基于生成对抗网络的古典建筑地域性表达特征提取模型

朱百顺

(漳州职业技术学院建筑工程学院， 福建 漳州 363000)

0 引言

人们发明了各种巧妙的建筑方法来适应不同的气候条件，建筑形象也千变万化，并呈现出多种特色。随着人类建筑技术的不断进步，这种体现地域环境特性的行为也由最初的无意识或被动行为，逐步演变为自觉、主动、创造性的行为。

在环境因素的影响下，不同地域会产生独特的设计思想和观念，形成具有地方特色的建筑，具有地域特色的表现，特别是古典建筑。文献[1]对中国古代建筑遗产的时空分布格局进行了深入研究，发现不同类型的古代建筑遗产的分布具有一定的相似性和差异性，差异性与政策制度，各历史时期的建筑材料、建筑功能等因素密切相关。为提高古代建筑图象特征的匹配性能，文献[2]提出了一种基于网格多密度聚类的图象特征匹配方法。在相似聚类中，对图像进行网格划分，按照近邻比原则匹配特征点，提高三维重建古建筑图像特征的可靠匹配度。

虽然国内学者对于古典地域性建筑的研究较多，但大多集中在地域性建筑的发展历史、地域性理论和解决复杂问题的跨学科层面上，针对特征因素影响地域性建筑的研究相对较少。本文通过引入生成对抗网络来确定古典建筑地域性表达特征评价指标的权重，然后匹配“融合地形地貌”“与地形肌理自然融合”“有机契入场地地形”和“诠释地形结构”4个具体特征，提升指标选取的重要性和识别的准确性，进而总结出判断和提炼地域性特征的方法，为当代地域性建筑形态的创造提供一定的实践指导。

1 古典建筑地域性表达特征组成

地域性是指与某一地域有关或与该地域有关的性质或特点。随着时间的推移，地域划分也发生了变化，例如，在华北地区，大多数平原地区的人们，在语言和风俗习惯上有相似之处，表现出相同风俗习惯的衔接和相似性，但是在山区，虽然人们的地理距离相近，但方言、风俗习惯、表达方式都有差异。地域性在一定程度上表示区域范围的划分标准，其要求整体特征的一致性，所以能否划分为同一个区域取决于所选指标的质量和一致性。以某个指标为标准划分地域时，地域可以是自然的，也可以是社会的。这是因为人的生存活动所处的自然环境的内在特征，最终体现为人所处的社会环境，并使社会环境具有相应的特征。对地域性，我们可以给出一个简单的定义：地域性是指由某一特定地域的自然环境和社会文化要素构成的群体。

地域文化是某一地域人民在长期发展过程中，通过劳动所创造的物质和精神成果，并对其进行积累、发展和升华。包括当地的经济发展水平、科技进步、价值观念、宗教信仰、艺术水准、社会心理和生活方式等社会生活各方面。地域性建筑创作通过反映人类情感、环境、自然、风俗、气候等地域性色彩所蕴含的深刻的地域文化内涵，展现出地域性建筑特征。要维持不同地区的地域特色，不仅取决于人的多方面需要(包括审美方面)，还取决于人的物质性和社会性。

1)融合地形地貌：建筑依赖于土地、人力、当时的建造和材料。在中国历史上，因地制宜的调整措施应用广泛，例如，由山河地貌等地理要素构成的地形是一个地区的整体面貌和物质环境，地形地貌特点比较稳定直观，是自然地理环境的宏观特征，同时也影响到植被、自然资源等。自然地形是影响建筑地域特性的重要因素之一。地形、植物分布、水系等自然景观是构成自然生态系统和场地特色的重要组成部分。

2)融合既有城市机理：场地地形结构中建筑形态自然整合的区域表现形式既有自然地理因素，也有人类社会因素。对应于“有机整合”和“地形解释”，它表现为较浅的层次，是一种适应性、增量性的建筑创造。

3)契入地区地形：对优美自然环境的关注程度相似，唯一不同之处是注意角度及使用的程度和手段不同。地势与建筑的有机结合，既反映了地理因素，也反映了社会因素。与“自然融通”相比，此类物质性和社会性的表达特征有更深层次的实际意义。

4)诠释地形结构：相对于“自然与地形纹理融合”和“有机地与场地地形融合”，地形结构解释有一种哲学倾向，即从数量向质量转变。这一建筑形态的构成既有地理因素，又有人文社会因素。

2 古典建筑地域性表达特征判定

目前，人们对建筑地域性的关注和理解是基于对“地域性”一词的不同理解。不同的时代、不同的地域，对地域意义的解读是不同的。即使在同一时代，地域性的内涵也会随着人们的建筑需求、用途和使用标准的不同而发生变化。建筑的地域性是在人类文明产生的时候就存在的，它早在原始社会就有鲜明的特点。在工业文明时期，它随着现代主义建筑浪潮的兴起而逐渐消退。直到今天，在经济文化交流的全球化浪潮下，建筑的地域性重新进入了人们的视野。地域性建筑并不是孤立存在的，首先，它与许多自然和社会因素密切相关，其实质是寻求这些要素的组织和整合方式；其次，在人类社会各个领域不断进步的影响下，地域性的分析方法和认知内容都发生了拓展和变化。从多维的角度观察地域条件和设计方法上的跨域借鉴，为地域建筑设计提供了更具创造性的途径。

古典建筑具有地域性，寻找场所的时空位置是最基本的任务。“无论是从自然、人文和技术的角度，还是从环境(包括自然和人工)、社会、经济和技术的角度来看，影响建筑的地域因素是分化的。因为地域本身具有时间和空间的特点，所以有必要从时间和空间的角度来分析地域因素。”建筑地域性的理论多种多样，但共同之处是都关注建筑在时间和空间上的定位。本章将分析古典建筑地域性表达特征的判定过程。地域性建筑在宏观上不仅要对地域性建筑进行适应气候的选址和形态布局，使其与自然形成良性的物质和能量交换，而且“与地形肌理既有融合”“有机契入场地地形”“融合地形地貌”和“诠释地形结构”等指标是相对唯一的。

(1)

式中：j表示指标级别；pij表示第i个指标所处j级量度；zj表示量度值，即zj=0.2，0.4，0.6，0.8，1，分别表示不重要、一般、较重要、很重要、非常重要。此时，根据式(1)，计算地域性影响因素的影响权值，确定古典建筑地域性表达特征评价指标权重[3]，即判断该特征是否为古典建筑地域性表达特征，判断流程如图1所示。

将图1输出的古典建筑地域性表达特征值进行输出权值的时间差计算，即，

(2)

式中：tcj表示的是输出最小判定权值；rj表示的是输出时间窗口j最早获得判定权值的时间；tsi与tfi分别表示的是整个判定过程所用的时间与得到最终输出权值的判定时间。通过式(2)可知古典建筑表达特征是否带有地域属性这个判断过程中的所用时间。

3 古典建筑地域性表达特征提取

对古典建筑地域性表达特征的提取需要通过观察样本和数据标签的联合概率分布来获取训练模型，训练后的模型能根据样本分布生成新的数据，用于特征识别。在无监督深度学习中，生成模型具有重要意义。该方法无需目标类的标签信息就能捕捉到高阶相关数据。利用真实数据的本质特征，描述样本数据的分布特征，产生与训练样本相似的新数据[4-5]。

在高维复杂数据处理中，采用了自动编码器、自动签名模型、自动生成仪器网络等，其中自动编码器和改进的自动编码器变量，使系统的学习目标更容易达到初始分布。其形式是最大化概率数据下界的概率图模型。如像素中的递归神经网络这样的授权模型是通过对每个像素的条件分布建模来训练网络(左或上)的[6-7]。这样做就像把像素图像放到模型中一样，但是RNN(递归神经网络)在水平和垂直方向上运行，而不只是字符ID序列。从零和博弈理论中得到启发，产生对抗网络。包含了代际模型和歧视模型。发起者截取样本数据的分布，并判断模型是否为两层索引，以评估输入数据是否真实。该模型的过程优化是二元的，是极小极大问题博弈的一部分，在训练过程中，设置一方更新另一方的参数并迭代到变化，使其他页面的误差最大化。最后生成的模型可以估计样本数据的分布。

因此，本文是在生成对抗网络基础上，捕捉每一个网络节点在空间坐标系中的位置信息组成的特征点，这些位置信息通常可以用来计算表达、角度、速度以及识别其他特征[8-10]，本文主要考虑表达信息。地域性表达变化时序描述了整个动作过程中某些表达大小随时间变化的轨迹，为了使表达的值域能够尽可能在同一范围内[11-12]，对表达进行规范化处理，计算公式：

(3)

(4)

(5)

(6)

依据前述计算得到的规范化处理参数，引入Kinect的静态姿势评分方法中的评分计算公式，并加以改进使其满足本文方法要求[13-14]，即再将规范化处理参数D带入古典建筑地域性表达特征模型匹配准确度计算公式中，得到如式(7)的提取模型：

(7)

式中匹配识别准确度S的取值范围为[0，100]，标准匹配和实时匹配的匹配度越高，S的值越大[15-16]。在式(7)中，Dst值越小，特征匹配准确度的判别越严厉。为避免出现负分的情况，当D>Dst时，Sst为预设的基准匹配度参数，根据实际需要将特征匹配识别准确度S将直接判为0，可以通过参数Sst其控制在合适的范围内[17]，结合古典建筑地域性表达特征判断流程中Zj值，得到全部带有地域属性的古典建筑表达特征，实现古典建筑地域性表达特征提取。

4 实验与分析

在本次实验中，本文使用标记Train_m来表示每一类古典建筑样本，(该样本从UCI MachineLearning Repository(https：//archive.ics.uci.edu/ml/datasets.html)中随机挑选，同时，随机抽取500幅图像作为训练集，其余图像作为测试集。

一轮实验将重复30次，即每个实验为每个场景随机选择m张图像作为训练集，并使用剩余的图像作为测试集。将30个实验的平均值作为一轮实验的最终结果。

根据式(4)计算提取时间，测试古典建筑地域性表达特征提取效率，本文模型最终提取结果如图2所示。

图2 古典建筑地域性表达特征提取效率

由图2可知，为了使表达的值域能够尽可能在同一范围内，在进行古典建筑地域性表达特征提取时，本文模型引入了生成对抗网络，提高了地域性表达特征提取效率，使提取时间一直保持在0.75～0.1 s之间。

在古建筑地域性表达图像个数为100～500时，验证本文模型提取过程中的冲突率，将设计的模型与文献[1]方法和文献[2]方法进行对比，所得实验对比数据具体见表1。

表1 提取特征冲突率实验对比数据

根据表1的提取特征冲突率实验对比数据可知，本文特征提取模型的冲突率低于文献[1]方法和文献[2]方法的特征提取模型，说明本文方法可精准实现特征提取，并将其应用于实际。

5 结论

本文提出了古典建筑地域性表达特征提取模型研究，通过分析了古典建筑地域性表达特征组成，引入了生成对抗网络，分析古典建筑地域性表达具体特征之后，根据指标期望值、方差和变异系数，确定特征匹配指标的重要性，判断该特征是否为古典建筑地域性表达特征，提高了地域性表达特征提取效率和准确率，为该领域的相关研究提供理论参考。

随着非线性特征在图像中的广泛存在，现有的非线性特征提取方法得到了长足的发展。流形学习是目前非线性特征提取方法中的一个研究热点，因此，在未来的研究中，将尝试引入流形学习相关理论进行古典建筑领域研究。