17、数据可视化中的变换、映射与降维技术

数据可视化中的变换、映射与降维技术

1. 流场可视化基础

在流场可视化工作中，大量研究致力于识别流场中的奇点（即流速为零的点），并描述这些点周围的旋转和压缩/膨胀情况。通常，存在一套计算雅可比矩阵不变量的数学体系。其中，有两个不变量尤为重要：
- 雅可比矩阵的迹（Trace） ：记为 $Tr(J) = J_{11} + J_{22}$，它也是特征值之和。
- 雅可比矩阵的范数 ：$Tr(J J^T) = \sum_{k,l} J_{kl}^2$，是特征值平方大小的总和。
- 雅可比矩阵的行列式 ：它是特征值的乘积，对理解流场结构也很关键。

在位移场的情境下，我们常常关注逐点的总变形量，这可以通过对称化雅可比矩阵来捕捉：
$\varepsilon = \frac{1}{2}(J + J^T)$
$\varepsilon$ 的范数会产生标量，用于总结这种变形。

在流场中，向量场的涡度表示每个点的旋转速率。在二维情况下，涡度的计算公式为：
$\omega_z = \frac{\partial v_x}{\partial y} - \frac{\partial v_y}{\partial x}$
涡度通常被视为垂直于平面的向量，其方向（向内或向外）取决于符号。在三维情况下，涡度表示为速度的旋度：
$\omega = \nabla \times v$
该向量沿着旋转轴方向（根据右手定则确定）。在二维和三维情况下，涡度计算分别会得到另一个标量或向量场。结合极值分析或等值面等方法，标量不变量（