一种可视化界面的生成方法与流程

1.本发明主要涉及到数据可视化界面设计技术领域，特指一种可视化界面的生成方法。


背景技术：

2.在数据可视化界面设计技术中，气泡图与散点图的数量展示方式类似，是一种常用的数据可视化方式。气泡图与散点图的数量展示方式的不同之处在于，气泡图允许在图示中额外加入表示数据多少的变量，另外可以使用气泡图的色调展示簇内相似度。
3.在气泡图中，气泡由面积不同(指示样本数据量)和色调不同(指示簇内相似度)的圆形饼状图表示。气泡图可以表示每个类别中数据量的多少，也可以表示类内数据的相似程度。
4.但是，传统的数据可视化界面中，常规的气泡图虽然可以表示数据量的差异，然而却忽略了类内数据相似程度的度量，这就造成了气泡图中类内数据的相似程度缺乏直观显示，最终影响到显示效果和呈现效果。


技术实现要素：

5.本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、操作简便、可视化效果好的可视化界面的生成方法。
6.为解决上述技术问题，本发明采用以下技术方案：
7.一种可视化界面的生成方法，其包括：
8.获取目标数据序列；所述目标数据序列包括自组织映射对应神经元中映射的数据个数；
9.根据获胜神经元中的数据个数确定对应类别气泡的面积大小；
10.根据每个类别中最大值与最小值的比值来计算簇内相似度，并用指定的色调展示出来。
11.作为本发明的进一步改进：在获取目标数据序列之后，执行以下流程：
12.确定气泡图中气泡中心点的坐标；
13.根据所选取的坐标从所述目标数据序列中选取所述目标数值对应的数据量；
14.将簇内相似度与色调产生映射关系，簇内相似度越高则偏向于其中一个色调，簇内相似度越低则偏向于另一个色调。
15.作为本发明的进一步改进：采取无监督聚类的方式进行类别数量的估计。
16.作为本发明的进一步改进：采取自组织映射的方式进行类别数量的估计；即通过竞争性学习，输出神经元之间竞争激活，结果是在任意时间只有一个神经元被激活，这个激活的神经元被称为“胜者神经元”。
17.作为本发明的进一步改进：竞争过程是通过神经元之间的横向抑制连接实现，并以拓扑有序的方式自适应地执行这种变换。
18.作为本发明的进一步改进：在竞争性学习过程中，神经通过微调来适应各种输入模式或输入模式类别。
19.作为本发明的进一步改进：通过调整后的即获胜的神经元的位置变得有序，在网格上创建对于输入特征有意义的坐标系。
20.作为本发明的进一步改进：所述自组织映射的方式形成输入模式所需的拓扑映射；即在输出平面上设定4个中心点，通过各个中心点的领域内特征数据的多少来估计调制类别的数量。
21.作为本发明的进一步改进：所述自组织映射的过程包括以下流程：
22.初始化：所有连接权重都用小的随机值进行初始化；
23.竞争；即对于每种输入模式，神经元计算它们各自的判别函数值，为竞争提供基础；具有最小判别函数值的特定神经元被宣布为胜利者；
24.合作；即获胜的神经元决定了兴奋神经元拓扑邻域的空间位置，为相邻神经元之间的合作提供了基础；
25.适应；即受激神经元通过适当调整相关的连接权重，减少与输入模式相关的判别函数值，使得获胜的神经元对相似输入模式的后续应用的响应增强；
26.继续；继续回到上述竞争步骤，直到特征映射趋于稳定。
27.作为本发明的进一步改进：所述经过自组织映射后，每个神经元会聚集相应的数据样本，数据样本的数量决定了对应气泡的面积，数据样本的最大值与最小值的比值决定了气泡的色调；数据样本的数量与气泡的面积呈正比。
28.与现有技术相比，本发明的优点在于：
29.本发明的可视化界面的生成方法，原理简单、操作简便，其提供了一种由面积不同(指示样本数据量)和色调不同(指示簇内相似度)的圆形饼状图组成的气泡图可视化界面，能够有效解决气泡图中类内数据的相似程度缺乏直观显示的问题，可视化数据呈现效果好，适用范围广。
附图说明
30.图1是本发明方法的流程示意图。
31.图2是本发明在具体应用实例中的原理示意图。
具体实施方式
32.以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
33.如图1所示，本发明的一种可视化界面的生成方法，其包括：
34.获取目标数据序列；所述目标数据序列包括自组织映射对应神经元中映射的数据个数；
35.根据获胜神经元中的数据个数确定对应类别气泡的面积大小；
36.根据每个类别中最大值与最小值的比值来计算簇内相似度，并用指定的色调展示出来。
37.在具体应用实例中，本发明在获取目标数据序列之后，执行以下流程：
38.确定气泡图中气泡中心点的坐标；
39.根据所选取的坐标从所述目标数据序列中选取所述目标数值对应的数据量；
40.将簇内相似度与色调(如黄红)产生映射关系，簇内相似度越高则偏向于其中一个色调(如黄色调)，簇内相似度越低则偏向于另一个色调(如红色调)。
41.在具体应用实例中，本发明进一步采取无监督聚类的方式进行类别数量的估计。在进行类别数量的估计时，本实例采用的算法是自组织映射(som)，可以理解，在其他实施例中，也可以根据实际需要采用其他方式来进行，只要能够满足本发明的实际需求即可。
42.当采用自组织映射(som)方式时，所述som是竞争性学习，输出神经元之间竞争激活，结果是在任意时间只有一个神经元被激活，这个激活的神经元被称为“胜者神经元”。
43.上述步骤中，竞争过程是通过神经元之间的横向抑制连接(负反馈路径)实现，并以拓扑有序的方式自适应地执行这种变换。
44.上述步骤中，在竞争性学习过程中，神经元有选择性地微调来适应各种输入模式(刺激)或输入模式类别。
45.通过上述调整后的神经元(即获胜的神经元)的位置变得有序，并且在该网格上创建对于输入特征有意义的坐标系。
46.上述步骤中，所述som形成输入模式所需的拓扑映射。在输出平面上设定4个中心点，可以通过各个中心点的领域内特征数据的多少来估计调制类别的数量。
47.在具体应用实例中，上述自组织映射的过程包括以下流程：
48.初始化：所有连接权重都用小的随机值进行初始化。
49.竞争；即对于每种输入模式，神经元计算它们各自的判别函数值，为竞争提供基础；具有最小判别函数值的特定神经元被宣布为胜利者。
50.合作；即获胜的神经元决定了兴奋神经元拓扑邻域的空间位置，从而为相邻神经元之间的合作提供了基础。
51.适应；即受激神经元通过适当调整相关的连接权重，减少与输入模式相关的判别函数值，使得获胜的神经元对相似输入模式的后续应用的响应增强。
52.继续；继续回到上述竞争步骤，直到特征映射趋于稳定。
53.上述步骤中，经过自组织映射后，每个神经元会聚集相应的数据样本，数据样本的数量决定了对应气泡的面积，数据样本的最大值与最小值的比值决定了气泡的色调。数据样本的数量与气泡的面积呈正比，本实例中，数据样本最大值与最小值的比值越高则偏向于黄色调，比值越低则偏向于红色调。
54.在该步骤中，每个神经元的坐标由左到右，由上到下依次为[1,4],[2,4],[1,1],[2,1]，色调根据数据样本的数量由黄到红均匀分布，色条的均匀分布显示在气泡图右边显示出来。
[0055]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。