科学计算可视化是20世纪80年代后期提出并发展起来的一门新技术,随着立体可视化的出现,可视化技术更是被推上学术研究的舞台,成为众学科瞩目的焦点。 大量精确的数据是使可视化效果准确的前提,然而由于测量条件、技术水平等种种客观因素的限制,大量可视化数据的采集工作成为一个难题。与之相反,小样本数据和信息随处可见。 本文首先对小样本可视化数据的特点进行了研究,然后详细分析了小样本可视化数据预测的复杂性和特殊性,并对众多中外现代建模方法进行了剖析,最后通过比较、验证给出了几种小样本可视化数据的预测方法,重点提出了将前沿的智能方法——灰色预测方法和神经网络技术相结合的思想。 本文在对灰色系统理论和神经网络,尤其是RBF网络进行深入研究的基础上,建立了灰色GM(0,N)与RBF神经网络相结合的SGRBF静态预测模型,此模型利用灰色GM(0,N)模型专门针对“小样本”的特性以及RBF网络良好的非线性函数逼近能力,和不易陷入局部最优解的特点来更好的解决问题。同时为了使预测精度更高,将采用FCM-ROLS算法来训练网络。 本文还建立了一种最优初始条件的新陈代谢GM(1,1)动态模型,并在此基础上建立一个更实用、预测精度更高的DGRBF动态预测模型,此模型能对小样本数据进行长期动态的精确预测。 同时,本文对可视化后期计算出的结果数据运用神经网络和专家系统的相关理论进行了后处理,提出了一个基于神经网络的可视化结果数据后处理专家系统NVDIPES。 文中运用Matlab和VC++进行混合编程,给出一个预测及后处理系统的集成环境,并通过实际运用证明了文中提出的多种预测方法是切实可行的,而且后处理过程是高效、直观的。