智能景观网络拓扑与观赏效能的关联模型*

郭 阳，郑 伟

（1.山西大学 商务学院，太原030031；2.中国能源建设集团山西省电力勘测设计院有限公司，太原030001）

智能景观网络拓扑与观赏效能的关联模型*

郭 阳1，郑 伟2

（1.山西大学 商务学院，太原030031；2.中国能源建设集团山西省电力勘测设计院有限公司，太原030001）

针对智能元件与观赏效能的优化问题，结合智能景观网络的元件节点和情绪引导属性，引入情感观赏与原件设计效能的适用度评测算法，建立了智能景观设计中网络拓扑与观赏效能的关联模型，有效诠释了在分布式网络设计环境中的观赏资源优择方案.结果表明：观赏效能的关联模型能够对设计过程进行有效的优化测算，提高景观设计中关于情感不确定性估计的适用性，对促进智能景观设计有较高的实用价值.

智能景观；网络拓扑；关联性；互信息；观赏模型；多种表达；情感检测

利用信息通信技术将景观设计平台和情感服务工作相结合，通过“互联网＋”理念开创景观设计服务模式，提升情感服务的广度与深度是景观设计的必由之路.人置身于景观空间内部很难从宏观角度或单纯的形式感、功能性上体会空间景观的独特美感［1］.为弥补传统景观设计评价方法的不足，提高风险管理的效率，将情感服务系统引入景观设计评价中成为了当前景观设计评价研究的前沿和热点［2－3］.景观设计作为人类世界观、价值观、伦理道德观的重要反映，构成了多重表达对象之间拓扑关系的基本框架，基于该框架提出了拓扑关系抽象化的方法，包括边界交集成分的删除和合并、交集成分维数的减少［4］.由于景观系统的复杂性和不可确定性，传统景观设计评价方法在评估景观系统受一个或多个胁迫因素影响后，可能产生不利的效应，难以兼顾系统内多对象［5－7］，且景观设计中，网络拓扑引导规划技术还属于初级阶段［8－10］，故其评价指标重点应当在观赏效能方面，应最大限度地通过美学观赏效能来强化景观设计的内涵.

本文分析了智能景观系统服务在景观设计与美感评价中的关联效用，指出情感系统服务在问题形成阶段可明确情感对象和属性；在设计分析阶段可联系网络系统结构的衍生作用；在设计表征阶段及后续实施阶段可提供清晰明确的评价结果，加强情感交流和管理，能有效地改进传统景观设计效能.

1 智能景观模型设计

根据美感评价终点的概念内涵，可将智能景观简练表达为：“智能景观＝美感属性＋实体”的结构［11－12］.实体可理解为景观服务提供者的结构和生态过程；属性可解析为单元实体相对应的功能和服务.

1.1 系统结构

随着大数据网络检测技术的完善，单个基因或美感因素己经不能从根本上揭示美观现象的发生和发展规律［13］，准确地构建美感途径调控网络，会大大提高美感传播的精度［14］.美感情绪调控网络具有强耦合性、随机性、时变性、强非线性等特点，是一个复杂而庞大的系统，要精确地识别基因间的转录调控关系，并且排除大量的假阳性关系，需要建立贝叶斯有向图，通过情感距离分析有效地建立精确的景观情感基因调控模型.

在使用情感基因构造美观数据的预测模型中，网络拓扑中每一个节点元的互信息熵均可以预测情感估计目标函数中贡献较大的输入变量，并且保留到最后的最优方案中，整个预测模型的结构图如图1所示.

1.2 景观拓扑网络

在观赏认知网络中，美感认知是个由浅入深的渐进过程，观赏者围绕知识网络构建美感认知的层次结构如图2所示.每一条有向边均代表着一条观赏认知途径，捆绑着若干美感情绪属性特征.智能景观设计者设置众多的景观元件节点，将节点、情感连接线（认知途径）集成构造出观赏知识面，构成了分布式网络下的观赏性景观拓扑网络.面对景观目标对象，智能环节设计出n个景观元件节点，构成美感认知网络G（V，L），景观元件构成了节点集V＝｛v1，v2，…，vn｝，观赏评价效能构成边集L＝｛（vi，vj）|vi，vj∈V｝，G（V，L）属于一个有向图.

图1 预测模型构造Fig.1 Establishment of prediction model

图2 观赏认知网络Fig.2 Appreciate cognitive network

结合互信息熵数学模型，应用适应度方法构造景观情感基因调控网络，其相比单一的网络模型会更加准确和稳定，是情感模型研究的一个趋势.结合互信息熵的数学模型不仅可以解决单一节点孤立存在的缺点，还可以整合多种边属性重构的网络拓扑结构，最终减小假阳率.在美感认知网络G中，任何一个节点vi都可以用相邻节点的临接矩阵来分析，定义景观元件节点vi的前导点集合为F（vi）＝｛vj（vi，vj）∈L｝，景观元件节点vi的后继点集合为B（vi）＝｛vj（vi，vj）∈L｝.在考虑观赏途径重复性的情况下，观赏者选择景观节点vi的概率为

在熵代数中，两个概率分布（X和Y）的互信息表示为

边缘概率使用高斯概率密度函数来估计，即

式中：C为X的协方差矩阵；δx为矩阵C的标准差；N为样本点数；g为网络中的基因总数.于是可以推导出

式中，C（X，Y）为协方差矩阵行列式.

1.3 情感效能检测

情感效能检测评价指标涉及人、建筑、社区及城市等诸多方面，随着生态美学理念的不断深入，人们必须站在科学的角度对园林景观行业进行全新审视，景观设计必须与生态美学环境紧密结合.情感传递过程中通常包含噪声，且具有高维、显著性少的特征，网络环境下情感传递的量值表达式为

式中，a、b为惰性系数，分别由样本数据训练获得（文本取a＝0.102 3，b＝1.719 4）.若具有n个节点的景观元件，则计算情感输入合计为

式中：kj为第j个节点的输入；ωj为情感权重.于是总输出可以表示为

为了更好地结合结构功能与生态过程，需明确生态美学结构与工程的相关特性表征参数，搭建的景观体验循环机制如图3所示.

图3 景观体验循环机制Fig.3 Circular mechanism of landscape experience

1.4 景观元件相关性

景观元件相关系数重构对于理解景观内复杂情感调控机制至关重要，虽然很多方法可用来重构情感相关系数调控网络，但是由于数据中包含大量的景观元件和少量的采样点，无法避免所构造的网络系统假阳率较高的情况，使用时存在一定的局限性.

本文将被选中的情感调控边输入定义为一个情绪因子，因子之间的依赖关系就构成了景观情感基因调控流.为了区分情绪因子的预测输出和输入间的关系，引入皮尔逊相关系数，即

式中：xi和yj为两个变量的样本值；sx和sy为样本方差.通过两个变量相关系数的计算定义正的相关系数表示激励作用，而负的相关系数表示抑制作用.

景观元件的情感基因调控数据必然是一种稀疏数据，为了减少大数据网络的复杂性，需要基于有向图临接边分布，聚集景观网络中的关键边属性，排除很多不正确的边，即假阳情绪边，减少预测错误的连接.本文使用多数表决方法来确定关键边属性，在多数表决过程中，通过多个概率分布实验得到模型中的关键性景观途径，然后确定景观元件的最佳出现位置，最后定义一个边属性分布，对景观元件节点进行简约性裁剪.

一个给定景观元件的候选调控因子（边属性）远多于美感指标维度的样本点数，并且景观调控网络是一个稀疏网络，也就是说在候选的边属性调控中，只有极小部分真实的调控景观元件.所以在构建此非线性模型过程中，在传统评价的基础上加入一个稀疏项，目的是选择出合适数量的特征属性边，其评价函数可描述为

式中：wk和uk分别为在考察时段内调控景观元件实际值与预测值；Bi为稀疏项，Bi为权重正则化表达式；T为调控景观元件数量.

考虑到互信息值关联着景观元件相关情感基因，在评价函数中加入相关项，可用来检测与每个景观元件都具有较大相关性的情感因子，最终提出的适用度评价函数为

式中，Ω为调控因子集，包含m个调控因子.

1.5 多重表达过程

智能景观设计训练过程就是一个多重表达的过程，多重表达要解决数据之间的一致性问题.要保持多重表达数据之间的一致性，就必须使各层次的景观元件对象间满足同构映射关系.但关键问题是：若保证景观元件的同构映射，则不一定能维持情感属性边上拓扑关系的一致性；若不保证情感属性边的同构映射，则仅能保持景观元件之间主要的拓扑关系，而打乱景观元件之间从属特征上的一致性.本文提出的景观设计与情感适用指标的多重表达过程如下：

1）输入景观元件表达数据，形成有向图网络拓扑，对于线性和非线性模型分别初始化邻接矩阵（情感边属性集），小样本训练，确定惰性系数a和b.评估所有景观元件与美感属性边的互信息熵.

2）随机创建灵活边变动种群，包括节点元件、边属性结构及其对应的参数.从指标集中随机构造变动因子，然后根据该变动因子所在节点的互信息熵循环计算情感边的相对概率分布.

3）如果所选择的是美观因子边属性，则根据评价函数的操作个数，从网络拓扑中选择相连景观节点，确定互信息熵梯度距离.随机变动美观因子属性，直到满足规定的最大互信息熵出现为止.如果所选择的是景观元件节点，则根据属性边区间匹配，随机分配网络拓扑结构中的适应值函数，直到满足规定的最大互信息熵出现为止.如果适应值使评价函数迭代到最大次数，则停止演化过程.

2 实验结果与分析

为了测试景观元件与观赏效能之间的关联性，本文采集BIM系统真实数据，并对真实数据进行聚类，抽取出典型情绪案例，布局成为观赏认知网络.实训数据集记录了一个智能景观设计中的元件数据与情绪变动的情况，包含340个数据表，共有3.2 Gb条记录.实验中分离出7类情感异动的有效数据集：怀旧（Z1），留恋（Z2），痴情（Z3），新奇（Z4），励志（Z5），勇敢（Z6）和开拓（Z7），其邻接概况如表1所示.

表1 邻接概况Tab.1 Overview of adjacency

在景观元件节点和有效观赏情绪边的布局网络中，通过情感效能检测获得了节点美感效能和情绪流动的关联性趋势，形成了情绪调控的优化聚类，优化聚类结果如图4所示.

图4 优化聚类结果Fig.4 Results of optimization cluster

对观赏者的情绪熵数据聚类，最典型的四类情绪为怀旧（Z1）、留恋（Z2）、痴情（Z3）及新奇（Z4）.随着观赏节点资源的增加，其边属性由50项逐步扩大到600项，其景观元件美感效能与途径观赏效能的关联性互信息熵的变化趋向如图5所示.不同类型的情绪关联度变化幅度有所不同，其中，Z1、Z2、Z4类情绪互信息熵同步增加明显，而Z3类情绪随着边属性的变化，其互信息熵变动不明显.通过对景观节点属性变动的调控发现，景观节点设计中多数情绪元件的数量可以线性增加，但存在个别类型的情绪元件的增加效果十分有限，需要对景观线路的情绪元件进行定性筛选才能提高观赏效能.

图5 互信息熵趋势Fig.5 M utual information entropy trend

通过智能景观网络分布方式，设计出各种观赏引导线路（导游主题），并且可以动态地分析出每条观赏途径与景观网络资源布局的互信息熵差异，增加浏览者的体验感.实验中提选4种游览线路，景观线路的情绪因子分布如表2所示.

随机获取情绪变动因子（情绪边和情绪节点变动），情绪调节项由50项逐步扩大到600项，计算景观网络资源项目的适用度检测曲线如图6所示，用以判断景观元件投入观赏活动后的效能.

表2 景观线路的情绪因子构成Tab.2 Com position of emotional elements in landscape routes %

图6 游览线路的适用度检测曲线Fig.6 Adaptability detection curves for tour routes

通过图6的实验结果说明：

1）在动态路径景观规划设计中，“新奇”特征的景观路线最初情绪量值并不是最大，但随着情绪变动因子的调控，其最能提升景观的观赏效能.

2）在景观观赏游览线路的设计中，通过情绪熵观察可以获得情调差异与景观线路设计的合理性，结合情绪变化特征，才能给客户设计出最满意的观赏线路.

3 结 论

智能景观设计要求具有独特的元件布局效能和情感效能计算，在地理、文化、民族、政治和经济等方面都要求有动态的评价方法.本研究最大程度地包容了景观设计中的个性化、动态性和稀疏价值特征，为抑制雷同现象，结合元件效能与美观效能互信息熵演化过程，研究相关美感情绪观赏所需要的优化途径，采用动态的情感属性效用评价，较好地缓解了计算机大数据条件下所产生的稀疏性冲突矛盾.以动态的情感边属性来驱动景观元件的布局，能够有效地兼容各种情绪的影响，避免不合理的干扰，达到智能景观设计所需要的“自然元素与情绪元素和谐统一”.

（

）：

［1］杨玲，莫冠冲.基于互动理论的城市绿色步行空间景观设计探析［J］.生态经济，2016，32（1）：224－ 227.（YANG Ling，MO Guan-chong.Analysis on the landscape design of urban green walking space based on interaction theory［J］.Ecological Economy，2016，32（1）：224－227.）

［2］郭青俊，罗倩，林祥霖.“非临时性”景观设计方法探讨［J］.林产工业，2016，43（1）：57－60.（GUO Qing-jun，LUO Qian，LIN Xiang-lin.The discussion of designing method for“non-temporary”lands［J］.China Forest Products Industry，2016，43（1）：57－60.）

［3］夏琳琳，潘旭影，王丹，等.基于类高斯隶属函数的模糊万能逼近器性能分析［J］.沈阳工业大学学报，2014，36（3）：316－321.（XIA Lin-lin，PAN Xu-ying，WANG Dan，et al.Performance analysis of fuzzy universal approximator based on Gauss-type membership function［J］.Journal of Shenyang University of Technology，2014，36（3）：316－321.）

［4］康鹏，陈卫平，王美娥.基于生态系统服务的生态风险评价研究进展［J］.生态学报，2016，36（5）：1192－1203.（KANG Peng，CHEN Wei-ping，WANG Mei-e.Advancesion ecosystem service based ecological risk asscessment［J］.Acta Ecologica Sinica，2016，36（5）：1192－1203.）

［5］樊舒迪，胡月明，刘振华.一种新的面向对象城市建筑物信息提取方法研究［J］.华南师范大学学报（自然科学版），2015，47（6）：91－97.（FAN Shu-di，HU Yue-m ing，LIU Zhen-hua.Research of information extraction of city building based on a new object-oriented method［J］.Journal of South China Normal University（Natural Science Edition），2015，47（6）：91－97.）

［6］樊风雷，刘润萍，张佃国.一种改进的城市建筑用地信息提取方法及在广州地区的应用［J］.华南师范大学学报（自然科学版），2014，46（4）：98－102.（FAN Feng-lei，LIU Run-ping，ZHANG Dian-guo.An improved method to extract building land information and the application in Guangzhou［J］.Journal of South China Normal University（Natural Science Edition），2014，46（4）：98－102.）

［7］樊永生.建筑信息模型的空间拓扑关系提取和分类研究［D］.西安：西安建筑科技大学，2013.（FAN Yong-sheng.Building information modeling spatial topological relations extraction and classification［D］.Xi’an：Xi’an University of Architecture and Technology，2013.）

［8］王乌兰.小城镇街道体验式景观设计浅析［J］.鸡西大学学报，2016，25（2）：39－41.（WANG Wu-lan.Discussion of experiential street landscape design of small town［J］.Journal of Jixi University，2016，25（2）：39－41.）

［9］张才伟.谈城市广场环境景观设计［J］.山西建筑，2016，42（1）：208－209.（ZHANG Cai-wei.On environmental landscape design for urban squares［J］.Shanxi Architecture，2016，42（1）：208－209）

［10］贺英杰，王慧强，周仁杰.面向网络态势感知的实时网络拓扑发现［J］.计算机工程，2009，35（24）：127－129.（HE Ying-jie，WANG Hui-qiang，ZHOU Ren-jie. Real-time network topology discovery for network situation awareness［J］.Computer Engineering，2009，35（24）：127－129.）

［11］林志垒.智能生态景观信息评价专家系统的初步设计与应用［J］.水土保持研究，2004，11（3）：70－72.（LIN Zhi-lei.Design and application of the elementary specialist system of the ecological landscape information［J］.Research of Soil and Water Conservation，2004，11（3）：70－72.）

［12］石磊.建筑立面装饰视觉美感研究［J］.太原：山西大学，2012.（SHI Lei.The visual aesthetic feeling of architecture facade［J］.Taiyuan：Shanxi University，2012.）

［13］荣鹏飞，葛玉辉.团队共享心智模型的多层次模糊评价［J］.工业技术经济，2013（5）：10－16.（RONG Peng-fei，GE Yu-hui.Multi-level fuzzy evaluation of team shared mental models［J］.Journal of Industrial Technological Economics，2013（5）：10－16.）

［14］刘肖健，孙艳，吴剑锋，等.产品基因调控网络模型及其对设计过程的辅助［J］.计算机集成制造系统，2013，19（7）：1463－1471.（LIU Xiao-jian，SUN Yan，WU Jian-feng，et al.Product’s gene regulatory network model and its aiding to design process［J］.Computer Integrated Manufacturing Systems，2013，19（7）：1463－1471.）

（责任编辑：景 勇 英文审校：尹淑英）

Relational model for network topology and appreciate effect of intelligent landscape

GUO Yang1，ZHENGWei2
（1.Business School，Shanxi University，Taiyuan 030031，China；2.Shanxi Electric Power Survey and Design Co.Ltd.，China Energy Construction Group Corporation，Taiyuan 030001，China）

Aiming at the optimization problem of intelligent elements and appreciate effect，an adaptability evaluation algorithm about the emotional appreciate and original design effect was introduced in combination with the element node of intelligent landscape network and the attributes of emotion guide.In addition，a relational model for network topology and appreciate effect in the intelligent landscape design was established，and the optimum selection scheme for appreciate resources in the distributed network design environ mentwas effectively interpreted.The results show that the optimization calculation in the design process can be effectively performed with the relational model for appreciate effect，and thus the feasibility of emotional uncertainty estimation in the design of intelligent landscape is increased.The model has a high application value for promoting the intelligent landscape design.

intelligence landscape；network topology；relevance；mutual information；appreciate model；multiple expression；emotion detection

TP 292.1

A

1000－1646（2016）06－0686－06

10.7688／j.issn.1000－1646.2016.06.16

2016－04－12.

山西省自然科学基金资助项目（2014011018）.

郭 阳（1981－），女，山西永济人，讲师，硕士，主要从事智能景观规划与设计等方面的研究.

11－07 12∶30在中国知网优先数字出版.

http：∥www.cnki.net／kcms／detail／21.1189.T. 20161107.1230.016.htm l