[发明专利]一种基于高阶网络的流场表示方法、系统及介质

说明书

本发明公开了一种基于高阶网络的流场表示方法、系统及介质，该方法包括：基于局部流场中连接数据块中粒子的高阶依赖关系和分布情况信息，构建分布矩阵；对分布矩阵进行聚合处理，将分布矩阵中的粒子由高阶状态聚合到高阶节点上，得到聚合矩阵；基于全局流场下聚合矩阵中粒子之间的转移关系，构建概率转移矩阵；基于分布矩阵、聚合矩阵和概率转移矩阵，构建三层高阶网络模型；对三层高阶网络模型进行优化处理，并基于优化后的模型生成流场表示结果。本发明通过建立三层高阶网络模型并对模型进行优化，能够在全局流场下提升流场可视化结果展示质量。本发明作为一种基于高阶网络的流场表示方法、系统及介质，可广泛应用于流场可视化技术领域。

技术领域

本发明涉及流场可视化领域，尤其涉及一种基于高阶网络的流场表示方法、系统及介质。

背景技术

流场是科学与工程模拟中产生的重要的数据场，比如大气海洋的模拟，飞机与汽车的数值模拟以及燃烧的模拟等等，对流场的可视化能够使这些数据模拟更加直观的被理解，而流场可视化也一直是科学可视化的热点与难点，现有的基于图的技术通常都有一个相似的构造过程，现有技术只是弥补了被低估的长期依赖，没有在每个区块内提供精细的行为水平信息，且未能合并高阶依赖关系之间连接，只捕获了流场局部的高阶模式，而不能描述流场的全局结构。因此，现有的技术不太容易扩展到支持数据分区、工作负载平衡和流场分解等任务上。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于高阶网络的流场表示方法、系统及介质，能够在全局流场下提升流场可视化展示结果的质量。

本发明所采用的第一技术方案是：一种基于高阶网络的流场表示方法，包括以下步骤：

基于局部流场中连接数据块中粒子的高阶依赖关系和分布情况信息，构建分布矩阵；

对分布矩阵进行聚合处理，将分布矩阵中的粒子由高阶状态聚合到高阶节点上，得到聚合矩阵；

基于全局流场下聚合矩阵中粒子之间的转移关系，构建概率转移矩阵；

基于分布矩阵、聚合矩阵和概率转移矩阵，构建三层高阶网络模型；

对三层高阶网络模型进行优化处理，并基于优化后的模型生成流场表示结果。

进一步，所述基于局部流场中连接数据块中粒子的高阶依赖关系和分布情况信息，构建分布矩阵这一步骤，其具体包括：

基于粒子之间存在的高阶依赖关系获取粒子在局部流场中连接数据块之间的转移关系，得到第一转移关系；

基于第一转移关系估计数据连接块的粒子数，构建第一向量；

基于第一转移关系获取粒子从连接数据块到高阶状态的分布情况信息，得到第一分布信息；

基于第一分布信息估计高阶状态中的粒子数，构建第二向量；

通过矩阵乘法对第一向量和第二向量进行逆运算，得到逆运算值；

基于逆运算值，构建分布矩阵。

进一步，所述基于全局流场下聚合矩阵中粒子之间的转移关系，构建概率转移矩阵这一步骤，其具体包括：

基于全局流场下，获取粒子在高阶节点之间的转移信息并进行分类，得到有效转移和非有效转移；

判断到属于有效转移，计算两个相交节点在相邻两个时刻的粒子数量变化，得到粒子的第一转移概率；

判断到属于非有效转移，通过掩模矩阵转换为有效转移，计算粒子的转移概率，得到粒子的第二转移概率；

结合第一转移概率和第二转移概率，通过列向量对相邻两个高阶节点在相邻两个时刻的粒子变化数量进行估计，得到粒子转移概率；

基于粒子转移概率，构建概率转移矩阵。