一种基于平行坐标的度量模型及其应用

分析了数据挖掘中可视化技术应用的特点与方法,给出了数据挖掘中可视对象与参数的确定及算法分解的方法,提出了一种基于平行坐标技术的度量指标体系,证明了其中的相关性质与结论,并给出基于平行坐标技术的度量模型以及在实验数据上的应用例.结果表明这种方法对于数据挖掘中的数据可视化表示是有效的.基于度量指标的可视化技术在对可视对象的分析处理上可以借助适用的数学方法建模与评测,这有助于数据挖掘可视化的研究与应用.     

基于平行坐标的可视化多维数据挖掘的研究

可视化数据挖掘是将数据可视化与数据挖掘两个技术相结合．在其实现的多种方法中．平行坐标法是其中一种最直接同时也是研究最早的一项技术．它是在二维空间中以平行坐标的形式来表示N维数据从而实现把数据仓库中数据挖掘的结果或过程以图形呈现出来。通过对其实现方式上的研究,结合C#编程技术,提出一个初步的模型,分析平行坐标法相比其他方法的优缺点。     

基于平行坐标的可视化多维数据挖掘的研究

可视化数据挖掘是将数据可视化与数据挖掘两个技术相结合,在其实现的多种方法中,平行坐标法是其中一种最直接同时也是研究最早的一项技术,它是在二维空间中以平行坐标的形式来表示N维数据从而实现把数据仓库中数据挖掘的结果或过程以图形呈现出来。通过对其实现方式上的研究,结合C#编程技术,提出一个初步的模型,分析平行坐标法相比其他方法的优缺点。     

平行坐标法在分类算法中的可视化应用

平行坐标技术是可视化数据挖掘的重要方法之一，通过此方法实现分类中多维数据在二维平面上的显示，设计平行坐标与分类算法结合的方法，通过程序接口把具体算法与平行坐标实现分离开来，完成了最近邻分类算法与平行坐标可视化方法的紧密结合的程序实现，体现出平行坐标可视化方法对数据挖掘技术所带来的重大意义。     

多维数据集的平行坐标表示及聚簇分析

分析讨论了用平行坐标表达多维数据集的基本方法。用平行坐标可直观地表示数据的特征及分布状况，在平行坐标下，可较方便地进行聚簇分析，是一种有效的可视数据挖掘方法。     

基于平行坐标的多维数据交互可视化方法——以日晷晷影位置数据为例

本文基于平行坐标法对整点时刻的El晷晷影位置数据开展多维交互可视化分析,综合运用平行坐标、散点图、数据表格等可视化方法辅助解释或挖掘隐藏在整点时刻El晷晷影位置数据内部的模式、特征和规律。应用结果表明,平行坐标法对具有多维特征的整点时刻的El晷晷影位置数据具有良好的交互可视效果,对日晷建造过程中El晷晷影位置的合理确定有一定的辅助作用。     

平行坐标及其在聚类分析中的应用

平行坐标对多维数据的表达是数据可视化的重要方法之一。它实现了多维数据在二维平面上的表示。利用平行坐标对数据进行分析处理的技术已经取得了很大的进展,如刷(Brushing)技术、交换坐标轴、抽象等。这些分析技术已经应用到数据挖掘的很多领域,尤其在聚类分析中,平行坐标对数据集的定性分析使聚类结果的合理性得到证明。     

可视化数据挖掘工具的设计与实现

为了在海量数据中把有用的数据提取给用户进行分析,通过对数据可视化和聚类分析的深入研究,将可视化技术与数据挖掘技术两者结合起来,在Java平台下开发一个可视化的数据挖掘系统,把数据挖掘的结果以3D散点图、平行坐标图的方式显示给用户,使用户能够直观地看到数据集的全貌及分析各对象同一属性值的分布和各属性之间的关系,有效地表达数据挖掘结果。     

基于SOM聚类的可视化方法及应用研究

提出了用无监督的自组织映射方法对金融数据进行聚类,并用平行坐标和交互式的圆形平行坐标方法在二维平面上表示出来。用这种方法形成清晰的可视化聚类结果,不仅有效地总结了数据特征,还提高了聚类的可视效果,从而便于发现数据的变化趋势。     

基于主成分分析和K-means聚类的平行坐标可视化技术研究

为了解决多维数据的维数过高、数据量过大带来的平行坐标可视化图形线条密集交叠以及数据规律特征不易获取的问题,提出基于主成分分析和K-means聚类的平行坐标（PCAKP,principal component analysis and k-means clustering parallel coordinate）可视化方法。该方法首先对多维数据采用主成分分析方法进行降维处理,其次对降维后的数据采用K-means聚类处理,最后对聚类得到的数据采用平行坐标可视化技术进行可视化展示。以统计局网站发布的数据为测试数据,对PCAKP可视化方法进行测试,与传统平行坐标可视化图形进行对比,验证了PCAKP可视化方法的实用性和有效性。     

数据聚类中基于浓度噪音消除的可视化参数选择方法

可视化技术的发展极大地提高了传统数据挖掘技术的效率.通过结合人类识别模式的能力,计算机程序能够更有效的发现隐藏在数据中的规律和信息.作为聚类分析的重要步骤,噪音消除一直都是困绕数据挖掘研究者的问题,尤其对于不同领域的应用,由于噪音的模型和定义不同,单一的数据处理方法无法有效而准确地去除域相关的噪音.本文针对这一问题,提出了一个新型的可视化噪音处理方法CLEAN.CLEAN的独特之处在于它设计的噪音处理技术和提出的可视化方法有机地结合在一起.噪音处理算法为可视化模型生成所需数据,同时针对噪音处理算法选择可视化方法,从而达到提高整个数据处理系统性能的目的.这样不仅降低了噪音去除过程中主观因素的影响,还可以帮助数据挖掘程序去除领域相关的噪音.同时源数据的质量,算法参数的选择和不同噪音去除算法的精确性都可以在所使用的可视化模型中反映出来.实验表明CLEAN能够有效地帮助空间数据聚类算法在噪音环境下发现数据的自然聚类.     

数据可视化的研究与发展

针对数据可视化是可视化技术在大型数据库的应用中提出的新的数据分析和处理技术，该文介绍了数据可视化的概念和发展状况，然后针对大型数据集介绍了几种数据可视化技术以及它们的代表方法，并对数据可视化和科学计算可视化进行了分析和比较，最后探讨了数据可视化技术的研究发展方向。     

数据可视化在数据挖掘中的应用

数据挖掘是从大量历史数据中抽取潜在的、有价值的知识或规则的过程。数据可视化对于快速分析数据，表示高维数据方面非常直观、有效。本文首先讨论了几种可视化技术，随后就数据可视化在数据挖掘的模型、过程中的应用进行探讨。     

A flexible approach for visual data mining

The exploration of heterogenous information spaces requires suitable mining methods as well as effective visual interfaces. Most of the existing systems concentrate either on mining algorithms or on visualization techniques. This paper describes a flexible framework for visual data mining which combines analytical and visual methods to achieve a better understanding of the information space. We provide several pre-processing methods for unstructured information spaces, such as a flexible hierarchy generation with user-controlled refinement. Moreover, we develop new visualization techniques, including an intuitive focus+context technique to visualize complex hierarchical graphs. A special feature of our system is a new paradigm for visualizing information structures within their frame of reference     

可视化技术在空间数据挖掘中的应用

在阐述可视化与空间数据挖掘关系的基础上，探讨了可视化在空间数据挖掘过程中应用的各个环节，提出了将具体应用划分为概念层、逻辑层和基础层3个层次。以地质模型数据挖掘为例，对应3个层次阐述了可视化应用的关键技术：地质模型可视化，交互式挖掘与探索性可视化分析。开发了一个原型系统，初步实现了可视化挖掘功能。     

Visual exploration of production data using small multiples design with non-uniform color mapping

Visual data mining may overcome some of the flexibility problem often suffered by computer-centered data mining approaches. This can happen because human beings are introduced to the information discovery loop to take advantage of their natural strength in creative thinking and rapid visual pattern recognition to discover information not defined a priori and to perform approximated reasoning that computer algorithms are hard to do. This paper presents a novel visual exploration approach for mining abstract, multi-dimensional data stored in tables in a relational database. The visual image is constructed by converting each table into a visualization unit called a table graph and then assembling these table graphs together to form a small multiples design. Different types of non-uniform color mappings to render this small multiples design could be automatically generated by minimizing the weight differences of colors in the visual image. These non-uniform color mappings are designed in such a way that the adjacent glyphs in a table graph that have near underlying values will be assigned with the same color. As such, visual patterns not able to see under the traditional uniform color mapping could be revealed. This enables the users to examine the input tables from different perspectives. The proposed flexible visualization method has been applied to generate visual images from which the users could quickly and easily compare the machine idle cost performances of alternative master production plans.