[发明专利]高维数据集可视化方法及装置、电子设备、存储介质

说明书

本公开涉及高维数据可视化技术领域，提供一种高维数据集可视化方法及装置、电子设备、存储介质，应用于船体型线设计，方法包括：获取用户配置的参数和高维数据集，参数包括降维维度、流形学习降维方法、高维数据集的问题特征；基于流形学习降维方法和问题特征，对高维数据集中的样本进行降维处理，得到低维数据集；基于降维维度，确定对应的可视化类型，并根据可视化类型对低维数据集进行可视化展示。本公开可适用多种场景，有效帮助建模人员提升对船型设计数据的认知，提升代理模型建模的有效性和经济性，有效帮助数据分析人员对数据集的质量和数据分布情况建立正确、直观的认知，为后续的数据建模提供更加有效和有针对性的决策信息支持。

技术领域

本公开涉及高维数据可视化技术领域，特别涉及一种高维数据集可视化方法及装置、电子设备、存储介质。

背景技术

传统的船舶设计本质上是一种经验设计，最终的决策结果很大程度上取决于决策者的主观经验和知识结构水平。其中，专家咨询法(Delphi)以专家的主观判断为决策依据，以“分数”、“指数”、“序数”和“评语”等作为评价准则，是一种简单、缺乏理论性和系统性的方法，且难以保证评价结果的客观真实性。层次分析法(Analytic Hierarchy Process，AHP)用于研究结构更为复杂的多目标决策问题，它可以把定性问题定量化，使得评价结果更趋于科学和合理，该方法通过两两比较评价指标，得出反映各属性相对重要性的判断矩阵，因而可靠度高、误差小，其不足之处是：由于受到决策者的知识结构、个人偏好和评判水平等的限制，判断矩阵难以满足一致性要求。

随着先进智能技术的出现和发展，科学合理的决策方式被引入了船舶设计过程中，决策支持系统(Decision Support System，DSS)的概念将决策理论推向了一个新的发展高潮，在系统工程和管理科学等领域取得了很大的成果，常用于解决半结构化和非结构化的复杂信息系统决策问题。近年来，基于数据仓库(Data Warehouse，DW)的联机分析处理(Online Analytical Processing，OLAP)和数据挖掘(Data Mining，DM)等先进智能技术的出现为DSS的发展开辟了新的途径。

船型决策支持系统由数据库和数据库管理模块、模型库和模型库管理模块、知识库和知识库管理模块、数据仓库和数据仓库管理模块、数据挖掘模块、知识发现模块以及人机交互等模块组成。其中，数据挖掘和知识发现模块负责对数据进行查询、分析、开采、选择、评价等操作，并采用遗传算法、神经网络、统计分析、机器学习、模糊决策等智能技术挖掘出隐藏在其中的决策信息。

智能技术多以数据为驱动，如何利用企业累积的船型数据以对设计人员提供高效的参考是船型数据挖掘的主要研究内容。当前研究中，多考虑从累积数据中选择与设计需求高度相关的船型作为母型对船型设计进行指引。但这对数据的利用率极低，仅有与设计需求高度相关优秀船型才被利用，且没有考虑选出船型之间的相互联系。

引入基于人工智能技术的代理模型训练技术是解决上述问题的关键技术之一。考虑到船型试验或实测数据是有限的现状，故而代理模型的训练可以是通过计算流体力学(Computational Fluid Dynamics，CFD)求解工具提供的仿真数据样本，试验或实测数据常用于修正CFD求解模型或边界条件。通过该技术，船型数据库中的绝大多数数据均可被利用起来，指导设计人员进行船型设计，使得数据的利用率大幅提升。且代理模型的评估时长远远小于CFD仿真计算，代理模型的使用可以极大程度的缩短工程设计周期。

然而，基于人工智能技术的代理模型训练技术的引入固然有效解决了数据利用率和设计周期漫长的问题，但代理模型的训练和使用也存在一些问题。

一方面，船型设计参数通常维度较高，传统的1～3维数据可视化通常无法完整的描述案例之间的分布情况，需要利用数据降维技术，将高维数据做降维处理。