基于BP神经网络的工业遗产评价模型建构

曲 薇, 宋文静

(1. 沈阳大学 建筑工程学院, 辽宁 沈阳 110044; 2. 沈阳市土地整理中心, 辽宁 沈阳 110000)

随着我国产业结构的调整,老工业企业停产或迁离原址成为普遍现象,大量工业遗产呈闲置或废弃的状态,并且在城市发展中面临尴尬的境地.一方面,这些工业遗产往往承载着特定时代、特定历史时期的印记,具有不同程度的保护价值.如具有“共和国工业长子”之称的辽宁,是新中国最早建设的国家重工业基地之一,拥有丰富的工业遗产.这些遗产反映了辽宁工业化的历史进程,凝聚了工业时代的工人精神,也是反映辽宁工业文明的重要载体,更是不可再生的宝贵资源[1].另一方面,许多工业遗产位于城市中心地带,具有土地价值较高、对城市形象影响较大等特点,易与城市发展产生矛盾而面临被拆除的命运.准确而全面地进行分析与评价、确定其价值是处理这些工业遗产最重要的前提条件.目前,我国有大量的工业遗产尚未进行价值评定,其中很多都具有很高的历史价值和社会价值,但同时,城市建设进度刻不容缓,需对相关工业遗产进行快速判定,以决定其命运.以往的工业遗产评定需政府组织相关部门与专家进行分析认定,整个过程需要较长时间,且每次论证所能组织的专家有限,相对而言不够全面与客观.本文利用BP神经网络构建起一种新型的价值评价方式,通过大量样本的建立与训练,形成误差率极低的评价模型,使之在运算中涵盖尽可能多的相关专家的思维运算模式,并以模型形式固定下来.这种相对客观的运算方式不受时间、地域、环境等方面的影响,能够保证其结果更加准确、客观、稳定与快速,满足对大批量工业遗产评价工作的需求.

1 完善工业遗产评价体系

我国对文物以历史、艺术、科学3大价值为判断标准,但这些不能涵盖工业遗产价值的全部和其具有的价值特殊性[2].分析影响评价因素、构建工业遗产评价体系的目的在于寻求一组具有代表性、能全面反映工业遗产价值的特征指标.这些指标不但能够反映出其对评价对象产生的影响,还要准确地反映出相互之间的关系[3].经分析与论证,最终将工业遗产评价因素分为历史价值、完整性价值、科学技术价值与艺术价值4部分.

1.1 历史价值

工业遗产是工业时代的产物,承载着一个时代经济、社会、工程技术、生产生活方式等方面的烙印.可细划分为3方面.

(1) 建造时期.人们能够通过这些物质存留探寻早期工业文明的状况.一般来说,建造时期越久远,遗存下来的相关记录越少.如始建于康熙元年(1662年),至今已有350多年历史的老龙口酒厂是沈阳近代工业的源头.早在清康熙、乾隆、嘉庆、道光年间,各朝清帝东巡谒陵时,老龙口酒厂生产出的酒就被尊为御用酒[4].其历史价值不言而喻.

(2) 与历史事件或历史人物的关联度.重大的历史事件或是重要的历史人物与工业遗产的相关性赋予了其更为特殊的意义.如沈阳黎明发动机制造公司(原东三省兵工厂)[5]旧址中现存的“小白楼”是当年张作霖的办公楼,后来杨宇霆也在此办公,具有很高的历史价值.

(3) 同类稀缺性.建筑遗产现存数量的多少对其价值大小会产生直接的影响[6].同类稀缺性指的即是这种由于同一时期同类型的现存工业遗产数量少或是在不同历史时期某工业遗产类型具有特殊性所致的数量稀少而带来的特殊价值.

1.2 完整性价值

工业遗产历经时间磨砺,自然老化、磨损及自然灾害等都会造成其功能减弱,而一些不恰当的改造也使建筑遭受了不同程度的损毁.工业遗产不同的存留状态所能传递的信息量差别很大,因而其文化传载性也大不相同.可从两方面进行考虑.

(1) 工业遗产的规模.一般来说,存留下来的大规模的工业遗产多包含数量较多的生产性建筑、办公类建筑及居住建筑,可较完整地体现当时工业生产与生活方面的情况,且此类工业遗产往往在当时占有重要地位,生产水平相对较高,辐射区域较大,故评估遗产价值时应予以重视.

(2) 工业遗产自身的完整性.包含工业遗产整体的完整性与局部完整性两个部分.其中整体完整性指该工业遗产各组成部分存留得是否完整,如原有的生产性建筑、办公建筑或是居住建筑是否都保存下来;而局部完整性则是指其各组成部分内部的存留程度,如生产性建筑内部是否保留着原有的设备以及保存的完好程度.

1.3 科学技术价值

科学技术价值指工业遗产通过物质存留而展现出当时工业发展的先进性或独特性,主要体现在行业开创性、生产工艺水平与建筑施工水平3个方面.

倘若某一工业企业的建立在国际、国内或是地区范围内具有开创性,或某项技术、设施设备的应用在同行业中具有开创性,则可以认为这些企业或是建筑设施设备具有特殊的遗产价值.

生产工艺水平价值是指在设施设备、工艺流程、生产工具等方面具有创新性,或是应用了先进的技术,能提高生产效率、增加产量,在行业内起到领军作用,取得了社会效应,那么这些工业遗产也具有较高的科学技术价值.

另外,作为一种重要的建筑类型,工业遗产中的建筑本身也代表了一定时期中建筑行业的水平.这些工业建筑遗产能够体现出当时结构、技术、材料、风格等方面的情况.

1.4 艺术价值

工业遗产具有独特的审美价值,人们逐渐认识到废弃的厂房不是废物,其本身就是一种极具审美价值的文化[7].工业遗产存留下来的物质要素能够显现出特定时期的艺术风貌,可通过以下几个方面进行考虑.

(1) 时代特征的体现.工业遗产是特定时代的产物,不可避免地承载着建立时期的时代印记,从大规模工业遗产的规划至具体工业建筑的空间处理、立面风格等,都传递着相关信息.工业遗产是否良好地顺应了当时建筑艺术发展的风格、流派、特征,向人们展示出当时当地的时代特征,是评判其艺术价值的重要影响因素.

(2) 产业风貌特征的表现.工业遗产的总体布局,或工业建筑、设施设备等共同展现出了其自身的产业风貌,是城市景观的重要组成部分,甚至可成为一个区域的识别性标志,给人们以认同感与归属感.

(3) 建筑美学特征.即使在同样的建筑特征与产业风貌环境影响下,建筑设计仍会呈现千姿百态的效果,具有良好美学特征的工业建筑遗存无疑成为传递特定时代信息的经典之作.如辽宁总站旧址为我国著名建筑设计师杨廷宝先生设计,该建筑达到了建筑形式和空间上的完美结合,其清晰的结构、空间和形式上的逻辑关系符合当时国内的建造水平和条件,是沈阳建筑探新设计的佳例[8].

2 样本设计及获取

2.1 评价表格设计

根据工业遗产评价体系,对工业遗产的历史价值、完整性价值、科学技术价值和艺术价值4大项11小项指标的评价方式进行了进一步量化.每一小项总分为10分,按照4个等级分级评价.除对11小项指标进行分级评价外,还将工业遗产的总体评价分为5个等级:极高、高、较高、一般和较低.

2.2 训练样本建立

共选定12座工业遗产作为样本数据源,分别为沈阳铸造厂大型一(翻砂)车间、满洲住友金属株式会社车间旧址、老龙口酒厂旧址、东三省兵工厂旧址、铁西工人村历史建筑群、奉海铁路局旧址、辽宁总站旧址、太古仓码头、青岛啤酒厂早期建筑、钟渊纱厂旧址、南满洲铁道株式会社本部旧址和裕丰纺织株式会社旧址.通过查找现有评价资料及组织本行业专家填写调查表,对以上12座工业遗产的4大项11小项指标进行评价,再给出对遗产的总体评价,最终形成了针对以上12座工业遗产的学习样本,每一座工业遗产对应5个学习样本,共60个.

3 模型评价算法

3.1 算法需求分析及选型

人工神经网络是在现代神经生物学研究基础上提出的模拟生物过程、反映人脑某些特性的一种计算结构.模拟人脑的人工神经网络具有优良的非线性表达能力、并行处理能力及自学习、自适应能力,同时,它具有联想记忆、非线性映射、分类与识别、优化计算、知识处理等功能[9].人工神经网络可以很好地表述潜在知识,吸收专家的经验,且由于隐层和阈值的存在,有很高的抗噪声能力及较高的容错性.将人工神经网络算法应用于工业遗产评价模型,将满足上述对模型算法的选型需求,能通过样本学习,快速、准确地得到评价结果,提高评价效率.

虽然人工神经网络应用于工业遗产评价模型有很多优势,但在学习过程中也存在问题.由于其算法本质上为梯度下降法,而它所要优化的目标函数又非常复杂,在进行全局搜索时,不可避免地存在收敛速度慢的问题[10].除此之外,也存在容易陷入局部极限、最终评价准确率不高等问题.经分析,在使用人工神经网络的基础上引入了遗传算法,原因如下:遗传算法从多个初始染色体开始并行迭代,可有效地防止算法训练收敛于局部最优解;遗传算法在求解空间中是采用启发式搜索方式进行寻优;遗传算法通过计算适应度进行迭代,对问题依赖度小,可直接嵌入人工神经网络算法.通过在全局范围内设定初始种群,实现通过遗传算法首先优化人工神经网络结构,此后在样本训练中实现全局搜索最优解,避免陷入局部极限.

3.2 算法流程设计

首先对人工神经网络结构进行编码,主要编码内容包括有1～2个隐层,每个隐层有5～10个节点(输入层和输出层节点数根据样本格式确定).此后随机生成5个结构作为初始种群,对每个结构采用误差反向传播算法进行样本学习,在达到训练次数后计算总体误差作为训练结果,根据训练结果计算每个结构的适应度,并进行选择、交叉和变异,产生下一代种群,一直迭代直到达到预设优化目标.

根据第1阶段形成的最优解,确定人工神经网络结构,此后对人工神经网络各节点权值进行编码,随机产生初始种群,继续使用已预处理过的样本进行学习,此次学习直接计算前向,将前向计算结果与样本预期评价进行对比,计算误差,将全体样本的总误差作为适应度函数的核心变量.通过计算适应度进行种群选择、交叉和变异,产生下一代种群,迭代到达到预设的优化目标.而后,对最优的染色体进行解码即可得到人工神经网络各节点的权重,至此完成工业遗产评价模型的构建和训练.

3.3 结构及参数设计

基于以上算法流程,最终确定如下算法结构及参数.

(1) 输入层.输入层起到缓冲存储器的作用,它接收外部的输入数据,因此其节点数取决于输入量的维数.由于样本共分为11小项,故将人工神经网络的输入层设置为11个节点,此项不随遗传算法对网络结构的优化而改变.

(2) 输出层.输出层节点数取决于2方面:输出数据类型和表示该类型所需要的数据大小.当人工神经网络用于模式分类时,一般以二进制形式来表示不同模式的输出结果,输出层的节点数可根据待分类模式数确定.由于样本最终评价分为5个等级,故将人工神经网络的输出层设置为5个节点,对应每一等级该节点取1,其余节点取0.此项不随遗传算法优化网络结构改变.

(3) 隐层.理论分析证明,具有单隐层的感知器可以映射所有连续函数[11],只有当学习不连续函数(如锯齿波等)时,才需要2个隐层,所以通常人工神经网络最多只需2个隐层.

采用遗传算法对隐层数量(1～2个)及隐层节点数量(5～10个)进行优化,通过计算最终确定采用单隐层,隐层含有8个节点.

(4) 变换函数.采用常规变换函数为

式中,y为函数输入.

看病时，周岱翰总会依次询问3件事：吃、睡、拉。在他看来，能吃、能睡、能拉代表病人的生活状态较好。有时，他甚至会劝病人，不该吃的东西也可适当尝尝。

(5) 动量项.人工神经网络算法中加入动量项,主要为在调整权值时同时考虑当前时刻及前一时刻的梯度方向,避免发生震荡,提高训练速度.这里选择加入动量项,设定动量系数α=0.3,动量表达式为

ΔW(t)=ηδX+αΔW(t-1).

式中:η为学习率;δX为误差调整量.

(6) 学习率.在经典的人工神经网络算法中,学习率由经验确定,学习率越大,权重变化越大,收敛越快;但学习率过大,会引起系统的振荡,因而此处选择学习率η=0.25.

(7) 权重编码方式及初值.在确定人工神经网络结构的基础上,对所有权重(-1到1之间)使用6位二进制数字编码.由于在算法流程第一阶段确定了网络结构(输入层11节点、隐层8节点、输出层5节点),因此编码总长度为972位.

编码后解码公式为

式中:ω为解码后权重;b为6位二进制编码转为十进制的结果.

确定编码方式后,权重的初值由6位二进制编码随机生成.

(8) 适应度函数.选取全体样本的总误差作为适应度函数中的核心变量,以常数(初值1 000)与总误差差值作为适应度函数,总误差越小,适应度函数值越高.

(9) 初始种群规模.为使初始种群能更多地分布在解域空间,实现全局搜索,选择初始种群规模为20条染色体.

(10) 选择策略.在选择过程各个染色体根据其适应度进行复制,适应度越大的染色体在下一代有更多机会拥有更多子孙.这里采用传统轮盘赌选择方式.由于初始种群规模较大,不存在难以交换和突变的情形,故进一步采用精英保留策略,即在每一代中保留适应度最好的染色体,不参与交换和突变.

(11) 交换策略.采用传统交换策略,每次不同染色体两两配对进行子串交换.但由于采用了精英保存策略,因此交换几率设定较高.

(12) 突变策略.突变是在各染色体完成交换后,以很小的概率随机改变一个串位的值,防止丢失有用的遗传因子,同时避免种群失去多样性.本文采用传统突变策略,但由于采用了精英保存策略,因此突变几率设定较高.

3.4 数据预处理

由于选用的60个样本值域均是0～10,因此首先对样本的11项指标值进行归一化处理,采用如下公式:

归一化后每个样本的11项指标值形成一个11维向量作为人工神经网络输入.

样本的总体评价值分5个等级,转化为一个5维向量,每一等级相应维数取1,其余取0,作为人工神经网络的输出期望.

完成预处理后,设定单一染色体适应度大于固定常数(初值900,根据训练结果可不断修改逼近最优条件)作为优化目标开始样本训练.

3.5 训练结果及算法优化

由于每次训练的初始种群随机产生,因此重复进行训练试验,并根据训练结果进一步调整和优化算法中交换几率、突变几率、最优条件等参数,实现工业遗产评价模型算法的不断优化.

经多次样本训练及算法优化,某次训练达到最优条件后全部染色体适应度总和变化如图1所示.全部染色体平均样本误差变化如图2所示.最优染色体适应度变化如图3所示.最优染色体平均样本误差变化如图4所示.

图1 全部染色体适应度总和变化Fig.1 Variation of total chromosomes fitness

图2 全部染色体平均样本误差变化Fig.2 Errors variation of average sample of all the chromosomes fitness

图3 最优染色体适应度变化Fig.3 Variation of optimal chromosomes fitness

图4 最优染色体平均样本误差变化Fig.4 Errors variation of average sample of optimal chromosomes

从图1和图2可以看出,全部染色体的适应度总和及样本平均误差变化起伏很大,说明遗传算法中种群不停交换和变异,一直在全局范围内搜索最优解.而最优染色体的适应度不断上升(图3),平均样本误差不断下降(图4),说明评价模型权重不断优化,基本上在5 000～6 000代后达到稳态,收敛到最优结果.

此时平均样本误差下降至1.46左右,未进一步下降的主要原因在于样本中存在部分噪音,即同样输入但不同输出,由于综合利用人工神经网络及遗传算法能使评价模型的泛化能力较强,因此模型输出多在两个维度上有取值(一个对应期望输出,一个较期望输出低0.2左右),其他维度基本为0.不影响使用模型进行工业遗产评价(选取输出中最高项).

完成训练后,使用了10个新的样本测试评价模型的有效性.将样本输入后进行对比,可发现工业遗产评价模型做出的评价与期望评价基本相符.

4 结 论

完善了工业遗产价值理论体系,提出了一种包括4大项11小项的工业遗产评价体系,使其中的指标更贴近工业遗产的现状和特点并可量化,与人工神经网络和遗传算法有着极高的契合度.

综合运用人工神经网络和遗传算法实现评价模型的自学习和快速评价.一方面使用人工神经网络提升评价模型的非线性表达能力和平行处理能力,提升自动评价计算速度;另一方面使用遗传算法实现模型的自学习和不断进化.避免了单独使用人工神经网络算法带来的学习效率较低、有时难以达到全局最优的缺陷.此外由于遗传算法对问题依赖度较低,因此引入遗传算法也提升了评价模型的普适性和可移植性.

[ 1 ] 侯爽,林江. 创意工业遗产提升城市魅力:文化创意视角下辽宁工业遗产开发利用探析[J]. 沈阳大学学报(社会科学版), 2013,15(2):147-149.

HOU S,LIN J. Development and utilization of liaoning's industrial heritage from perspective of cultural creativity[J]. Journal of Shenyang University(Social Science), 2013,15(2):147-149.

[ 2 ] 蒋楠. 基于适应性再利用的工业遗产价值评价技术与方法[J]. 新建筑, 2016(3):4-9.

JIANG N. Techniques and methods for value evaluation of industrial heritage based on adaptive reuse[J]. New Architecture, 2016(3):4-9.

[ 3 ] 金姗姗. 工业建筑遗产保护与再利用评估体系研究[D]. 长沙:长沙理工大学, 2012.

JIN S S. The assessing system of protection and reuse on industrial architectural heritages[D]. Changsha: Changsha University of Science & Technology, 2012.

[ 4 ] 陈伯超. 遗产保护与经济效益:老龙口酒厂保护性开发设计[J]. 建筑创作, 2010(11):186-190.

CHEN B C. Protection of heritages and economic profits: protective development design for Laolongkou spirit plant[J]. Architecture Creation, 2010(11):186-190.

[ 5 ] 哈静,曲薇. 沈阳工业历史及工业建筑遗存现状[J]. 北京规划建设, 2011(1):37-42.

HA J,QU W. Industrial history and current status of industrial buildings in Shenyang[J]. Beijing Planning Review, 2011(1):37-42.

[ 6 ] 韩冰,罗智星. 建筑遗产价值评价方法研究[J]. 华中建筑, 2010,28(6):116-118.

HAN B,LUO Z X. Evaluation of subsoil modulus for the value of architectural heritage[J]. Huazhong Architecture, 2010,28(6):116-118.

[ 7 ] 张宇. 德国工业文化旅游产业的战略性开发整合路径[J]. 沈阳大学学报(社会科学版), 2016,18(6):764-768.

ZHANG Y. The strategic development and integration path of German industrial cultural tourism industry[J]. Journal of Shenyang University(Social Science), 2016,18(6):764-768.

[ 8 ] 吕海平,朱光亚. 杨廷宝早年在沈阳的新建筑探索[J]. 华中建筑, 2009,27(2):29-34.

LYU H P,ZHU G Y. Yang Tingbao’s exploration of new architecture in Shenyang City during his early career[J]. Huazhong Architecture, 2009,27(2):29-34.

[ 9 ] 胡秦. 基于人工神经网络的高校建筑工程造价预测系统的研究与应用[D]. 西安:西北工业大学, 2006.

HU Q. The research and application of the cost-estimating model of building project in colleges based on artificial neural networks[D]. Xi’an: Northwestern Polytechnical University, 2006.

[10] 靳建彬,王元钦,陈源. 基于遗传算法的BP神经网络优化策略研究[J]. 计算机与现代化, 2010(9):88-91.

JIN J B,WANG Y Q,CHEN Y. Application of artificial neural network based on genetic algorithm to cooperative transport of multi-robots system[J]. Computer and Modernization, 2010(9):88-91.

[11] 黄庆斌. BP算法的改进及其应用研究[D]. 成都:西南交通大学, 2010.

HUANG Q B. Improvement of BP algorithm and its applications[D]. Chengdu: Southwest Jiaotong University, 2010.