(jù)分析速度，并且能夠?qū)Υ罅侩s亂數(shù)據(jù)進行有效可視化。在數(shù)據(jù)集中確定特征的方法有兩種:局部特征法和全局特征法。局部特征法，要分析鄰近的一小部分數(shù)據(jù);全局特征法通過匯總的分類策略從整體提取特征。對有些種類的特征來說，全局特征法能夠更準確的識別出被關注的特征。但是對于某些大規(guī)模數(shù)據(jù)，進行全局特征檢測的代價太高。
　　 在流體力學的應用中，漩渦是其中最主要的特征。由于缺乏嚴格的漩渦定義，目

2、前存在的很多漩渦檢測的方法的檢測結果并不理想。而目前主流的檢測算法，大部分都是局部檢測算法，由于單次檢測的數(shù)據(jù)量少，會顯得特別脆弱。基于此，本文提出使用機器學習的方法來提高漩渦檢測的魯棒性，該方法能夠綜合目前已有的檢測算法的優(yōu)點，生成一個性能較好的檢測算法。在專家的半監(jiān)督下，最后生成的檢測算法保留了各個局部檢測算法的優(yōu)勢，并逐漸逼近于理想的檢測算法。
　　 本文的主要貢獻和創(chuàng)新點包括:
　　 1.提出了專家參與的樣本標定

3、方法
　　 專家借助流體數(shù)據(jù)中的流線來圈定包含流體特征的區(qū)域，作為機器學習的樣本以及衡量其他檢測結果優(yōu)劣的標準。盡管流線會受不穩(wěn)定因素影響，但其仍然是流體力學中常用的方法，能夠提供全局和局部的物理數(shù)據(jù)的特征。專家以其他檢測算法為參考，結合流線以及其他輔助的信息（局部最小壓力等）標定流體特征。該方法結合了手動檢測流體特征的準確性和其他自動檢測算法的靈活性，為后續(xù)機器學習方法得到最佳性能提供了前提。
　　 2.提出了檢測算法

4、的最優(yōu)閾值判定方法
　　 閾值對大多數(shù)檢測算法是至關重要的。本文使用ROC空間坐標來比較檢測算法的性能，對每個檢測算法給出最接近最佳分類結果的閾值。在ROC空間定義衡量檢測算法性能的變量，即給定的檢測算法的性能坐標到完美檢測算法坐標的距離。首先在可能包含閾值的區(qū)域中按照樣本分布密度平均抽取臨時閾值樣本，計算這些樣本在ROC空間的性能，比較之后改變樣本抽取的區(qū)域重新抽取臨時閾值。依此不斷迭代，在精度的控制下逼近該檢測算法的最優(yōu)閾值

5、。該方法結合了統(tǒng)計學上的多種衡量標準，易于實現(xiàn)，應用靈活。
　　 3.提出了基于Boosting技術的增強漩渦檢測方法
　　 借鑒機器學習中經(jīng)典的Boosting技術，結合流體數(shù)據(jù)自身的特征，通過對現(xiàn)有的檢測算法的有機結合來提升漩渦檢測的性能。因為目前能夠使用的流體特征較少，檢測算法數(shù)量有限而且性能相近，本文提出了有策略的增加子檢測算法的方法，避免了最終檢測結果被少數(shù)檢測算法控制的情況發(fā)生。實驗結果也驗證該方法的可用性和

6、有效性。
　　 4.提出了基于CAVIAR技術的增強漩渦檢測方法
　　 CAVIAR是一種基于特征空間內(nèi)相鄰樣本的學習算法。基于CAVIAR的增強算法，主要解決樣本間的特征距離問題，即樣本鄰居的定義。除了流體樣本自身的物理屬性，該方法還引入了空間相對位置的信息對樣本進行聚類，然后結合現(xiàn)有的漩渦檢測算法對漩渦檢測的性能進行增強。算法中，參數(shù)特征距離閾值用交叉驗證的方法判定?；贑AVIAR技術的增強漩渦檢測方法以樣本自身的