房屋建筑图形数据多通道整合方法设计与仿真

高峻峰，汪新军

(1. 华中科技大学机械科学与工程学院，湖北 武汉 430074；2. 华中科技大学，湖北 武汉 430074)

1 引言

信息化技术能够有效实现各项土地资源管理与集成工作，目前最早的数据集成方法是Bolstad等人在20世纪90年代提出的，将区域属性值滤波应用到不同属性的数据集成当中，但当时该方法在精度上无法确定。参考国外的研究成果，国家技术监督局在20世纪末期，提出设计一种空间数据交换格式，利用不同的数据交换方式建立具有映射效果的数据库，用于数据集成[1]。

随着各项技术的发展，数据集成进一步发展到数据整合当中，文献[2]提出利用Altmetrics工具整合数据。文献[3]提出利用Delaunay三角网，建立具有约束特点的模型，用于数据整合工作。文献[4]提出异构方志元数据整合策略，根据数据之间的关联度、细粒度制定数据整合方案。但综合来看，这些方法共享数据的能力不强，获得的整合效果不够理想，因此，提出统一编码下房屋建筑图形数据多通道整合方法。多通道整合就是利用模型的多个交互层，通过数据收集、清洗、提取、分类、识别、交互以及融合等操作，实现数据之间的合并。根据多通道整合理论，研究全新的房屋建筑图形数据多通道整合方法。

2 统一编码下房屋建筑图形数据多通道整合

2.1 房屋建筑图形数据预处理

整合房屋建筑图形数据，主要依据房产和地籍数据库提供的数据，按照统一编码的设置标准，预处理房屋建筑图形数据。针对不同房屋建筑登记数据，比对原数据与《不动产登记数据库标准》，根据新老数据库的比对结果，获取需要补充的数据内容，找到用于排序的数据编码。预处理数据的第一步，就是获得完整的房屋建筑图形数据，第二步规范化处理获得的数据，包括对图形数据的补充和完善，对于无法完善的数据，通过实地调查的方式补充此项数据；对于已经注销的不动产数据，进行数据清理[5]。选择一个过滤函数，对原始数据过滤处理，该函数的计算公式为

(1)

式中：x表示图形数据；X′表示对应的数据属性；α表示属性对应的权重，取值范围在(0，1)之间；K1，K2，…，Kn表示与每一数据属性X′对应的约束条件；γ表示过滤系数。完成数据过滤后，结合提出的预处理方案，设计建筑图形数据规范化处理流程，如下图1所示。

图1 房屋建筑图形数据规范化处理流程

根据上述设计的预处理流程可知，通过预处理房屋建筑图形数据，可以完善房屋建筑统一编码[6]。按照编码顺序逐项检查数据属性，检查规则应参考下表1显示的内容。

表1 数据属性检测规则

按照上述规则检查房屋建筑图形数据，得到可用于整合的完整数据编码。

2.2 统一编码下房屋建筑图形数据特征挖掘

预处理数据后，在统一编码下挖掘房屋建筑图形数据特征，为多通道数据处理提供参考。已知空间数据挖掘技术，可以与人工智能方法等技术结合使用，所以利用该技术挖掘房屋建筑图形数据的空间特征、空间关联、空间分布、空间区分以及空间演变等相关内容[7]。建立一个模糊数据集合，存在X={xij|1≤i≤a，1≤j≤a}，设置模糊子集聚类中心，则模糊集划分公式为

(2)

式中：H(X，C)表示目标函数；a表示模糊子集的划分数量；φ表示变动因子；r表示相邻子集之间的距离。对上述计算结果进行求解，得到模糊聚类结果后，设置存在k个房屋建筑图形数据特征，将这些特征标记为β1，β2，…，βk，结合式(2)的计算结果，要求这些特征数据满足下列条件

ω(β1，β2，…，βk)=max(H(X，C)max(βi1，βi2，…，βik))

(3)

式中：ω表示对应所有特征数据的权重；βi1，βi2，…，βik表示动态变化的特征值[8]。设置正弦信号为sin(ωt+θ)，其中，t表示时间、θ表示相位偏移量，当挖掘过程出现噪声时，则正弦信号变换为sin(ωt+θ+z(t))，其中，z(t)表示相位噪声。在充分考虑噪声的前提下，设置时钟方案，下列公式为时钟方案生成具体时间控制参数：

(4)

式中：SNR表示信噪比；f表示数据挖掘频率。按照上述特征挖掘和时钟方案，在考虑噪声干扰的前提下，根据统一编码挖掘房屋建筑图形数据特征。

2.3 构建图形特征的多通道卷积神经网络模型

将得到的特征数据输入到仿真软件中，结合卷积神经网络组成内容，构建包含图形特征的多通道卷积神经网络模型。已知构建的模型包含四个数据层，首先向第一层输入预处理后的房屋建筑图形数据；利用第二层的卷积操作，提取挖掘得到的特征；第三层采样处理得到的结果；第四层分类采样数据，输出分类结果[9]。设置图形数据的长度为d，则输入到第一层内的数据，经模型转换后得到

(5)

公式中：μ表示对应图形数据的向量；L表示图形数据属性；⊕表示模型的拼接操作模式。模型根据预先获得的仿真数据，生成图形数据x在模型中的输入方程

xd=μd+Ld

(6)

根据上述得到的值调整特征分量，卷积层在挖掘的房屋建筑图形数据特征中，提取局部特征。设置卷积核的长度为s，利用下列计算生成卷积特征图

E=(E1，E2，…，Ed-s+1)

(7)

式中：Ei∈E，表示卷积操作后提取获得的局部特征信息。第三层采用max-over-time pooling法采样特征信息，得到的结果为

E′=max[E]

(8)

将E′作为采样结果，模型根据上述计算结果，将池化层采样数据输入到全连接层当中，通过下列公式对得到的数据进行分类

q=max(ωt·E′+A)

(9)

式中：A表示偏置；q表示模型第四层的输出结果[10]。按照上述计算构建图形特征的多通道卷积神经网络模型，为整合方法提供规则和数据处理支撑。

2.4 多通道交互控制与数据整合

在仿真系统中，习惯将不同通道信号转化，但由于一些图形数据不便于转化为界面操作的形式，所以根据模型输出的结果，采用下列公式进行转化描述：

qt=h(xtet，xt-1et-1，…，xt-τet-τ)

(10)

上述公式就是对模型获得结果的数据转换方法。此次设计的整合方法，在现有的多通道信息整合的基础上，在一个学习过程中添加设定，所以调整公式(10)的计算形式，得到

(11)

式中：m∈M，且存在2≤m≤M，表示参与信息融合的通道总数量；⊗表示交互控制方式。设置第m个通道内的传输信号满足Gauss分布，即存在λm～N(ηm，εm)，其中，ηm、εm表示均值[11]。设置每个通道信号的置信度为om，则多通道交互控制的一般融合方程为

(12)

上述公式是对多个信号的最大似然估计。根据上述计算某通道信号的边缘概率，以此获得联合分布概率方程

(13)

式中：P(σ)表示某通道边缘分布预测结果；P()表示已知的边缘概率。根据上述计算结果，利用交互控制融合方程和联合分布概率方程，实现对图形数据的多通道整合，至此在统一编码下，房屋建筑图形数据多通道整合方法设计完毕。

3 仿真测试

3.1 实验准备

为了检验此次提出的方法，具有更好的数据整合效果，提出仿真对比测试实验，将文中提出的方法作为实验组，将三种传统Altmetrics数据整合方法、Delaunay三角网数据整合方法和异构方志元数据整合方法分别作为对照A组、对照B组以及对照C组，选择M市高新技术开发区中的X学校作为测试样本，该学校的俯视实景图，如图2所示。

图2 仿真测试对象

将有关X学校的房屋建筑编码输入到仿真系统中。已知该学校建成于2005年，房屋建筑数据丰富，满足数据多通道整合要求。整理该学校房屋建筑图形数据编码，如下表2所示。

表2 X学校数据编码

为了给实验测试结果提供可靠的证明，实验人员亲自来到X学校，根据现阶段学校房屋建筑的实际特征，绘制该学校的房屋建筑图像数据空间效果图，其中局部效果如下图3所示。

图3 X学校房屋建筑图像局部空间效果

测试仿真环境的网络连接和硬件运行是否稳定，无问题后分别将四种不同的方法应用到规格型号、仿真环境一致的测试平台当中，比较不同方法之间的差异性。

3.2 整合效果测试

结合表2给定的统一编码，分别利用四组方法，整合X学校房屋建筑图形数据，得到的空间数据整合效果，如图4所示。

图4 空间数据整合效果

根据图4显示的测试结果可知，只有实验组获得的整合效果，与图3的实际结果一致，而三个对照组获得的图形数据整合结果，则存在局部缺失。分析导致这一问题的原因，发现X学校建成于2005年，经过十多年的发展，学校建筑规模逐渐扩大，一些新建房屋建筑的编码没能及时更新。提出的整合方法在第一环节就对所有图形数据进行预处理，保证所有建筑都有最新的编码，而传统方法直接用建筑编码进行数据整合，没有提前检验编码是否与建筑数量匹配，所以导致数据整合效果图中缺失部分图形信息。

3.3 共享效果测试

为了便于比较不同方法的数据共享能力，以人为的方式预先将编码补充完整，保证其它测试条件不变，利用共享效果评价公式，计算四组方法在整合数据的过程中，共享房屋建筑编码的能力，共享评价公式为

(14)

式中：I表示共享质量评价结果；m表示图形数据量；ω表示权重；mi表示随机的图形数据；Q表示等待被使用的编码集合；M表示等待共享的数据端口。再选择一个图形数据量更大的Z学校作为测试对象，再次进行数据整合，下表3和表4是不同数据量下，四组方法整合图形数据时，共享数据的质量评价结果。

表3 X学校建筑图形数据共享评价结果

表4 Z学校建筑图形数据共享评价结果

计算两种情况下，不同方法共享数据的综合能力，如下表5所示。

表5 综合评价结果

根据表5显示的结果，可知文中提出的方法共享数据的能力更强，比三组传统方法分别高了11.75%、11.3%以及11.82%。

4 结束语

根据此次研究可知，尽管学校房屋建筑文件已经有了统一编码，但为了获得更为严谨的数据整合结果，需要对于数据进行预处理，检查所有房屋建筑结构的编码是否完整，及时补充或更新编码。而根据本次实验研究可知，整合过程中使用的图形数据，是图元信息所代表的物体，这一点可以根据实验准备和两轮测试结果得出。尽管新的整合方法性能更好，但该方法的工作效率不高，今后可以简化部分计算，提高方法的仿真工作效率。