馮瑞芳，易曉園

(四川大學(xué)錦城學(xué)院，四川 成都 611731)

1 引言

園林景觀環(huán)境是一個(gè)復(fù)雜系統(tǒng)，現(xiàn)已成為影響城市建設(shè)、市容環(huán)境建設(shè)與城市管理水平的關(guān)鍵因素之一[1]。為貼合現(xiàn)代景觀高品質(zhì)和高效率的建造需求，應(yīng)將設(shè)計(jì)過(guò)程以模塊化形式進(jìn)行呈現(xiàn)，能夠增強(qiáng)創(chuàng)新能力、拓展設(shè)計(jì)資源[2-3]。但模塊化包含的數(shù)據(jù)量較多，對(duì)信息進(jìn)行有效融合是現(xiàn)階段設(shè)計(jì)人員需要探究的重要問(wèn)題。

針對(duì)信息融合問(wèn)題，文獻(xiàn)[4]設(shè)計(jì)了基于NARX神經(jīng)網(wǎng)絡(luò)的分簇?cái)?shù)據(jù)融合模型。將NARX神經(jīng)網(wǎng)絡(luò)時(shí)序預(yù)測(cè)模型與基矢量量化下的分簇路由協(xié)議相融合，從時(shí)間和空間相關(guān)性上消除冗余，把融合后的少量數(shù)據(jù)傳輸給匯聚節(jié)點(diǎn)，增強(qiáng)數(shù)據(jù)收集效率。但該模型融合精度較差，實(shí)用性不高。文獻(xiàn)[5]設(shè)計(jì)了自適應(yīng)模糊C均值聚類的數(shù)據(jù)融合模型。將自適應(yīng)模糊C均值聚類應(yīng)用到數(shù)據(jù)融合中，通過(guò)引入自適應(yīng)系數(shù)以發(fā)現(xiàn)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(jī)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法應(yīng)用到誤差協(xié)方差估計(jì)中，提高融合可信度。但該模型計(jì)算效率較低，難以滿足實(shí)際場(chǎng)景計(jì)算需求。

針對(duì)上述問(wèn)題，本文以城市園林景觀建設(shè)為背景，創(chuàng)建一種設(shè)計(jì)過(guò)程模塊化信息融合模型。

2 三維城市園林景觀生成

為協(xié)調(diào)城市園林景觀整體布局、提高園林景觀設(shè)計(jì)效率，利用遙感傳感器生成城市園林景觀三維景觀。

由于運(yùn)用遙感技術(shù)得到的城市初始圖像具備周期性噪聲與數(shù)量眾多的冗余、山體陰影等[6]，為完成遙感圖像的準(zhǔn)確空間定位，要對(duì)城市初始遙感圖像實(shí)施預(yù)處理，并對(duì)待處理圖像展開(kāi)分割和重組。在處理較多噪聲圖像的過(guò)程中，首先對(duì)圖像實(shí)施平滑處理，在控制噪的聲同時(shí)求導(dǎo)，再完成空間微分算子處理。

數(shù)字高程模型運(yùn)用一組有序數(shù)值序列來(lái)定義地面高程實(shí)體模型，此模型包含數(shù)字化的各類地貌因素、起伏度、起伏更改率、坡向、坡度在內(nèi)的線性與非線性組合的空間分布數(shù)值，也是得到正射影像對(duì)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(nèi)插法[7]創(chuàng)建數(shù)字高程模型，具體流程為：使用遙感圖像定位數(shù)據(jù)集合描述遙感圖像定位分布散點(diǎn)示意圖；依照分布散點(diǎn)圖分布樣點(diǎn)個(gè)數(shù)與勻稱水準(zhǔn)，挑選常規(guī)克里金差值或塊克里金插值法，按照采樣點(diǎn)間距與采樣點(diǎn)全局空間分布形態(tài)實(shí)施恰當(dāng)差值；根據(jù)數(shù)字高程模型范圍，定義樣點(diǎn)數(shù)據(jù)集合外接矩形形態(tài)，得到數(shù)據(jù)高程模型最終表達(dá)形式；標(biāo)記處理生成的數(shù)字高程模型，同時(shí)探測(cè)是否含有失真現(xiàn)象。

數(shù)字正射影像擁有準(zhǔn)確的平面方位，具有很強(qiáng)的二維直觀性。為將以上優(yōu)點(diǎn)發(fā)展至三維，代入人工視差輔助機(jī)制，融合擁有顯著優(yōu)勢(shì)的數(shù)字正射影像和基于數(shù)字高程模型的園林輔助影像，構(gòu)成立體正射影像對(duì)，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(guò)程利用正射影像對(duì)生成三維城市園林景觀，其基礎(chǔ)原理為將正射影像對(duì)內(nèi)的三維影像和三維園林景觀實(shí)施映射處理，具體步驟為：按照城市三維園林景觀設(shè)計(jì)需要，制定相應(yīng)的正射影像對(duì)，同時(shí)產(chǎn)生三維影像，并將其當(dāng)作三維城市園林景觀設(shè)計(jì)對(duì)比影像；依照對(duì)比影像地形起伏度、起伏更改率、坡向、坡度等狀況，依次設(shè)計(jì)相對(duì)三維景觀，各類因素均要完全對(duì)應(yīng)；對(duì)三維景觀建筑物紋理優(yōu)化與地表附屬植物上色，對(duì)構(gòu)成的三維景觀依據(jù)城市布局進(jìn)行恰當(dāng)調(diào)整。

三維園林景觀生成時(shí)的最佳紋理路徑選擇對(duì)增強(qiáng)景觀生成的即時(shí)性與紋理真實(shí)性具有重要作用，將三維園林景觀生成過(guò)程中的紋理路徑擇取問(wèn)題變相看作多收斂條件下的最佳路徑規(guī)劃問(wèn)題[8]，使用具備正反饋原理的蟻群算法完成對(duì)模型的構(gòu)建。

從真實(shí)問(wèn)題出發(fā)，明確紋理路徑擇取空間范圍，給出表達(dá)最佳問(wèn)題規(guī)模的完全圖賦權(quán)鄰接矩，模仿螞蟻在最佳問(wèn)題規(guī)模的完全圖各條路徑內(nèi)完成特征點(diǎn)標(biāo)記，將螞蟻個(gè)體當(dāng)作智能體，同時(shí)設(shè)定蟻群算法內(nèi)的各個(gè)螞蟻擁有如下特點(diǎn)：每次遍歷完全圖內(nèi)的完整路徑，各個(gè)螞蟻在路過(guò)的路徑上均殘留特征信息素，螞蟻后續(xù)挑選的路徑和特征信息素相關(guān)。

為防止特征信息素過(guò)多而埋沒(méi)啟發(fā)信息，在螞蟻遍歷一個(gè)完整周期后，要更新信息素，那么t+n時(shí)段在路徑(i，j)內(nèi)的信息量可通過(guò)式(1)進(jìn)行調(diào)節(jié)

τij(t+n)=(1-ρ)·τij(t)+Δτij(t)

(1)

其中

(2)

其中，ρ是設(shè)置的信息素?fù)]發(fā)因子，m是按照優(yōu)化問(wèn)題規(guī)模設(shè)置的蟻群個(gè)數(shù)。通常m值越高，獲得的最佳解精度越好。

為確保蟻群算法結(jié)果真實(shí)性，要設(shè)置恰當(dāng)?shù)男畔⑺馗路椒ǎ鱾€(gè)螞蟻遍歷一條已知的紋理路徑時(shí)，要按照紋路路徑長(zhǎng)度更新該路徑所涵蓋各條邊內(nèi)的信息素濃度，信息素更新過(guò)程為

(3)

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

3 城市園林景觀設(shè)計(jì)過(guò)程模塊化分析

由于城市園林設(shè)計(jì)是一個(gè)復(fù)雜的系統(tǒng)化過(guò)程，一個(gè)小失誤都能給后續(xù)設(shè)計(jì)工作帶來(lái)不可估計(jì)的損失。因此，在獲取三維景觀數(shù)據(jù)后，需要設(shè)計(jì)人員在設(shè)計(jì)初始階段規(guī)劃細(xì)致有效的項(xiàng)目計(jì)劃。一般方法例如關(guān)鍵路徑法、甘特圖等均有相當(dāng)程度限制性，難以直觀定義設(shè)計(jì)運(yùn)行活動(dòng)依附關(guān)聯(lián)和耦合迭代關(guān)聯(lián)[9]。因此，本文立足于集合論角度，將園林景觀規(guī)劃設(shè)計(jì)過(guò)程通過(guò)相關(guān)設(shè)計(jì)流程構(gòu)成的繁雜集合。在這一過(guò)程中，上下游活動(dòng)間具有不同水平的數(shù)據(jù)耦合關(guān)系。信息依附程度不同，設(shè)計(jì)活動(dòng)間就會(huì)具備模塊化特征，將園林各區(qū)域依照模塊化組合模式打造出表達(dá)不同生活習(xí)慣、主體鮮明的現(xiàn)代化城市園林景觀。

從兩種維度分析景觀設(shè)計(jì)過(guò)程：一是過(guò)程維，就是根據(jù)設(shè)計(jì)活動(dòng)間的信息依附，把各個(gè)設(shè)計(jì)活動(dòng)當(dāng)作固定輸入轉(zhuǎn)變成輸出的個(gè)體，上下游設(shè)計(jì)規(guī)劃之間信息的交換；二是語(yǔ)境維，定義每個(gè)設(shè)計(jì)活動(dòng)的設(shè)計(jì)規(guī)模與資源。設(shè)計(jì)規(guī)格可獲得設(shè)計(jì)參變量、設(shè)計(jì)對(duì)象與設(shè)計(jì)所需符合的收斂條件，是設(shè)計(jì)園林景觀的基礎(chǔ)內(nèi)容。設(shè)計(jì)資源代表設(shè)計(jì)過(guò)程所需的工作人員、設(shè)計(jì)經(jīng)驗(yàn)與工具。

4 信息融合模型構(gòu)建

由于上文城市園林景觀設(shè)計(jì)過(guò)程模塊化組織架構(gòu)包含較多數(shù)據(jù)，因此，利用遺傳神經(jīng)網(wǎng)絡(luò)下信息融合模型，對(duì)三維景觀生成數(shù)據(jù)和模塊化數(shù)據(jù)展開(kāi)融合，直觀清晰呈現(xiàn)城市園林景觀全局架構(gòu)，完整評(píng)價(jià)園林景觀建設(shè)過(guò)程，保證最優(yōu)景觀設(shè)計(jì)成果。

遺傳算法是綜合自然選擇、競(jìng)爭(zhēng)與群體遺傳理論為一體的全局優(yōu)化方式。將求解問(wèn)題自變量當(dāng)作基因，實(shí)施編碼組成染色體，在染色體集合中按照個(gè)體適應(yīng)度大小采取最佳評(píng)估[10]。在搜尋時(shí)不停利用選擇、交叉、變異三類遺傳算子完成新個(gè)體生成與繁殖，最終獲得最佳個(gè)體。

染色體編碼一般使用二進(jìn)制位串編碼模式，網(wǎng)絡(luò)節(jié)點(diǎn)內(nèi)的權(quán)重都是實(shí)數(shù)。在算法中進(jìn)行編碼都是實(shí)數(shù)編碼，降低字符串長(zhǎng)度。

種群初始化內(nèi)初始群體的隨機(jī)性通常導(dǎo)致解空間分布不均勻，需預(yù)先把優(yōu)化問(wèn)題初始解變換成個(gè)體，在問(wèn)題解空間內(nèi)使用人工方式生成初始種群其余個(gè)體，提升初始群體個(gè)體形態(tài)階次，模式個(gè)數(shù)較多且具備多元性，恰當(dāng)挑選字符長(zhǎng)度與群體規(guī)格，就能在初始幾代群體內(nèi)找出每個(gè)極值點(diǎn)所處范圍，增強(qiáng)搜尋速率。

遺傳算法將適應(yīng)度函數(shù)當(dāng)作進(jìn)化目標(biāo)[11]，且僅能向適應(yīng)度函數(shù)值變大方向進(jìn)化，適應(yīng)度函數(shù)和目標(biāo)函數(shù)間要實(shí)施合理變換。進(jìn)化時(shí)的網(wǎng)絡(luò)偏差為一個(gè)非零正數(shù)，然后假設(shè)種群規(guī)格是N，種群內(nèi)個(gè)體是fi，F(xiàn)(fi)表示個(gè)體適應(yīng)度數(shù)值，個(gè)體fi選擇幾率Pi計(jì)算解析式為

(4)

下面詳細(xì)描述選擇算子的設(shè)計(jì)過(guò)程：

首先算出累積概率Pi

(5)

在區(qū)間(0，1)中生成一個(gè)隨機(jī)值θ，如果滿足θ∈(Pi，Pi-1)，個(gè)體fi進(jìn)入下一代種群。重復(fù)上述步驟，便能獲得子代種群需要的N個(gè)染色體。

在此類選擇方式基礎(chǔ)上，擁有較高適應(yīng)值的個(gè)體被選擇的幾率較大，較低適應(yīng)值個(gè)體也具有被挑選的可能性。在選擇時(shí)引入最優(yōu)選擇策略，將各個(gè)世代的最優(yōu)個(gè)體直接存留至子代。

交叉與變異算子內(nèi)擁有兩個(gè)關(guān)鍵參變量：交換幾率Pc與變異幾率Pd。對(duì)2個(gè)參變量的擇取對(duì)算法的全局性能有至關(guān)重要的作用。為防止出現(xiàn)早熟收斂，使用自適應(yīng)Pc與Pd方式，Pc、Pd按照解的自適應(yīng)函數(shù)變化而改變，過(guò)程如下

(6)

(7)

其中，fmax是最高適應(yīng)度，favg是適應(yīng)度均值，f′是交叉?zhèn)€體內(nèi)適應(yīng)度函數(shù)較高個(gè)體適應(yīng)度，f是突變個(gè)體適應(yīng)度。

交叉計(jì)算是最關(guān)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(shí)現(xiàn)全局目標(biāo)搜索。這一過(guò)程中，使用算術(shù)交叉，能確保生成的后代在兩個(gè)父代染色體之間。算術(shù)交叉是根據(jù)凸搜尋空間的關(guān)鍵特性，對(duì)解空間D內(nèi)的隨機(jī)兩個(gè)點(diǎn)x1、x2進(jìn)行如下的線性組合

αx1+(1-α)x2α∈[0，1]

(8)

依照該特點(diǎn)，假設(shè)x1、x2表示交叉計(jì)算的父染色體，則生成的后代是

(9)

其中，α是隨機(jī)常數(shù)，取值范圍為[0，1]。

染色體是實(shí)數(shù)編碼，其變異過(guò)程如下

染色體Xi基因位xi變異過(guò)程是在區(qū)間[x1，x2]任意擇取一個(gè)數(shù)x替代xi，區(qū)間[x1，x2]的計(jì)算表達(dá)式為

(11)

其中，xmax、xmin是xi數(shù)值選擇的上下限，Pd是變異幾率。由此可以看出，適應(yīng)度高的個(gè)體變異區(qū)間較小，適應(yīng)度低的個(gè)體變異區(qū)間較大，這樣在保證降低變異操作對(duì)優(yōu)秀個(gè)體損壞的同時(shí)，還能確保遺傳算法的搜尋性能。

在此基礎(chǔ)上，訓(xùn)練反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)信息融合處理。BP神經(jīng)網(wǎng)絡(luò)使用三層架構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)架構(gòu)圖

BP神經(jīng)網(wǎng)絡(luò)基本計(jì)算過(guò)程如下：

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)架構(gòu)與輸入樣本網(wǎng)絡(luò)架構(gòu)，包含節(jié)點(diǎn)層數(shù)，每層節(jié)點(diǎn)個(gè)數(shù)。在[-1，1]區(qū)間中初始化權(quán)值與臨界值，并在區(qū)間內(nèi)明確網(wǎng)絡(luò)學(xué)習(xí)速率。前向計(jì)算輸入對(duì)輸出層的網(wǎng)絡(luò)輸出，隱含層第j個(gè)節(jié)點(diǎn)輸入是

(12)

其中，oi是輸入層i的節(jié)點(diǎn)輸入，Wji是隱含層節(jié)點(diǎn)j和輸入層節(jié)點(diǎn)i連接權(quán)值。

將隱含層節(jié)點(diǎn)j的輸出解析式描述成

(13)

輸出層節(jié)點(diǎn)k的輸入是

(14)

其中，Vkj是輸出層節(jié)點(diǎn)k和隱含層節(jié)點(diǎn)j的連接權(quán)值。

在此基礎(chǔ)上將網(wǎng)絡(luò)偏差函數(shù)定義成

(15)

其中，tk是預(yù)期輸出，yk是實(shí)際輸出，k是輸出層節(jié)點(diǎn)個(gè)數(shù)。

標(biāo)準(zhǔn)BP算法本質(zhì)上是一種梯度下降尋優(yōu)算法，通常會(huì)讓學(xué)習(xí)過(guò)程產(chǎn)生振蕩，收斂較慢[12]。學(xué)習(xí)因子的挑選也相當(dāng)重要，過(guò)大與過(guò)小均會(huì)對(duì)收斂速率產(chǎn)生深刻影響。本文使用動(dòng)量法與學(xué)習(xí)因子自適應(yīng)調(diào)節(jié)修改權(quán)值，并反復(fù)采取上述步驟，直到精度完成預(yù)期要求為止。

訓(xùn)練好BP網(wǎng)絡(luò)以后，就能對(duì)收集的遙感傳感器數(shù)據(jù)與模塊化進(jìn)行信息融合處理，基于遺傳神經(jīng)網(wǎng)絡(luò)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(shí)驗(yàn)分析

為驗(yàn)證上述城市園林景觀設(shè)計(jì)過(guò)程模塊化信息融合模型的實(shí)際應(yīng)用性能，通過(guò)OPNET設(shè)計(jì)如下實(shí)驗(yàn)。

實(shí)驗(yàn)環(huán)境如下：在景觀園林內(nèi)隨機(jī)安置遙感傳感器，各個(gè)節(jié)點(diǎn)最大傳輸距離是65m，原始能量是0.3J。

實(shí)驗(yàn)以模型穩(wěn)定性和能耗為指標(biāo)。為避免實(shí)驗(yàn)結(jié)果的單一性，將文獻(xiàn)[4]和文獻(xiàn)[5]模型作為對(duì)比。

5.1 穩(wěn)定性分析

在傳感器簇頭選取不使用任何方法時(shí)，受損節(jié)點(diǎn)成為簇頭的概率伴隨受損節(jié)點(diǎn)的增多而線性增長(zhǎng)。因此，將損壞節(jié)點(diǎn)變?yōu)榇仡^概率作為驗(yàn)證指標(biāo)，驗(yàn)證本文模型、文獻(xiàn)[4]和文獻(xiàn)[5]模型的穩(wěn)定性，結(jié)果如圖3所示。

分析圖3可知，當(dāng)受損節(jié)點(diǎn)比率小于30%時(shí)，三種模型均具備良好的安全性。當(dāng)比率高于40%時(shí)，本文模型性能要優(yōu)于兩個(gè)文獻(xiàn)方法。且受損節(jié)點(diǎn)持續(xù)增多的情況下，本文模型依舊保持良好的安全性。這時(shí)因?yàn)楸疚脑跇?gòu)建信息融合模型時(shí)，充分考慮了模型收斂問(wèn)題，準(zhǔn)確展現(xiàn)園林景觀設(shè)計(jì)所需數(shù)據(jù)，從而提高了模型的穩(wěn)定性。

圖3 受損節(jié)點(diǎn)變成簇頭的概率

5.2 能耗分析

在信息儲(chǔ)存和處理方面，本文使用實(shí)數(shù)編碼方式降低節(jié)點(diǎn)信息儲(chǔ)存開(kāi)銷與通信開(kāi)銷。不同類別數(shù)據(jù)使用統(tǒng)一編碼表示，讓信息融合節(jié)點(diǎn)效率更高。本次實(shí)驗(yàn)中，景觀區(qū)域的遙感傳感器網(wǎng)絡(luò)由110個(gè)節(jié)點(diǎn)構(gòu)成，節(jié)點(diǎn)隨機(jī)分布于110m×110m范圍中。三種不同模型的信息融合能耗對(duì)比如圖4所示。

圖4 三種方法能耗對(duì)比

分析圖4可知，文獻(xiàn)[4]和文獻(xiàn)[5]模型的信息融合過(guò)程能耗均高于本文模型。這是由于文獻(xiàn)[4]和文獻(xiàn)[5]模型各個(gè)簇中總是有兩個(gè)簇頭分別采取數(shù)據(jù)融合，增添了數(shù)據(jù)傳輸數(shù)量，損耗了更多能量。而本文模型通過(guò)采用遺傳算法，不但能夠增強(qiáng)信息融合精度和計(jì)算儲(chǔ)存，還能有效降低數(shù)據(jù)冗余傳輸數(shù)量，能量耗損較少，且有效提升了景觀設(shè)計(jì)過(guò)程模塊化信息融合效率。

6 結(jié)束語(yǔ)

城市園林景觀中的模塊化設(shè)計(jì)是實(shí)現(xiàn)多元化景觀布局重要因素。本文通過(guò)探究模塊化信息融合設(shè)計(jì)了新的信息融合模型。經(jīng)仿真證明，該模型具備極強(qiáng)的溫度性，且能量損耗量較低，可完成精準(zhǔn)的模塊化信息融合任務(wù)，增強(qiáng)城市園林景觀規(guī)劃效率與多元性。