房屋建筑圖形數據多通道整合方法設計與仿真

高峻峰，汪新軍

(1. 華中科技大學機械科學與工程學院，湖北 武漢 430074；2. 華中科技大學，湖北 武漢 430074)

1 引言

信息化技術能夠有效實現各項土地資源管理與集成工作，目前最早的數據集成方法是Bolstad等人在20世紀90年代提出的，將區域屬性值濾波應用到不同屬性的數據集成當中，但當時該方法在精度上無法確定。參考國外的研究成果，國家技術監督局在20世紀末期，提出設計一種空間數據交換格式，利用不同的數據交換方式建立具有映射效果的數據庫，用于數據集成[1]。

隨著各項技術的發展，數據集成進一步發展到數據整合當中，文獻[2]提出利用Altmetrics工具整合數據。文獻[3]提出利用Delaunay三角網，建立具有約束特點的模型，用于數據整合工作。文獻[4]提出異構方志元數據整合策略，根據數據之間的關聯度、細粒度制定數據整合方案。但綜合來看，這些方法共享數據的能力不強，獲得的整合效果不夠理想，因此，提出統一編碼下房屋建筑圖形數據多通道整合方法。多通道整合就是利用模型的多個交互層，通過數據收集、清洗、提取、分類、識別、交互以及融合等操作，實現數據之間的合并。根據多通道整合理論，研究全新的房屋建筑圖形數據多通道整合方法。

2 統一編碼下房屋建筑圖形數據多通道整合

2.1 房屋建筑圖形數據預處理

整合房屋建筑圖形數據，主要依據房產和地籍數據庫提供的數據，按照統一編碼的設置標準，預處理房屋建筑圖形數據。針對不同房屋建筑登記數據，比對原數據與《不動產登記數據庫標準》，根據新老數據庫的比對結果，獲取需要補充的數據內容，找到用于排序的數據編碼。預處理數據的第一步，就是獲得完整的房屋建筑圖形數據，第二步規范化處理獲得的數據，包括對圖形數據的補充和完善，對于無法完善的數據，通過實地調查的方式補充此項數據；對于已經注銷的不動產數據，進行數據清理[5]。選擇一個過濾函數，對原始數據過濾處理，該函數的計算公式為

(1)

式中：x表示圖形數據；X′表示對應的數據屬性；α表示屬性對應的權重，取值范圍在(0，1)之間；K1，K2，…，Kn表示與每一數據屬性X′對應的約束條件；γ表示過濾系數。完成數據過濾后，結合提出的預處理方案，設計建筑圖形數據規范化處理流程，如下圖1所示。

圖1 房屋建筑圖形數據規范化處理流程

根據上述設計的預處理流程可知，通過預處理房屋建筑圖形數據，可以完善房屋建筑統一編碼[6]。按照編碼順序逐項檢查數據屬性，檢查規則應參考下表1顯示的內容。

表1 數據屬性檢測規則

按照上述規則檢查房屋建筑圖形數據，得到可用于整合的完整數據編碼。

2.2 統一編碼下房屋建筑圖形數據特征挖掘

預處理數據后，在統一編碼下挖掘房屋建筑圖形數據特征，為多通道數據處理提供參考。已知空間數據挖掘技術，可以與人工智能方法等技術結合使用，所以利用該技術挖掘房屋建筑圖形數據的空間特征、空間關聯、空間分布、空間區分以及空間演變等相關內容[7]。建立一個模糊數據集合，存在X={xij|1≤i≤a，1≤j≤a}，設置模糊子集聚類中心，則模糊集劃分公式為

(2)

式中：H(X，C)表示目標函數；a表示模糊子集的劃分數量；φ表示變動因子；r表示相鄰子集之間的距離。對上述計算結果進行求解，得到模糊聚類結果后，設置存在k個房屋建筑圖形數據特征，將這些特征標記為β1，β2，…，βk，結合式(2)的計算結果，要求這些特征數據滿足下列條件

ω(β1，β2，…，βk)=max(H(X，C)max(βi1，βi2，…，βik))

(3)

式中：ω表示對應所有特征數據的權重；βi1，βi2，…，βik表示動態變化的特征值[8]。設置正弦信號為sin(ωt+θ)，其中，t表示時間、θ表示相位偏移量，當挖掘過程出現噪聲時，則正弦信號變換為sin(ωt+θ+z(t))，其中，z(t)表示相位噪聲。在充分考慮噪聲的前提下，設置時鐘方案，下列公式為時鐘方案生成具體時間控制參數：

(4)

式中：SNR表示信噪比；f表示數據挖掘頻率。按照上述特征挖掘和時鐘方案，在考慮噪聲干擾的前提下，根據統一編碼挖掘房屋建筑圖形數據特征。

2.3 構建圖形特征的多通道卷積神經網絡模型

將得到的特征數據輸入到仿真軟件中，結合卷積神經網絡組成內容，構建包含圖形特征的多通道卷積神經網絡模型。已知構建的模型包含四個數據層，首先向第一層輸入預處理后的房屋建筑圖形數據；利用第二層的卷積操作，提取挖掘得到的特征；第三層采樣處理得到的結果；第四層分類采樣數據，輸出分類結果[9]。設置圖形數據的長度為d，則輸入到第一層內的數據，經模型轉換后得到

(5)

公式中：μ表示對應圖形數據的向量；L表示圖形數據屬性；⊕表示模型的拼接操作模式。模型根據預先獲得的仿真數據，生成圖形數據x在模型中的輸入方程

xd=μd+Ld

(6)

根據上述得到的值調整特征分量，卷積層在挖掘的房屋建筑圖形數據特征中，提取局部特征。設置卷積核的長度為s，利用下列計算生成卷積特征圖

E=(E1，E2，…，Ed-s+1)

(7)

式中：Ei∈E，表示卷積操作后提取獲得的局部特征信息。第三層采用max-over-time pooling法采樣特征信息，得到的結果為

E′=max[E]

(8)

將E′作為采樣結果，模型根據上述計算結果，將池化層采樣數據輸入到全連接層當中，通過下列公式對得到的數據進行分類

q=max(ωt·E′+A)

(9)

式中：A表示偏置；q表示模型第四層的輸出結果[10]。按照上述計算構建圖形特征的多通道卷積神經網絡模型，為整合方法提供規則和數據處理支撐。

2.4 多通道交互控制與數據整合

在仿真系統中，習慣將不同通道信號轉化，但由于一些圖形數據不便于轉化為界面操作的形式，所以根據模型輸出的結果，采用下列公式進行轉化描述：

qt=h(xtet，xt-1et-1，…，xt-τet-τ)

(10)

上述公式就是對模型獲得結果的數據轉換方法。此次設計的整合方法，在現有的多通道信息整合的基礎上，在一個學習過程中添加設定，所以調整公式(10)的計算形式，得到

(11)

式中：m∈M，且存在2≤m≤M，表示參與信息融合的通道總數量；?表示交互控制方式。設置第m個通道內的傳輸信號滿足Gauss分布，即存在λm～N(ηm，εm)，其中，ηm、εm表示均值[11]。設置每個通道信號的置信度為om，則多通道交互控制的一般融合方程為

(12)

上述公式是對多個信號的最大似然估計。根據上述計算某通道信號的邊緣概率，以此獲得聯合分布概率方程

(13)

式中：P(σ)表示某通道邊緣分布預測結果；P()表示已知的邊緣概率。根據上述計算結果，利用交互控制融合方程和聯合分布概率方程，實現對圖形數據的多通道整合，至此在統一編碼下，房屋建筑圖形數據多通道整合方法設計完畢。

3 仿真測試

3.1 實驗準備

為了檢驗此次提出的方法，具有更好的數據整合效果，提出仿真對比測試實驗，將文中提出的方法作為實驗組，將三種傳統Altmetrics數據整合方法、Delaunay三角網數據整合方法和異構方志元數據整合方法分別作為對照A組、對照B組以及對照C組，選擇M市高新技術開發區中的X學校作為測試樣本，該學校的俯視實景圖，如圖2所示。

圖2 仿真測試對象

將有關X學校的房屋建筑編碼輸入到仿真系統中。已知該學校建成于2005年，房屋建筑數據豐富，滿足數據多通道整合要求。整理該學校房屋建筑圖形數據編碼，如下表2所示。

表2 X學校數據編碼

為了給實驗測試結果提供可靠的證明，實驗人員親自來到X學校，根據現階段學校房屋建筑的實際特征，繪制該學校的房屋建筑圖像數據空間效果圖，其中局部效果如下圖3所示。

圖3 X學校房屋建筑圖像局部空間效果

測試仿真環境的網絡連接和硬件運行是否穩定，無問題后分別將四種不同的方法應用到規格型號、仿真環境一致的測試平臺當中，比較不同方法之間的差異性。

3.2 整合效果測試

結合表2給定的統一編碼，分別利用四組方法，整合X學校房屋建筑圖形數據，得到的空間數據整合效果，如圖4所示。

圖4 空間數據整合效果

根據圖4顯示的測試結果可知，只有實驗組獲得的整合效果，與圖3的實際結果一致，而三個對照組獲得的圖形數據整合結果，則存在局部缺失。分析導致這一問題的原因，發現X學校建成于2005年，經過十多年的發展，學校建筑規模逐漸擴大，一些新建房屋建筑的編碼沒能及時更新。提出的整合方法在第一環節就對所有圖形數據進行預處理，保證所有建筑都有最新的編碼，而傳統方法直接用建筑編碼進行數據整合，沒有提前檢驗編碼是否與建筑數量匹配，所以導致數據整合效果圖中缺失部分圖形信息。

3.3 共享效果測試

為了便于比較不同方法的數據共享能力，以人為的方式預先將編碼補充完整，保證其它測試條件不變，利用共享效果評價公式，計算四組方法在整合數據的過程中，共享房屋建筑編碼的能力，共享評價公式為

(14)

式中：I表示共享質量評價結果；m表示圖形數據量；ω表示權重；mi表示隨機的圖形數據；Q表示等待被使用的編碼集合；M表示等待共享的數據端口。再選擇一個圖形數據量更大的Z學校作為測試對象，再次進行數據整合，下表3和表4是不同數據量下，四組方法整合圖形數據時，共享數據的質量評價結果。

表3 X學校建筑圖形數據共享評價結果

表4 Z學校建筑圖形數據共享評價結果

計算兩種情況下，不同方法共享數據的綜合能力，如下表5所示。

表5 綜合評價結果

根據表5顯示的結果，可知文中提出的方法共享數據的能力更強，比三組傳統方法分別高了11.75%、11.3%以及11.82%。

4 結束語

根據此次研究可知，盡管學校房屋建筑文件已經有了統一編碼，但為了獲得更為嚴謹的數據整合結果，需要對于數據進行預處理，檢查所有房屋建筑結構的編碼是否完整，及時補充或更新編碼。而根據本次實驗研究可知，整合過程中使用的圖形數據，是圖元信息所代表的物體，這一點可以根據實驗準備和兩輪測試結果得出。盡管新的整合方法性能更好，但該方法的工作效率不高，今后可以簡化部分計算，提高方法的仿真工作效率。