标签分类
当前位置:首页 > 人工智能电子书 > 机器学习电子书网盘下载
机器学习与流场数据可视化 机器学习与流场数据可视化
码小辫

码小辫 提供上传

资源
31
粉丝
27
喜欢
283
评论
10

    机器学习与流场数据可视化 PDF 完整版

    机器学习电子书
    • 发布时间:

    给大家带来的一篇关于机器学习相关的电子书资源,介绍了关于机器学习、流场数据、可视化方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小18.8 MB,张丽编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.9,更多相关的学习资源可以参阅 人工智能电子书、等栏目。

    机器学习与流场数据可视化 PDF 下载

    下载地址:https://pan.baidu.com/s/1kresCTcrLYlsPvudxeX1w

    分享码:2ws5

    机器学习与流场数据可视化 PDF

    科学计算可视化(Scientific Visualization,SciVis)是计算机图形学的一个重要研究方向,是图形科学的新领域。随着计算能力的不断增强,科学数据中使用的物理模型以及模拟空间的大小都在不断提高。本书尝试性地将机器学习理论应用于科学计算可视化中,大大提高了数据中特征识别的鲁棒性和准确率,同时结合流场数据可视化技术的具体实现,详细阐述这两个领域结合的理论和存在的关键问题。本书内容主要包括:科学计算可视化的内容、技术现状和挑战,机器学习基本理论,使用Boosting和CAVIAR两种方法进行科学计算可视化的理论和方法等。本书可作为高等学校计算机或非计算机专业研究生科学计算可视化课程的参考书,也可作为从事流场数值模拟和流场可视化技术的研究或开发人员的参考书。

    目录

    • 第1章 概述 1
    • 1.1 科学计算可视化简介 1
    • 1.1.1 标量场可视化 3
    • 1.1.2 向量场可视化 3
    • 1.1.3 张量场可视化 5
    • 1.2 流场可视化 7
    • 1.2.1 流场可视化的流程 7
    • 1.2.2 流场可视化的特点 8
    • 1.2.3 流场可视化的分类 9
    • 1.2.4 流场可视化技术 13
    • 1.3 可视化开发工具VTK 14
    • 1.3.1 VTK简介 14
    • 1.3.2 VTK环境搭建 18
    • 1.3.3 VTK与MFC 21
    • 第2章 流场数据对象及流场特性 25
    • 2.1 数据模型 25
    • 2.2 数据类型 29
    • 2.2.1 标量数据 29
    • 2.2.2 向量数据 30
    • 2.2.3 张量数据 30
    • 2.3 数据格式 31
    • 2.3.1 PLOT3D 32
    • 2.3.2 VTK 34
    • 2.3.3 OBJ 37
    • 2.4 本章小结 39
    • 第3章 流场基础特征可视化 41
    • 3.1 湍流 41
    • 3.1.1 湍流的定义和特征 41
    • 3.1.2 湍流的特征量和特征尺度 43
    • 3.1.3 湍流的运动方式 44
    • 3.2 湍流的模拟 44
    • 3.3 漩涡特征识别方法 45
    • 3.3.1 漩涡检测 45
    • 3.3.2 基于速度梯度张量的检测方法 49
    • 3.3.3 局部极值方法 52
    • 3.3.4 粒子追踪 54
    • 3.3.5 其他方法 61
    • 3.4 本章小结 63
    • 第4章 交互式流体可视化 65
    • 4.1 交互式可视化 65
    • 4.1.1 修改类交互 65
    • 4.1.2 基于选择的交互 66
    • 4.2 专家数据的获取 67
    • 4.3 本章小结 77
    • 第5章 机器学习增强流场可视化 79
    • 5.1 方法概述 79
    • 5.1.1 数据读取 79
    • 5.1.2 数据分析 81
    • 5.1.3 数据过滤 85
    • 5.1.4 数据映射和渲染 86
    • 5.2 阈值的选取 88
    • 5.3 特征距离 93
    • 5.4 本章小结 99
    • 第6章 Boosting与漩涡检测 101
    • 6.1 基本的Boosting增强算法 101
    • 6.2 改进的Boosting增强算法 106
    • 6.3 实验结果分析 107
    • 6.4 本章小结 116
    • 第7章 CAVIAR与漩涡检测 117
    • 7.1 CAVIAR算法概述 117
    • 7.2 CAVIAR算法优化 118
    • 7.3 参数设定与交叉验证 122
    • 7.4 实验结果分析 125
    • 7.5 本章小结 129
    • 参考文献 130

    上一篇:网页UI与用户体验设计5要素  下一篇:物联网开发与应用:基于ZigBee、Simplici TI、低功率蓝牙、Wi-Fi技术

    展开 +

    收起 -

    机器学习 相关电子书
    关于机器学习的学习笔记
    网友NO.982147

    Python机器学习库scikit-learn安装与基本使用教程

    本文实例讲述了Python机器学习库scikit-learn安装与基本使用。分享给大家供大家参考,具体如下: 引言 scikit-learn是Python的一个开源机器学习模块,它建立在 NumPy , SciPy 和 matplotlib 模块之上能够为用户提供各种机器学习算法接口,可以让用户简单、高效地进行数据挖掘和数据分析。 scikit-learn安装 python 中安装许多模板库之前都有依赖关系,安装 scikit-learn 之前需要以下先决条件: Python(= 2.6 or = 3.3) NumPy (= 1.6.1) SciPy (= 0.9) 如无意外,下面用 pip 的安装方法可以顺利完成~~ 安装 numpy sudo pip install numpy 安装 scipy 需要先安装 matplotlib ipython ipython-notebook pandas sympy sudo apt-get install python-matplotlib ipython ipython-notebooksudo apt-get install python-pandas python-sympy python-nosesudo pip install scipy 安装 scikit-learn sudo pip install -U scikit-learn 测试 在 terminal 里面输入 pip list 这个会列出 pip 安装的所有东西,如果里面有 sklearn 这一项,应该就是大功告成了! 或者尝试着将几个模板库导入进来 import numpyimport scipyimport sklearn 加载数据(Data Loading) 本文所使用的数据集为‘今日头条'近期两篇热门新闻“牛!川大学霸寝室5人获16份名校通知书”、“张超凡的最后14天:山西15岁休学少年是如何殒命网吧的”分别500条评论,共1000条评论。 去除停用词后得到了词库大小为3992的词库。因此构……

    网友NO.148889

    PHP机器学习库php-ml的简单测试和使用方法

    php-ml是一个使用PHP编写的机器学习库。虽然我们知道,python或者是C++提供了更多机器学习的库,但实际上,他们大多都略显复杂,配置起来让很多新手感到绝望。 php-ml这个机器学习库虽然没有特别高大上的算法,但其具有最基本的机器学习、分类等算法,我们的小公司做一些简单的数据分析、预测等等都是够用的。我们的项目中,追求的应该是性价比,而不是过分的效率和精度。一些算法和库看上去非常厉害,但如果我们考虑快速上线,而我们的技术人员没有机器学习方面的经验,那么复杂的代码和配置反而会拖累我们的项目。而如果我们本身就是做一个简单的机器学习应用,那么研究复杂库和算法的学习成本很显然高了点,而且,项目出了奇奇怪怪的问题,我们能解决吗?需求改变了怎么办?相信大家都有过这种经历:做着做着,程序忽然报错,自己怎么都搞不清楚原因,上谷歌或百度一搜,只搜出一条满足条件的问题,在五年、十年前提问,然后零回复。。。 所以,选择最简单最高效、性价比最高的做法是必须的。php-ml的速度不算慢(赶紧换php7吧),而且精度也不错,毕竟算法都一样,而且php是基于c的。博主最看不惯的就是,拿python和Java,PHP之间比性能,比适用范围。真要性能,请你拿C开发。真要追求适用范围……

    网友NO.750912

    机器学习python实战之决策树

    决策树原理:从数据集中找出决定性的特征对数据集进行迭代划分,直到某个分支下的数据都属于同一类型,或者已经遍历了所有划分数据集的特征,停止决策树算法。 每次划分数据集的特征都有很多,那么我们怎么来选择到底根据哪一个特征划分数据集呢?这里我们需要引入信息增益和信息熵的概念。 一、信息增益 划分数据集的原则是:将无序的数据变的有序。在划分数据集之前之后信息发生的变化称为信息增益。知道如何计算信息增益,我们就可以计算根据每个特征划分数据集获得的信息增益,选择信息增益最高的特征就是最好的选择。首先我们先来明确一下信息的定义:符号xi的信息定义为 l(xi)=-log2 p(xi),p(xi)为选择该类的概率。那么信息源的熵H=-∑p(xi)·log2 p(xi)。根据这个公式我们下面编写代码计算香农熵 def calcShannonEnt(dataSet): NumEntries = len(dataSet) labelsCount = {} for i in dataSet: currentlabel = i[-1] if currentlabel not in labelsCount.keys(): labelsCount[currentlabel]=0 labelsCount[currentlabel]+=1 ShannonEnt = 0.0 for key in labelsCount: prob = labelsCount[key]/NumEntries ShannonEnt -= prob*log(prob,2) return ShannonEnt 上面的自定义函数我们需要在之前导入log方法,from math import log。 我们可以先用一个简单的例子来测试一下 def createdataSet(): #dataSet = [['1','1','yes'],['1','0','no'],……

    网友NO.685708

    Python与Scikit-Learn的机器学习探索详解

    这篇文章主要介绍了基于Python和Scikit-Learn的机器学习探索的相关内容,小编觉得还是挺不错的,这里分享给大家,供需要的朋友学习和参考。 你好,%用户名%! 我叫Alex,我在机器学习和网络图分析(主要是理论)有所涉猎。我同时在为一家俄罗斯移动运营商开发大数据产品。这是我第一次在网上写文章,不喜勿喷。 现在,很多人想开发高效的算法以及参加机器学习的竞赛。所以他们过来问我:”该如何开始?”。一段时间以前,我在一个俄罗斯联邦政府的下属机构中领导了媒体和社交网络大数据分析工具的开发。我仍然有一些我团队使用过的文档,我乐意与你们分享。前提是读者已经有很好的数学和机器学习方面的知识(我的团队主要由MIPT(莫斯科物理与技术大学)和数据分析学院的毕业生构成)。 这篇文章是对数据科学的简介,这门学科最近太火了。机器学习的竞赛也越来越多(如,Kaggle, TudedIT),而且他们的资金通常很可观。 R和Python是提供给数据科学家的最常用的两种工具。每一个工具都有其优缺点,但Python最近在各个方面都有所胜出(仅为鄙人愚见,虽然我两者都用)。这一切的发生是因为Scikit-Learn库的腾空出世,它包含有完善的文档和丰富的机器学习算法。 请注意,我们将主要在这篇文章中探讨机器学习算……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明