关于 高维数据论文 的学习（1）

《高维数据可视化方法研究》

对高维数据中的分组特点、时序特性以及交互设计进行研究。交互式自适应平行坐标图、基于状态图的高位时序数据可视化方法、基于多视图联动的可视化交互设计通过有效策略辅助用户对高维数据深入探索于分析。

《基于特征表明的高维数据统计分析》

基于标准互信息的变量选择方法在模拟数据与低维鸢尾花数据、高维DBWORD E-mail数据异常值的检测应用中展示了良好效果；无监督学习数据的聚类方法中有很好的聚类效果。应用统计模型研究高维数据，通过降维获得更多数据中的信息。

《基于平行坐标的高维数据可视化算法研究》

缺陷：

平行坐标技术：每个高维数据对象被映射为相互平行的属性轴上，并根据每条属性的属性值将相邻2个属性轴建立连接关系，边是连接N个数据点的折线。例：数据规模较大时，各边形成大量重叠，造成数据干扰。

工作：

平行坐标图的捆绑技术。操作轴来重新排序，揭示隐藏的模式/渲染曲线来增强平行坐标图。使用数据集的的聚类；将传统的边捆绑算法，使用贝塞尔曲线来代替原有的折线，并通过调整控制点的位置来调整曲线弯度，进而调整边捆绑强度；评估用于捆绑识别的平行坐标图；

McDonell高斯核密度估计来对平行坐标，使用贝塞尔曲线来代替原有的折线，并通过调整控制点的位置来调整曲线弯度，进而调整边捆绑强度

Palmas首先使用高斯核密度估计对平行坐标每个属性轴添加虚拟绑定轴，然后结合原始数据集将相邻2个属性轴上的群集连接，在渲染时使用多边形来代替相邻2个虚拟绑定轴之间的连接关系；

Telea A 和 Ersoy O 使用基于图像的边缘捆绑算法；

Wang J 使用平行坐标图中嵌入的多分辨气象数据集分析数据参数，分析了多分辨率多属性之间的相关性；

Zhou 将平星座表假设为一个物理能量系统，边与边之间有相互作用力，边在其他边的作用力下可弯曲，变得弯曲程度尤其在能量系统中所受的其他变得合理决定

研究实现：

捆绑平行坐标图的设计：通常，所有便都在相邻的轴之间交叉。边的整体分布特征可以反应数据集相邻属性之间交叉

重新排列集合顺序：使用一个基于中值的重排算法。由于大部分数据是非对称数据，因此更好的方法是使用中位数。中值是于最大值或最小值无关的序数的中间值，他将高一半的数据与下半部分分开，有效反映了集合在属性中的集中趋势。更好了解数据集中整个不同集合属性的集中趋势，建立一个中值矩阵M。