城市园林景观设计过程模块化信息融合模型

冯瑞芳，易晓园

(四川大学锦城学院，四川 成都 611731)

1 引言

园林景观环境是一个复杂系统，现已成为影响城市建设、市容环境建设与城市管理水平的关键因素之一[1]。为贴合现代景观高品质和高效率的建造需求，应将设计过程以模块化形式进行呈现，能够增强创新能力、拓展设计资源[2-3]。但模块化包含的数据量较多，对信息进行有效融合是现阶段设计人员需要探究的重要问题。

针对信息融合问题，文献[4]设计了基于NARX神经网络的分簇数据融合模型。将NARX神经网络时序预测模型与基矢量量化下的分簇路由协议相融合，从时间和空间相关性上消除冗余，把融合后的少量数据传输给汇聚节点，增强数据收集效率。但该模型融合精度较差，实用性不高。文献[5]设计了自适应模糊C均值聚类的数据融合模型。将自适应模糊C均值聚类应用到数据融合中，通过引入自适应系数以发现不同形状和大小的聚类子集，将卡尔曼滤波原理与基于多层感知机的神经网络预测法应用到误差协方差估计中，提高融合可信度。但该模型计算效率较低，难以满足实际场景计算需求。

针对上述问题，本文以城市园林景观建设为背景，创建一种设计过程模块化信息融合模型。

2 三维城市园林景观生成

为协调城市园林景观整体布局、提高园林景观设计效率，利用遥感传感器生成城市园林景观三维景观。

由于运用遥感技术得到的城市初始图像具备周期性噪声与数量众多的冗余、山体阴影等[6]，为完成遥感图像的准确空间定位，要对城市初始遥感图像实施预处理，并对待处理图像展开分割和重组。在处理较多噪声图像的过程中，首先对图像实施平滑处理，在控制噪的声同时求导，再完成空间微分算子处理。

数字高程模型运用一组有序数值序列来定义地面高程实体模型，此模型包含数字化的各类地貌因素、起伏度、起伏更改率、坡向、坡度在内的线性与非线性组合的空间分布数值，也是得到正射影像对的根本前提。因此，本研究考虑组建效率与光滑度，使用克吕金内插法[7]创建数字高程模型，具体流程为：使用遥感图像定位数据集合描述遥感图像定位分布散点示意图；依照分布散点图分布样点个数与匀称水准，挑选常规克里金差值或块克里金插值法，按照采样点间距与采样点全局空间分布形态实施恰当差值；根据数字高程模型范围，定义样点数据集合外接矩形形态，得到数据高程模型最终表达形式；标记处理生成的数字高程模型，同时探测是否含有失真现象。

数字正射影像拥有准确的平面方位，具有很强的二维直观性。为将以上优点发展至三维，代入人工视差辅助机制，融合拥有显著优势的数字正射影像和基于数字高程模型的园林辅助影像，构成立体正射影像对，从而生成具备直观性与高精度的三维城市园林景观。

按照上述过程利用正射影像对生成三维城市园林景观，其基础原理为将正射影像对内的三维影像和三维园林景观实施映射处理，具体步骤为：按照城市三维园林景观设计需要，制定相应的正射影像对，同时产生三维影像，并将其当作三维城市园林景观设计对比影像；依照对比影像地形起伏度、起伏更改率、坡向、坡度等状况，依次设计相对三维景观，各类因素均要完全对应；对三维景观建筑物纹理优化与地表附属植物上色，对构成的三维景观依据城市布局进行恰当调整。

三维园林景观生成时的最佳纹理路径选择对增强景观生成的即时性与纹理真实性具有重要作用，将三维园林景观生成过程中的纹理路径择取问题变相看作多收敛条件下的最佳路径规划问题[8]，使用具备正反馈原理的蚁群算法完成对模型的构建。

从真实问题出发，明确纹理路径择取空间范围，给出表达最佳问题规模的完全图赋权邻接矩，模仿蚂蚁在最佳问题规模的完全图各条路径内完成特征点标记，将蚂蚁个体当作智能体，同时设定蚁群算法内的各个蚂蚁拥有如下特点：每次遍历完全图内的完整路径，各个蚂蚁在路过的路径上均残留特征信息素，蚂蚁后续挑选的路径和特征信息素相关。

为防止特征信息素过多而埋没启发信息，在蚂蚁遍历一个完整周期后，要更新信息素，那么t+n时段在路径(i，j)内的信息量可通过式(1)进行调节

τij(t+n)=(1-ρ)·τij(t)+Δτij(t)

(1)

其中

(2)

其中，ρ是设置的信息素挥发因子，m是按照优化问题规模设置的蚁群个数。通常m值越高，获得的最佳解精度越好。

为确保蚁群算法结果真实性，要设置恰当的信息素更新方法，各个蚂蚁遍历一条已知的纹理路径时，要按照纹路路径长度更新该路径所涵盖各条边内的信息素浓度，信息素更新过程为

(3)

式(3)为信息素更新值的定量运算公式，CK表示k只蚂蚁所创建的纹理路径长度总和，Q具备一定不确定性，通常设置成1。

3 城市园林景观设计过程模块化分析

由于城市园林设计是一个复杂的系统化过程，一个小失误都能给后续设计工作带来不可估计的损失。因此，在获取三维景观数据后，需要设计人员在设计初始阶段规划细致有效的项目计划。一般方法例如关键路径法、甘特图等均有相当程度限制性，难以直观定义设计运行活动依附关联和耦合迭代关联[9]。因此，本文立足于集合论角度，将园林景观规划设计过程通过相关设计流程构成的繁杂集合。在这一过程中，上下游活动间具有不同水平的数据耦合关系。信息依附程度不同，设计活动间就会具备模块化特征，将园林各区域依照模块化组合模式打造出表达不同生活习惯、主体鲜明的现代化城市园林景观。

从两种维度分析景观设计过程：一是过程维，就是根据设计活动间的信息依附，把各个设计活动当作固定输入转变成输出的个体，上下游设计规划之间信息的交换；二是语境维，定义每个设计活动的设计规模与资源。设计规格可获得设计参变量、设计对象与设计所需符合的收敛条件，是设计园林景观的基础内容。设计资源代表设计过程所需的工作人员、设计经验与工具。

4 信息融合模型构建

由于上文城市园林景观设计过程模块化组织架构包含较多数据，因此，利用遗传神经网络下信息融合模型，对三维景观生成数据和模块化数据展开融合，直观清晰呈现城市园林景观全局架构，完整评价园林景观建设过程，保证最优景观设计成果。

遗传算法是综合自然选择、竞争与群体遗传理论为一体的全局优化方式。将求解问题自变量当作基因，实施编码组成染色体，在染色体集合中按照个体适应度大小采取最佳评估[10]。在搜寻时不停利用选择、交叉、变异三类遗传算子完成新个体生成与繁殖，最终获得最佳个体。

染色体编码一般使用二进制位串编码模式，网络节点内的权重都是实数。在算法中进行编码都是实数编码，降低字符串长度。

种群初始化内初始群体的随机性通常导致解空间分布不均匀，需预先把优化问题初始解变换成个体，在问题解空间内使用人工方式生成初始种群其余个体，提升初始群体个体形态阶次，模式个数较多且具备多元性，恰当挑选字符长度与群体规格，就能在初始几代群体内找出每个极值点所处范围，增强搜寻速率。

遗传算法将适应度函数当作进化目标[11]，且仅能向适应度函数值变大方向进化，适应度函数和目标函数间要实施合理变换。进化时的网络偏差为一个非零正数，然后假设种群规格是N，种群内个体是fi，F(fi)表示个体适应度数值，个体fi选择几率Pi计算解析式为

(4)

下面详细描述选择算子的设计过程：

首先算出累积概率Pi

(5)

在区间(0，1)中生成一个随机值θ，如果满足θ∈(Pi，Pi-1)，个体fi进入下一代种群。重复上述步骤，便能获得子代种群需要的N个染色体。

在此类选择方式基础上，拥有较高适应值的个体被选择的几率较大，较低适应值个体也具有被挑选的可能性。在选择时引入最优选择策略，将各个世代的最优个体直接存留至子代。

交叉与变异算子内拥有两个关键参变量：交换几率Pc与变异几率Pd。对2个参变量的择取对算法的全局性能有至关重要的作用。为防止出现早熟收敛，使用自适应Pc与Pd方式，Pc、Pd按照解的自适应函数变化而改变，过程如下

(6)

(7)

其中，fmax是最高适应度，favg是适应度均值，f′是交叉个体内适应度函数较高个体适应度，f是突变个体适应度。

交叉计算是最关键的遗传操作，按照交叉几率Pc挑选父代染色体，并利用交叉生成全新的染色体，不断拓展搜寻范围，最终实现全局目标搜索。这一过程中，使用算术交叉，能确保生成的后代在两个父代染色体之间。算术交叉是根据凸搜寻空间的关键特性，对解空间D内的随机两个点x1、x2进行如下的线性组合

αx1+(1-α)x2α∈[0，1]

(8)

依照该特点，假设x1、x2表示交叉计算的父染色体，则生成的后代是

(9)

其中，α是随机常数，取值范围为[0，1]。

染色体是实数编码，其变异过程如下

染色体Xi基因位xi变异过程是在区间[x1，x2]任意择取一个数x替代xi，区间[x1，x2]的计算表达式为

(11)

其中，xmax、xmin是xi数值选择的上下限，Pd是变异几率。由此可以看出，适应度高的个体变异区间较小，适应度低的个体变异区间较大，这样在保证降低变异操作对优秀个体损坏的同时，还能确保遗传算法的搜寻性能。

在此基础上，训练反向传播(Back Propagation，BP)神经网络实现信息融合处理。BP神经网络使用三层架构如图1所示。

图1 BP神经网络架构图

BP神经网络基本计算过程如下：

构建BP神经网络架构与输入样本网络架构，包含节点层数，每层节点个数。在[-1，1]区间中初始化权值与临界值，并在区间内明确网络学习速率。前向计算输入对输出层的网络输出，隐含层第j个节点输入是

(12)

其中，oi是输入层i的节点输入，Wji是隐含层节点j和输入层节点i连接权值。

将隐含层节点j的输出解析式描述成

(13)

输出层节点k的输入是

(14)

其中，Vkj是输出层节点k和隐含层节点j的连接权值。

在此基础上将网络偏差函数定义成

(15)

其中，tk是预期输出，yk是实际输出，k是输出层节点个数。

标准BP算法本质上是一种梯度下降寻优算法，通常会让学习过程产生振荡，收敛较慢[12]。学习因子的挑选也相当重要，过大与过小均会对收敛速率产生深刻影响。本文使用动量法与学习因子自适应调节修改权值，并反复采取上述步骤，直到精度完成预期要求为止。

训练好BP网络以后，就能对收集的遥感传感器数据与模块化进行信息融合处理，基于遗传神经网络的信息融合模型如图2所示。

图2 信息融合模型示意图

5 实验分析

为验证上述城市园林景观设计过程模块化信息融合模型的实际应用性能，通过OPNET设计如下实验。

实验环境如下：在景观园林内随机安置遥感传感器，各个节点最大传输距离是65m，原始能量是0.3J。

实验以模型稳定性和能耗为指标。为避免实验结果的单一性，将文献[4]和文献[5]模型作为对比。

5.1 稳定性分析

在传感器簇头选取不使用任何方法时，受损节点成为簇头的概率伴随受损节点的增多而线性增长。因此，将损坏节点变为簇头概率作为验证指标，验证本文模型、文献[4]和文献[5]模型的稳定性，结果如图3所示。

分析图3可知，当受损节点比率小于30%时，三种模型均具备良好的安全性。当比率高于40%时，本文模型性能要优于两个文献方法。且受损节点持续增多的情况下，本文模型依旧保持良好的安全性。这时因为本文在构建信息融合模型时，充分考虑了模型收敛问题，准确展现园林景观设计所需数据，从而提高了模型的稳定性。

图3 受损节点变成簇头的概率

5.2 能耗分析

在信息储存和处理方面，本文使用实数编码方式降低节点信息储存开销与通信开销。不同类别数据使用统一编码表示，让信息融合节点效率更高。本次实验中，景观区域的遥感传感器网络由110个节点构成，节点随机分布于110m×110m范围中。三种不同模型的信息融合能耗对比如图4所示。

图4 三种方法能耗对比

分析图4可知，文献[4]和文献[5]模型的信息融合过程能耗均高于本文模型。这是由于文献[4]和文献[5]模型各个簇中总是有两个簇头分别采取数据融合，增添了数据传输数量，损耗了更多能量。而本文模型通过采用遗传算法，不但能够增强信息融合精度和计算储存，还能有效降低数据冗余传输数量，能量耗损较少，且有效提升了景观设计过程模块化信息融合效率。

6 结束语

城市园林景观中的模块化设计是实现多元化景观布局重要因素。本文通过探究模块化信息融合设计了新的信息融合模型。经仿真证明，该模型具备极强的温度性，且能量损耗量较低，可完成精准的模块化信息融合任务，增强城市园林景观规划效率与多元性。