在信息量复杂的可视化界面,即复杂信息界面中,若要提取复杂信息的层级结构和关联属性,视觉系统需要能够同时整合多种元信息。全局编码作为有效提取信息聚合属性的视觉统计手段,是提供总体感知的可行算法。而且在目前信息显示维度和数据维度日趋复杂的时代背景下,视觉特征重叠的全局编码感知正确率和精度是用户能否做出最优决策的重要指标。因此,对全局编码感知量化的研究能够为复杂信息界面的设计与评价提供更系统和全面的科学基础。本研究以复杂信息界面设计需求为研究导向,以量化任务驱动的全局编码感知差异为研究目的,以认知心理学和设计学的相关研究方法为技术手段,找出感知差异拟合关系,进而总结出不同任务驱动的全局编码感知规律,最终形成基于不同全局任务的复杂信息界面设计评价方法。论文主要工作和创新点如下:（1）对全局编码感知基础和感知差异形成因素进行研究,包括对信息编码设计端和复杂信息界面信息显示端等进行总结分析,并对全局编码的产生机制、全局感知的层级分类、全局编码的感知策略以及全局编码的量化感知基础等进行深入探讨。为复杂信息界面全局编码的感知差异量化研究奠定理论基础,并提供量化感知实验所涉及的实验范式的使用依据。（2）对复杂信息界面视觉任务、交互任务以及分析任务等进行分类,并基于运算对象分类方法,对信息维度进行整合,进而构建不同的信息维度与全局任务的映射关系,最终创建针对复杂信息界面的全局任务集。为建立不同的全局任务与全局编码的表征关系奠定研究基础。（3）分别开展识别任务驱动、模式判断任务驱动和量级总结任务驱动的全局编码感知差异量化实验研究,最终构建不同任务驱动的信息界面全局编码物理变化量与感知变化量的拟合关系,得到不同任务驱动的全局编码量化感知差异规律。为形成基于不同全局任务的信息界面设计评价方法提供科学的数据理论支撑。（4）根据不同复杂信息界面任务所得到的的编码感知规律和感知差异拟合关系,形成针对复杂信息界面设计的全局编码决策集,并基于此集合设计相关复杂信息界面实例。除此之外,将加权平均算子和VIKOR相结合的综合评价方法嵌入界面综合评价数据库,验证了全局编码决策集的有效性及合理性。

随着互联网的飞速发展,海量数据富含着巨大价值的同时也使得数据关系日渐复杂。信息可视化可以有效的帮助用户挖掘机信息的关联关系。因此,如何利用可视化的方法挖掘大数据之间的关系并应用于实际,已经成为当今学术界与各行业研究的热点问题。但是高维多元的数据可视化的信息呈现往往会导致页面承载的信息量过大,从而弱化信息的关系表征,造成了用户识别效率的下降。增加了时间表征维度的动态可视化可以在一定程度上缓解高维数据可视化页面局限性问题。本研究旨在运用动态可视化来更好地展示数据之间的信息关联,辅助用户进行高维数据挖掘。本文从信息关联出发,对动态可视化的设计表征和视觉感知进行深入探讨,尝试建立“多维信息-动态表征-视觉感知”之间的映射关系。本文从复杂信息属性与统计学的角度对大数据进行解构,提出了信息关联的三种基本类型:层次关联、网络关联和时间关联,并着重分析其关联特征。在高维信息动态可视化表征的研究中,本文从表征的交互主动性上将其分为基于时间维度的动态可视化和基于交互维度的动态可视化。针对基于时间维度的动态可视化提出了静态变量与动态变量的表征策略,针对交互维度的动态可视化提出了交互反馈形式和交互准则。围绕用户的视觉感知,以提高信息关联认知效率为导向,提出了针对信息关联的动态表征展示策略,该策略有助于提升大数据可视化关联性展示的可读性。为了验证大数据信息关联性的动态展示策略的有效性,从实际的交通大数据出发完成设计实证。结果表明,本文提出的动态展示策略可以有效降低用户在信息关联识别过程中的认知负荷,提高认知效率。本文的研究内容在一定程度上填补了大数据信息关联性可视化方法的理论空白,可为可视化实践提供理论参考。

随着互联网、云计算、交互技术的迅猛发展,当今的大数据可视化不仅需要呈现海量数据信息,还包含了高时效、多维度的动态交互形式,但现有的大数据可视化鲜有考虑用户的认知需求,导致了用户在“读取”海量数据时大量有价值的信息被湮没在可视化的“复杂度”之中。因此,基于用户认知的大数据可视化复杂度研究是当前设计领域与数据可视化领域交叉研究中亟待解决的关键问题。本研究以用户认知为切入点,通过行为和生理实验方法,分别从认知、数据、视觉、交互四个方面全面地展开了基于用户认知的大数据可视化复杂度研究。研究成果为大数据可视化复杂度优化问题提供了有效的研究思路和方法指导。课题重点开展以下研究工作:（1）针对性地研究了可视化用户的认知加工过程与认知负荷,及其包含的典型认知机制;构建了大数据可视化的信息加工模型、认知负荷结构模型和大数据可视化的认知复杂度结构模型,从根本上梳理出了可视化认知复杂度的构成因素。（2）建立了基于认知空间的数据结构并进行数据结构重构示例验证;提出了基于认知空间的数据结构与图元编码表征映射关系,解开了从数据到可视化的“黑匣子”,并通过实验研究了多属性编码数量和叠加形式对于认知的影响。（3）通过多个行为与眼动实验确定了构成大数据可视化视觉复杂度的客观属性和主观因素,并提出了视觉复杂度的分层映射理论。研究证明:视觉复杂度本质上是由用户对于视觉元素的组块能力和块强度决定的,熟悉度越高,组块强度越高,视觉复杂度越低。这一结论为视觉复杂度的相关研究做出了理论贡献。（4）从交互操作、交互行为、到交互逻辑三个层次分析了大数据可视化的交互复杂度;建立了大数据可视化整体复杂度的结构模型,提出了详细的复杂度优化设计方法、设计流程和逆向解析方法,并应用于案例得到验证,为大数据可视化的设计与分析提供准确、快速的指导方法。

随着大数据技术的发展,人们使用数据采集设备可以获取到越来越完整的交通数据。可视化与可视分析技术能够帮助用户以视觉的形式从复杂海量数据中提取可用信息,实现数据的有效分析。因此,通过地图与可视化组件加速交通数据分析过程,以支持人对交通态势的认知与决策是交通数据可视化与可视分析的根本目标。本文以该目标为导向,融合多学科的理论,研究了适用于交通领域的理论分析模型与数据表征方法。针对目前交通数据可视分析的不足提出了基于地图空间进行嵌入式编码的新思路。本文主要研的究内容及贡献如下:（1）对交通大数据的基础数据体系、信息特征做了分析,阐述了数据可视化领域相关理论模型与时间、空间、多维范式下的交通数据可视化方法。（2）基于态势感知理论,阐述了交通数据在态势感知不同层次上的分析任务,提出了交通领域的数据可视化模型,并对其中关键步骤做了剖析。（3）根据交通数据视图表现空间的不同,将地理空间和抽象空间作为可视化的两个子维度研究了可视化模型中交通综合统计数据的可视化设计方法与合适的的交互方式。分别对1、地图空间中以点、线等图元进行数据编码以及2、抽象空间中不同变量水平下的交通数据可视化表征方法进行了研究。（4）最后,针对目前交通数据大多采取“多视图窗口策略”,脱离地图空间而造成“视觉认知脱节”的问题,提出了一种基于地图空间的交通流集成编码的新的设计形式。和地图空间中以点、线等图元进行数据编码的方式不同,集成视图的设计方式将具有复杂关联性的统计型数据编码到地图空间,打破了传统地图可视化只能表达单一数据状态的局限性并且减少了界面视觉空间占用。本文所提出的交通数据可视分析方法以地图空间作为探索环境,通过可视化结构内嵌入地图的方式将时间事件流与地图进行融合,使得地图视角具备展示整体时空特征的能力。用户可以在地图空间对交通态势感知层、理解层和预测层数据信息进行综合理解。

近年来,大数据时代的到来给我们带来了无限机遇,同时也给大数据可视化领域的设计师和工程师带来巨大挑战。虽然大数据在针对特定情境的新工具和技术开发层面已经取得了一定成果,但在用户认知和交互层面的关注较少。目前没有一个将交互概念化的框架理论来系统的指导可视化交互设计,也少有研究关注于设计师在进行可视化交互设计时的思维过程和策略原则。针对现有研究的局限,本文以用户认知为出发点,提出一个通用的将交互概念化的框架。该交互框架由许多有助于设计思维的概念元素组成,包括交互的层级结构、耦合模型、分类方法、行为要素。这样系统的交互框架可以提供一致性的术语,对于大数据背景下的涉及庞大高维的信息和复杂的认知活动的可视化交互设计有很好的指导性。本文的主要研究内容和创新点为:（1）根据不同粒度将大数据可视化中的交互概念化成一个多层次的结构,该结构包括物理事件、交互行为、具体任务和认知活动四个层次。（2）通过阐述可视化交互认知机制,该机制包含心理空间、表征空间、交互空间和计算空间四个空间,进而提出大数据可视化中交互认知耦合模型及影响耦合强度的核心因素。从交互空间切入分析,从纵向上,系统地总结了典型大数据可视化中的交互行为种类,结合应用实例,分析它们的认知效用以及如何影响和支持用户认知过程;从横向上,基于用户输入和界面输出两个角度,提出交互要素。（3）首次提出大数据可视化交互模式的构建方法,该方法基于交互层次结构,从交互高层次自上而下到低层次进行构建,四个阶段的构建过程将交互模式置于设计师思维的核心,每一阶段都有与之对应的交互框架中的元素作为参考,来帮助设计师系统地思考。（4）提出界面评价维度与眼动指标映射的评价方法。通过选取一组全球疾病数据,对其进行交互模式构建方法的实践,设计出用户交互认知耦合强度高的可视化解决方案,并开展具体的眼动追踪绩效实验,验证了交互模式的构建方法的可行性,并提出评价维度的显著眼动指标。

色彩是界面应用中最有效的信息编码方式,通过色彩层级映射信息层级的方式能够帮助用户快速识别信息,提高认知效率。本文重点研究色彩应用过程中色彩-面积特征整合对视觉感知的影响,探究面积改变视觉显著性的界限,目的在于克服认知容量7±2的限制,保障用户高效识别目标信息,为扩大色彩编码范围和发挥色彩的引导性作用提供支持。本文以色彩显著性层级理论为基础,对色彩的功能应用进行研究,并从三个方面展开:第一、采用调整法研究各层级色彩差异恰可察觉时的阈值数据,通过绩效分析得到各层级色彩的最小可辨识面积。第二、在色彩可辨识面积的基础上,通过限定法实验探究色彩面积大小对视觉捕获的影响,得到面积影响视觉捕获优先级的界限,提出合理的色彩选择和面积搭配建议。第三、将实验结果应用于监控界面的视觉要素中。本研究基于高层级小面积色彩与低层级大面积色彩的差异化设计,分析了两类色彩分别对目标信息进行编码时的反应时和正确率,从而验证在特定的层级间面积比例条件下,低层级色彩与高层级色彩具有相同的显著性;通过分析高层级小面积目标对象在有无低层级大面积色彩干扰下的反应时与视线轨迹,确定低层级干扰色彩的面积达到一定界限时,会对高层级目标信息的传递效率产生影响,并进一步验证行为实验所得到的层级内各色彩的感知强度的有效性。本文得到层级间色彩的视觉感知强度在面积变量上的比值,构建合理的色彩-面积搭配体系,帮助可视化设计奠定功能色板体系基础,为不同类别信息的色彩应用提供选色依据,并能够给用户提供高效准确的信息识别。

大数据时代带给我们的既是机遇也是挑战。随着信息技术的迅猛发展,数据获取的维度和规模都大大提升。高维多元数据作为一种广泛使用的数据存储形式,几乎无处不在。如何在有限的显示界面和人的视觉感知限制下,有效地可视化高维多元数据是一个挑战。在可视化信息传递的过程中,无论是编码端还是解码端,人始终是信息生成与获取的主体,位于可视化信息结构的顶端。因此,围绕人的认知特点,实现数据结构到视觉结构的有效映射是多元数据可视化所追求的根本目标。本研究以人—数据的有效交互为导向,以高维多元数据信息特征和人的视觉感知特征为切入点,以多元信息可视化界面为研究对象,以用户研究和模型度量作为检验方法,系统地研究了高维多元数据可视化的设计与评估方法。研究将理论研究、实证研究与设计实例相结合,本研究的成果可以为多元数据可视化的设计提供方法指导。本文的主要研究内容和创新点包括:（1）对多元数据可视化中整体编码的感知策略和认知偏差的产生机制进行研究,并对人—信息交互的信息空间、心理空间、计算空间、表征空间和交互空间中信息加工的分布进行深入探讨,构建了偏差-认知的分层映射模型。为有效性评估方法所涉及的研究范式提供了使用依据,并为可视化整体质量评估研究奠定了理论基础。（2）从可视化交互的宏观（系统）和微观（个体）层面,系统地分析了影响交互质量的因子及其关联属性,构建了用于评估多元数据可视化整体质量的评估模型。综合以用户为中心的实证度量和以数据为中心的模型度量,提出了多维均衡度量的概念以评估可视化的整体质量。提出了以认知为导向的多因子评估算法模型以度量可视化的交互效率。（3）重点研究了多元数据可视化中整体编码的感知有效性度量方法。分析了不同整体感知任务类型的信息提取模式,建立了可视化整体编码的研究范式。通过跨学科综合,创建研究范式与感知差异检测方法、用户响应、相关性度量三个维度间的映射,建立了整体感知任务驱动的度量方法体系,并通过实证研究验证了该方法的有效性。（4）基于理论分析,分别进行实证研究和案例设计。论文对标量场中颜色编码的梯度感知进行实验研究,研究结果为评估色彩映射对分布特性的敏感性提供了一个新的途径,可以用来推导出特定任务的颜色编码准则。论文还提出了一种使用交互式可视化东南大学博士学位论文系统来探索用户提取分布式视觉信息能力的评估方法,结合多维均衡度量,探索了动态网络趋势感知的有效性评估。基于实证研究结果和数据立方体技术,对地铁客流可视化进行实例研究,论文提出一种增强视觉特征的可视化编码设计方法,实现了用户能够在不同的聚合水平上探索多个空间和时间维度的隐藏模式。

随着人机交互的快速发展和人们对信息空间的不断探索,信息空间中的信息量不断增长,信息空间也越发庞大。用户在信息空间中容易迷失方向,无法高效获取所需要的信息,不能快速地建立各个显示页面和信息视场之间的联系,在各页面之间导航的过程中会存在不同程度的视觉感知不连贯性,此现象称之为“视觉迷失”效应。迷失严重影响用户在信息空间中获取决策信息线索的效率,“视觉迷失”和信息导航已成为人机交互领域当下研究的重点。通过研究发现,解决“视觉迷失”问题的关键是要增强页面在呈现过程中的视觉感知连贯性。将视觉感知连贯性理论同视觉导航技术相结合,可以为解决信息空间“视觉迷失”问题提供创新的思路和研究方向。为了更加有效的解决“视觉迷失”问题,本论文通过对信息空间中视觉导航相关理论和页面呈现中增强视觉感知连贯性技术的研究入手,提出了一种基于信息空间视觉导航的“色彩线索感知地标”设计方法。此方法充分利用了“色彩线索感知地标”在视觉认知与加工机制中的特点,以及在增强视觉感知连贯性方面的技术优势,用以有效消减信息空间中的“视觉迷失”效应,进而提升视觉导航过程中的决策绩效。本论文还对此设计方法进行了相应的实验研究,探索“色彩线索感知地标”信息空间视觉导航设计方法对增强视觉感知连贯性方面以及提升视觉导航决策绩效方面的影响效应,实验结果表明该设计方法可以有效增强信息空间页面呈现中的视觉感知连贯性,并显著提升信息空间视觉导航决策效率及准确度。最后基于理论和实验研究,将论文中提出的“色彩线索感知地标”信息空间视觉导航设计方法运用于疾控信息可视化设计创作当中。本论文通过将理论研究成果与设计实践相结合,为以后的相关研究奠定了基础,并为今后的信息空间视觉导航设计提供了方法论指导和参考。

在大数据为背景的人工智能时代,基于复杂网络的统计分析方法已成为当前研究热点,并积极推动了大数据可视化的发展。针对大规模数据的可视化组织结构,传统的可视化表征形式受限于信息空间约束,复杂网络的表征形式作为大数据可视化中高维度高复杂度的可视化表征形式出现,借助网络结构来呈现大规模数据的宏观视角。目前对于复杂网络的可视化表征研究还处在模糊探索阶段,其可视化表征研究缺少针对性的构建算法,且大多还停留在可视化工具的使用,计算结果的可视化表征与用户交互体验都受限于现有的可视化工具表征形式。因此,本文着眼于大数据信息可视化,遵从Tomas信息可视化分析推理流程,通过理论分析与实际案例计算相结合,从数据统计分析、数据可视化表征、数据交互认知分析的三个维度,对大数据信息空间复杂网络的可视化表征进行了系统研究。首先,提出了基于节点之间双向曝光率的复杂网络优化解析算法;其次,基于JavaScript语言开发了一种可供用户交互操作的复杂网络可视化平台,并成功运用于麻省理工学院的学生选课系统;最后,从用户认知行为、生理特征角度对复杂网络可视化表征绩效进行评价,提出并设计了一种眼动追踪的实验方法,以算法计算结果作为实验绩效评价标准,并以实验结论反哺于可视化编码的计算应用。论文具体工作如下:（1）基于图论、无标度复杂网络等相关理论,探究复杂网络的数据结构复杂度降维转化形式;进行数据清洗、数据相关性分析以计算复杂网络空间复杂度;提出了基于节点之间双向曝光率的复杂网络优化解析算法,建立信息单元关系矩阵分析,构建了基于信息节点、信息关系和时间属性的学科知识的复杂网络。（2）采用Gephi和Cytospace可视化工具探究多种布局算法的可视化表征形式,并在优选布局算法结果的基础上,基于Javascript语言开发了一种可供用户交互操作的复杂网络可视化平台,这是本文的重要实践成果;创新性的提出了一种基于T检验的复杂网络数据可视化表征的渗滤阈值约束计算方法,在不丢弃重要数据关系信息的基础上做信息流的渗滤阈值分析,并定义了节点的权重、数量编码以及边的权重、数量、距离编码。（3）借助于复杂网络的数据统计分析方法,对构建的学科空间网络进行节点信息流、网络信息集群划分、网络结构衍变、信息集群简化的计算分析,并对列表式的计算结果进行了可视化表征,将计算分析和可视化视觉表征结合。（4）创新性的将用户认知行为、生理特征的心理认知测评方法用于复杂网络可视化表征的信息流搜寻绩效评价。依据无标度网络理论和迪杰斯特拉算法计算网络节点信息流路径,设计了复杂网络信息流可视化编码的感知分层实验;借助于眼动追踪实验的行为指标和生理指标数据,证明了不同可视化编码对复杂网络信息流视觉搜寻绩效有干扰,并明确提出了不同可视化编码的使用建议;提出前趋节点并用实验数据验证了其辅助信息流认知决策的有效性。

近十年来,民航旅客的运输量和周转量显著增加,使得飞机需要面对更为复杂的飞行环境和更频繁的飞行任务。平视显示器（Head-up Display、简称HUD）作为飞机中的主要显示设备之一,可以减少飞行员低头查看仪表信息的次数,提高飞行的安全性。传统单一颜色的界面在不同的环境背景下存在局限性,因此提出色彩自适应HUD的方案。为了更好地指导色彩自适应HUD的设计,本文主要研究颜色在动态视觉搜索绩效的影响。首先,本文对HUD界面颜色的相关研究进行分析,对色彩基本理论和各类色彩空间数学模型进行总结,以色差作为衡量前背景色差异程度的指标,选择CIELAB色差公式进行后续研究;结合HUD使用任务,对动态视觉搜索的特征、要素进行分析。然后,通过进行两个实验并分析实验结果,对色相差、色相变化速率以及水平移动速度三个因素对动态视觉搜索绩效的影响规律进行总结。在此基础上,提出对色彩自适应HUD界面的设计指导:前背景色相差的选择需要考虑外部环境色彩的变化速率,认为45是比较适宜的前背景色相差值;当外部环境变化速率较慢时,可以通过增加前背景色相差值来提高搜索效率,当外部环境变化速率较快时,提升色差值对于搜索绩效的提升有限;水平移动速度越快,反应时越高,当目标刺激运动较快时,可以使用较大的前背景色差来提高搜索绩效。最后,通过真实场景中,对比色彩自适应HUD界面与传统单色HUD的搜索绩效结果表明:在运动变化快速的任务读取中,自适应色彩的HUD视觉搜索绩效比单色的更具有优势;在一般的视觉搜索任务中,自适应色彩HUD界面与颜色HSB（120,33%,33%）的绩效相当,明显优于颜色HSB（120,99%,33%）的单色HUD界面。