城市園林景觀設計過程模塊化信息融合模型

馮瑞芳，易曉園

(四川大學錦城學院，四川 成都 611731)

1 引言

園林景觀環境是一個復雜系統，現已成為影響城市建設、市容環境建設與城市管理水平的關鍵因素之一[1]。為貼合現代景觀高品質和高效率的建造需求，應將設計過程以模塊化形式進行呈現，能夠增強創新能力、拓展設計資源[2-3]。但模塊化包含的數據量較多，對信息進行有效融合是現階段設計人員需要探究的重要問題。

針對信息融合問題，文獻[4]設計了基于NARX神經網絡的分簇數據融合模型。將NARX神經網絡時序預測模型與基矢量量化下的分簇路由協議相融合，從時間和空間相關性上消除冗余，把融合后的少量數據傳輸給匯聚節點，增強數據收集效率。但該模型融合精度較差，實用性不高。文獻[5]設計了自適應模糊C均值聚類的數據融合模型。將自適應模糊C均值聚類應用到數據融合中，通過引入自適應系數以發現不同形狀和大小的聚類子集，將卡爾曼濾波原理與基于多層感知機的神經網絡預測法應用到誤差協方差估計中，提高融合可信度。但該模型計算效率較低，難以滿足實際場景計算需求。

針對上述問題，本文以城市園林景觀建設為背景，創建一種設計過程模塊化信息融合模型。

2 三維城市園林景觀生成

為協調城市園林景觀整體布局、提高園林景觀設計效率，利用遙感傳感器生成城市園林景觀三維景觀。

由于運用遙感技術得到的城市初始圖像具備周期性噪聲與數量眾多的冗余、山體陰影等[6]，為完成遙感圖像的準確空間定位，要對城市初始遙感圖像實施預處理，并對待處理圖像展開分割和重組。在處理較多噪聲圖像的過程中，首先對圖像實施平滑處理，在控制噪的聲同時求導，再完成空間微分算子處理。

數字高程模型運用一組有序數值序列來定義地面高程實體模型，此模型包含數字化的各類地貌因素、起伏度、起伏更改率、坡向、坡度在內的線性與非線性組合的空間分布數值，也是得到正射影像對的根本前提。因此，本研究考慮組建效率與光滑度，使用克呂金內插法[7]創建數字高程模型，具體流程為：使用遙感圖像定位數據集合描述遙感圖像定位分布散點示意圖；依照分布散點圖分布樣點個數與勻稱水準，挑選常規克里金差值或塊克里金插值法，按照采樣點間距與采樣點全局空間分布形態實施恰當差值；根據數字高程模型范圍，定義樣點數據集合外接矩形形態，得到數據高程模型最終表達形式；標記處理生成的數字高程模型，同時探測是否含有失真現象。

數字正射影像擁有準確的平面方位，具有很強的二維直觀性。為將以上優點發展至三維，代入人工視差輔助機制，融合擁有顯著優勢的數字正射影像和基于數字高程模型的園林輔助影像，構成立體正射影像對，從而生成具備直觀性與高精度的三維城市園林景觀。

按照上述過程利用正射影像對生成三維城市園林景觀，其基礎原理為將正射影像對內的三維影像和三維園林景觀實施映射處理，具體步驟為：按照城市三維園林景觀設計需要，制定相應的正射影像對，同時產生三維影像，并將其當作三維城市園林景觀設計對比影像；依照對比影像地形起伏度、起伏更改率、坡向、坡度等狀況，依次設計相對三維景觀，各類因素均要完全對應；對三維景觀建筑物紋理優化與地表附屬植物上色，對構成的三維景觀依據城市布局進行恰當調整。

三維園林景觀生成時的最佳紋理路徑選擇對增強景觀生成的即時性與紋理真實性具有重要作用，將三維園林景觀生成過程中的紋理路徑擇取問題變相看作多收斂條件下的最佳路徑規劃問題[8]，使用具備正反饋原理的蟻群算法完成對模型的構建。

從真實問題出發，明確紋理路徑擇取空間范圍，給出表達最佳問題規模的完全圖賦權鄰接矩，模仿螞蟻在最佳問題規模的完全圖各條路徑內完成特征點標記，將螞蟻個體當作智能體，同時設定蟻群算法內的各個螞蟻擁有如下特點：每次遍歷完全圖內的完整路徑，各個螞蟻在路過的路徑上均殘留特征信息素，螞蟻后續挑選的路徑和特征信息素相關。

為防止特征信息素過多而埋沒啟發信息，在螞蟻遍歷一個完整周期后，要更新信息素，那么t+n時段在路徑(i，j)內的信息量可通過式(1)進行調節

τij(t+n)=(1-ρ)·τij(t)+Δτij(t)

(1)

其中

(2)

其中，ρ是設置的信息素揮發因子，m是按照優化問題規模設置的蟻群個數。通常m值越高，獲得的最佳解精度越好。

為確保蟻群算法結果真實性，要設置恰當的信息素更新方法，各個螞蟻遍歷一條已知的紋理路徑時，要按照紋路路徑長度更新該路徑所涵蓋各條邊內的信息素濃度，信息素更新過程為

(3)

式(3)為信息素更新值的定量運算公式，CK表示k只螞蟻所創建的紋理路徑長度總和，Q具備一定不確定性，通常設置成1。

3 城市園林景觀設計過程模塊化分析

由于城市園林設計是一個復雜的系統化過程，一個小失誤都能給后續設計工作帶來不可估計的損失。因此，在獲取三維景觀數據后，需要設計人員在設計初始階段規劃細致有效的項目計劃。一般方法例如關鍵路徑法、甘特圖等均有相當程度限制性，難以直觀定義設計運行活動依附關聯和耦合迭代關聯[9]。因此，本文立足于集合論角度，將園林景觀規劃設計過程通過相關設計流程構成的繁雜集合。在這一過程中，上下游活動間具有不同水平的數據耦合關系。信息依附程度不同，設計活動間就會具備模塊化特征，將園林各區域依照模塊化組合模式打造出表達不同生活習慣、主體鮮明的現代化城市園林景觀。

從兩種維度分析景觀設計過程：一是過程維，就是根據設計活動間的信息依附，把各個設計活動當作固定輸入轉變成輸出的個體，上下游設計規劃之間信息的交換；二是語境維，定義每個設計活動的設計規模與資源。設計規格可獲得設計參變量、設計對象與設計所需符合的收斂條件，是設計園林景觀的基礎內容。設計資源代表設計過程所需的工作人員、設計經驗與工具。

4 信息融合模型構建

由于上文城市園林景觀設計過程模塊化組織架構包含較多數據，因此，利用遺傳神經網絡下信息融合模型，對三維景觀生成數據和模塊化數據展開融合，直觀清晰呈現城市園林景觀全局架構，完整評價園林景觀建設過程，保證最優景觀設計成果。

遺傳算法是綜合自然選擇、競爭與群體遺傳理論為一體的全局優化方式。將求解問題自變量當作基因，實施編碼組成染色體，在染色體集合中按照個體適應度大小采取最佳評估[10]。在搜尋時不停利用選擇、交叉、變異三類遺傳算子完成新個體生成與繁殖，最終獲得最佳個體。

染色體編碼一般使用二進制位串編碼模式，網絡節點內的權重都是實數。在算法中進行編碼都是實數編碼，降低字符串長度。

種群初始化內初始群體的隨機性通常導致解空間分布不均勻，需預先把優化問題初始解變換成個體，在問題解空間內使用人工方式生成初始種群其余個體，提升初始群體個體形態階次，模式個數較多且具備多元性，恰當挑選字符長度與群體規格，就能在初始幾代群體內找出每個極值點所處范圍，增強搜尋速率。

遺傳算法將適應度函數當作進化目標[11]，且僅能向適應度函數值變大方向進化，適應度函數和目標函數間要實施合理變換。進化時的網絡偏差為一個非零正數，然后假設種群規格是N，種群內個體是fi，F(fi)表示個體適應度數值，個體fi選擇幾率Pi計算解析式為

(4)

下面詳細描述選擇算子的設計過程：

首先算出累積概率Pi

(5)

在區間(0，1)中生成一個隨機值θ，如果滿足θ∈(Pi，Pi-1)，個體fi進入下一代種群。重復上述步驟，便能獲得子代種群需要的N個染色體。

在此類選擇方式基礎上，擁有較高適應值的個體被選擇的幾率較大，較低適應值個體也具有被挑選的可能性。在選擇時引入最優選擇策略，將各個世代的最優個體直接存留至子代。

交叉與變異算子內擁有兩個關鍵參變量：交換幾率Pc與變異幾率Pd。對2個參變量的擇取對算法的全局性能有至關重要的作用。為防止出現早熟收斂，使用自適應Pc與Pd方式，Pc、Pd按照解的自適應函數變化而改變，過程如下

(6)

(7)

其中，fmax是最高適應度，favg是適應度均值，f′是交叉個體內適應度函數較高個體適應度，f是突變個體適應度。

交叉計算是最關鍵的遺傳操作，按照交叉幾率Pc挑選父代染色體，并利用交叉生成全新的染色體，不斷拓展搜尋范圍，最終實現全局目標搜索。這一過程中，使用算術交叉，能確保生成的后代在兩個父代染色體之間。算術交叉是根據凸搜尋空間的關鍵特性，對解空間D內的隨機兩個點x1、x2進行如下的線性組合

αx1+(1-α)x2α∈[0，1]

(8)

依照該特點，假設x1、x2表示交叉計算的父染色體，則生成的后代是

(9)

其中，α是隨機常數，取值范圍為[0，1]。

染色體是實數編碼，其變異過程如下

染色體Xi基因位xi變異過程是在區間[x1，x2]任意擇取一個數x替代xi，區間[x1，x2]的計算表達式為

(11)

其中，xmax、xmin是xi數值選擇的上下限，Pd是變異幾率。由此可以看出，適應度高的個體變異區間較小，適應度低的個體變異區間較大，這樣在保證降低變異操作對優秀個體損壞的同時，還能確保遺傳算法的搜尋性能。

在此基礎上，訓練反向傳播(Back Propagation，BP)神經網絡實現信息融合處理。BP神經網絡使用三層架構如圖1所示。

圖1 BP神經網絡架構圖

BP神經網絡基本計算過程如下：

構建BP神經網絡架構與輸入樣本網絡架構，包含節點層數，每層節點個數。在[-1，1]區間中初始化權值與臨界值，并在區間內明確網絡學習速率。前向計算輸入對輸出層的網絡輸出，隱含層第j個節點輸入是

(12)

其中，oi是輸入層i的節點輸入，Wji是隱含層節點j和輸入層節點i連接權值。

將隱含層節點j的輸出解析式描述成

(13)

輸出層節點k的輸入是

(14)

其中，Vkj是輸出層節點k和隱含層節點j的連接權值。

在此基礎上將網絡偏差函數定義成

(15)

其中，tk是預期輸出，yk是實際輸出，k是輸出層節點個數。

標準BP算法本質上是一種梯度下降尋優算法，通常會讓學習過程產生振蕩，收斂較慢[12]。學習因子的挑選也相當重要，過大與過小均會對收斂速率產生深刻影響。本文使用動量法與學習因子自適應調節修改權值，并反復采取上述步驟，直到精度完成預期要求為止。

訓練好BP網絡以后，就能對收集的遙感傳感器數據與模塊化進行信息融合處理，基于遺傳神經網絡的信息融合模型如圖2所示。

圖2 信息融合模型示意圖

5 實驗分析

為驗證上述城市園林景觀設計過程模塊化信息融合模型的實際應用性能，通過OPNET設計如下實驗。

實驗環境如下：在景觀園林內隨機安置遙感傳感器，各個節點最大傳輸距離是65m，原始能量是0.3J。

實驗以模型穩定性和能耗為指標。為避免實驗結果的單一性，將文獻[4]和文獻[5]模型作為對比。

5.1 穩定性分析

在傳感器簇頭選取不使用任何方法時，受損節點成為簇頭的概率伴隨受損節點的增多而線性增長。因此，將損壞節點變為簇頭概率作為驗證指標，驗證本文模型、文獻[4]和文獻[5]模型的穩定性，結果如圖3所示。

分析圖3可知，當受損節點比率小于30%時，三種模型均具備良好的安全性。當比率高于40%時，本文模型性能要優于兩個文獻方法。且受損節點持續增多的情況下，本文模型依舊保持良好的安全性。這時因為本文在構建信息融合模型時，充分考慮了模型收斂問題，準確展現園林景觀設計所需數據，從而提高了模型的穩定性。

圖3 受損節點變成簇頭的概率

5.2 能耗分析

在信息儲存和處理方面，本文使用實數編碼方式降低節點信息儲存開銷與通信開銷。不同類別數據使用統一編碼表示，讓信息融合節點效率更高。本次實驗中，景觀區域的遙感傳感器網絡由110個節點構成，節點隨機分布于110m×110m范圍中。三種不同模型的信息融合能耗對比如圖4所示。

圖4 三種方法能耗對比

分析圖4可知，文獻[4]和文獻[5]模型的信息融合過程能耗均高于本文模型。這是由于文獻[4]和文獻[5]模型各個簇中總是有兩個簇頭分別采取數據融合，增添了數據傳輸數量，損耗了更多能量。而本文模型通過采用遺傳算法，不但能夠增強信息融合精度和計算儲存，還能有效降低數據冗余傳輸數量，能量耗損較少，且有效提升了景觀設計過程模塊化信息融合效率。

6 結束語

城市園林景觀中的模塊化設計是實現多元化景觀布局重要因素。本文通過探究模塊化信息融合設計了新的信息融合模型。經仿真證明，該模型具備極強的溫度性，且能量損耗量較低，可完成精準的模塊化信息融合任務，增強城市園林景觀規劃效率與多元性。