模型驱动的网络数据的可视分析方法研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景及意义 | 第16-19页 |
| 1.2 大数据可视化的挑战 | 第19-21页 |
| 1.3 研究内容与创新 | 第21-23页 |
| 1.4 论文组织 | 第23-24页 |
| 第二章 相关工作 | 第24-38页 |
| 2.1 数据可视化的发展 | 第24-27页 |
| 2.2 多维时变数据的可视化技术 | 第27-30页 |
| 2.3 图布局算法 | 第30-38页 |
| 2.3.1 网络图布局算法 | 第31-33页 |
| 2.3.2 网络图交互技术 | 第33-34页 |
| 2.3.3 边捆绑算法 | 第34-35页 |
| 2.3.4 层次信息可视化 | 第35-38页 |
| 第三章 基于物理模型的舆情传播可视分析 | 第38-68页 |
| 3.1 引言 | 第38-39页 |
| 3.2 基于元胞自动机的论坛舆情可视分析 | 第39-47页 |
| 3.2.1 情感演化建模 | 第40-43页 |
| 3.2.2 情感数据挖掘 | 第43-44页 |
| 3.2.3 可视化设计及结果分析 | 第44-47页 |
| 3.3 基于流体力学的微博转发可视分析 | 第47-67页 |
| 3.3.1 LBM模型 | 第48-49页 |
| 3.3.2 微博转发建模 | 第49-55页 |
| 3.3.3 可视化设计 | 第55-57页 |
| 3.3.4 实验与结果分析 | 第57-62页 |
| 3.3.5 真实数据驱动的模拟 | 第62-67页 |
| 3.4 本章小结 | 第67-68页 |
| 第四章 基于演化模型的集群行为可视分析 | 第68-100页 |
| 4.1 引言 | 第68页 |
| 4.2 基于微博转发的网络集群可视分析 | 第68-88页 |
| 4.2.1 微博转发可视化简介 | 第68-70页 |
| 4.2.2 微博转发分析 | 第70-79页 |
| 4.2.3 交互可视化设计 | 第79-83页 |
| 4.2.4 实验结果分析 | 第83-88页 |
| 4.3 基于火灾疏散模型的应急可视分析 | 第88-99页 |
| 4.3.1 疏散仿真模型简介 | 第88-90页 |
| 4.3.2 智能寻路疏散模拟 | 第90-93页 |
| 4.3.3 可视化设计 | 第93-96页 |
| 4.3.4 结果分析 | 第96-99页 |
| 4.4 本章小结 | 第99-100页 |
| 第五章 基于几何模型的层次交互可视化 | 第100-140页 |
| 5.1 引言 | 第100页 |
| 5.2 自适应混合尺度的多元图可视分析 | 第100-119页 |
| 5.2.1 多元图可视化简介 | 第100-101页 |
| 5.2.2 基于层级的感知视图 | 第101-103页 |
| 5.2.3 混合尺度可视化方法 | 第103-111页 |
| 5.2.4 实验结果分析 | 第111-117页 |
| 5.2.5 用户评估 | 第117-119页 |
| 5.3 家族树的可视分析 | 第119-138页 |
| 5.3.1 家族树可视化简介 | 第120-122页 |
| 5.3.2 分析任务和系统概览 | 第122-124页 |
| 5.3.3 可视化设计 | 第124-133页 |
| 5.3.4 案例分析 | 第133-136页 |
| 5.3.5 用户实验 | 第136-138页 |
| 5.4 本章小结 | 第138-140页 |
| 第六章 总结与展望 | 第140-144页 |
| 6.1 本文工作总结 | 第140-142页 |
| 6.2 未来工作展望 | 第142-144页 |
| 参考文献 | 第144-158页 |
| 作者简历 | 第158-160页 |
| 攻读博士学位期间主要的研究成果 | 第160-162页 |
| 致谢 | 第162页 |
