文摘

景观建筑既有自然和社会属性,这是人们保护自然环境的体现。自工业革命以来,现代工业发展迅速。它增加了人们的生活水平和消费大量的自然资源如森林和能量。生态环境已被严重损坏,景观园林的影响。因此,找到一个方法来评估具有重要意义的景观生态学和景观生态规划。本文提出了一种新的高阶小波神经网络算法将小波分析与人工神经网络相结合的产物。景观生态评价的模型基于高阶小波神经网络算法评估景观生态学和景观的生态规划提供参考数据。结果表明,小波神经网络的训练时间达到目标精度的少3600倍比BP神经网络。算法的MSE和梅是0.0639和0.1501,分别。模型的平均误差的综合评价指数景观生态学是0.005。 The accuracy of the model to evaluate the sustainability of landscape land resources is 98.67%. The above results show that the model based on the wavelet neural network can effectively and accurately complete the evaluation of landscape ecology and then provide a decision-making basis for landscape ecological planning, which is of high practicability.

1。介绍

化学工业的发展导致生态环境的恶化,严重威胁着人类的生存。因此,有必要尽早采取措施,维护生态环境(1]。景观是指交互和动态协调在多个地区的生态系统。景观动态变化的研究和应用和生态原则将有助于传统生态学的发展,提供了一个新想法的保护生态环境,然后使人类走出当前困境的生态环境问题(2]。景观的基本形式可分为软景观和景观:软指的是自然景观,通常指的是景观。景观具有自然和社会属性,这是一个特殊的景观主要由人类活动(3]。景观的生态规划是指计划采取的措施,确保生态平衡的景观生态学原理和法律的基础上社会和自然。因此,景观的生态规划可以改善生态环境的状态,确保生态环境的良好的发展,也让人觉得环境保护的重要性4]。高阶小波神经网络算法的算法结合小波分析和人工神经网络,提出了基于高阶和景观生态评价模型构造的小波神经网络算法,以评估景观生态学和景观生态规划提供参考数据。

欧et al。5)建立模型通过将短期记忆和长期网络(LSTM)神经网络,分别预测的趋势在Nzoia流域降雨和径流。结果表明,两种模型都能胜任这个函数。Dhibi和本阿玛(6)提出了一种新的基于multimother方法(MMWNN)结构优化的小波神经网络遗传算法处理拉普拉斯算子边界变形,并与基于LM算法的方法,结果表明,新方法的处理速度和精度优于基于LM算法。黄和超7)使用蚁群算法(ACO)优化小波神经网络,建立了ACO-WNN模型来预测住宅的HL和Cl值。与传统的算法模型相比,霍奇金淋巴瘤的平均绝对误差和Cl这个模型预测的下降了82.44%和84.82%,分别。亚历山大et al。8)建立了一个基于遗传algorithm-optimized回归预测模型小波神经网络预测建筑能源消耗,这是比传统的自回归移动平均少22.6%误差回归模型。唐et al。9)结合随机森林和小波神经网络算法建立RF-WNN模型评估混凝土的耐冻性。结果表明,RF-WNN模型的预报值非常接近实际值。Hasanzadeh Fereydooni et al。10)利用小波神经网络获得病人的期望轨迹基于面肌电信号的信号,然后指导康复机器人的智能控制设计。

徐et al。11)利用小波神经网络来确定土壤有机碳(SOC)的内容。研究表明,算法的模型有一定的效果,但效果不如SVMR-FDR模型。杜et al。12)结合鲸鱼优化算法(IWA)算法的构建IWA-WNN模型来预测城市交通流。研究结果表明,模型的预测的速度和精度比传统的WOA-WNN模型。罗等。13)建立了陀螺耦合系统的方程,利用模糊小波神经网络(FWNN)变换近似系统的未知函数,研究了动态分析和加速最优稳定的分数阶自营机电地震仪系统下的能量机制,结果表明,该方法是有效的。吴和黄14)使用模糊小波神经网络(FWNNS)估计的动态不确定性OMRM然后研究终端滑模控制策略的全方位移动机器人。结果表明,该方法是可行的。Tabaraki et al。15)建造了一个校长component-wavelet神经网络(PC-WNN)非线性模型预测阴离子双子表面活性剂的临界胶束浓度。结果表明,该模型的预测性能优于其它模型。

从上面的内容可以看出,有许多研究小波神经网络的应用,应用领域也非常广泛,但是很少有研究将小波神经网络应用于景观的生态规划。高阶小波神经网络算法的基础上,本文构造了景观生态评价模型,进行统计和分析各种参数影响景观生态学,并给出客观、准确的评价结果,从而提供一个科学有效的景观生态规划的基础。

2。景观生态评价模型

2.1。生态规划的景观建筑

景观生态规划的中心思想是保护生态环境。因此,在景观的生态规划,我们不仅需要考虑景观的审美价值而且景观的生态价值。因此,在景观生态规划应遵循以下原则。

可持续发展原则:在景观规划中,我们应该确保景观的长期实用性,符合自然发展的法律,并确保生态平衡;保护原则:生态规划、当地的气候,环境,和其他因素应该考虑使景观和环境达到协调状态,从而改善生活环境。此外,应该使用可再生资源尽可能多的计划,应该使用和资源的高效和循环16];实用原则:在景观规划,需要符合现实,制定合理的规划内容17];经济原则:当进行生态规划,我们应该尽量控制成本,花最少的钱计划最满意的效果。为了达到上述效果,我们需要获得景观的具体参数,使景观的生态状况的详细评估以达到合理的生态规划。

2.2。景观生态评价基于算法模型

将模型的评估过程的生态地位景观图所示1。

在上面的内容,评价指标体系的准确性有很大的影响算法的模型评价的生态景观的地位。因此,在景观的调查和研究,有必要获得尽可能多的参数能够反映景观的生态地位和处理它们,以确保数据的准确性18]。

3所示。建筑的景观生态评价模型

3.1。建立景观生态评价指标体系

人工神经网络(ANN)是通常用于构建景观规划的评价模型。人工神经网络(ANN)是一种网络由大量的节点连接根据不同的连接方式,起着重要的作用在智能机器人、生物学、医学等领域。然而,人工神经网络评价模型构建的速度慢、精度低。高阶多小波神经网络算法基于小波构造评价景观生态状态(19]。将景观生态学模型是一个映射分析,如图2。

上述内容的前提是构建景观生态评价体系,以确保模型的准确性。在选择评价指标时,我们需要遵循全面性的原则,主要因素,科学性,地域性,和活力20.]。本文综合指数法是用来评估每个综合指数的景观,然后找到景观的生态缺陷,以便更好更适切地完整的景观生态规划。景观生态指数如下公式所示:

在公式(1),是景观生态学的综合评价指标,是指某一地区的景观,是一个评价指标,一些指标的分数吗在区,的重量吗在整个景观生态指数的地位。不同的生态综合评估值的相应标准如表所示1。

通过实证方法和主成分分析(PCA)屏幕上相应的指标,三个一级指标,如景观输出函数(C1)、景观威胁程度(C2),和景观稳定性(C3),选择和若干二级指标,然后建立了景观生态现状评价指标体系,如图3。

景观生态评价指标体系的地位是一组非线性数据,以及人工神经网络可以估计的非线性函数,因此,人工神经网络用于处理评价指标。人工神经网络中的节点被称为人工神经元。神经元可以处理非线性的信息,对于信息传输模式是多变量。其结构如图4。

神经元的输入和输出之间的关系的人工神经网络所示以下公式:

在公式(2),是神经元,是输入变量,是连接权重,是外部输入控制信号,可以控制,是阈值,是输出值。有两种类型的人工神经网络的学习方法,即监督学习和无监督学习。在这项研究中,辅导学习方法采用加速神经网络的学习速度和准确度。

3.2。建设高阶多小波神经网络模型

BP神经网络是最常见的神经网络,它有一个广泛的应用在各个领域21]。它可以表达高复杂性、非线性映射和生态景观的状态评价模型是描述各种指标之间的非线性映射关系,因此BP神经网络作为模型(22]。BP神经网络的结构如图5。

BP神经网络的神经元激活函数需要在任何地方可微,所以乙状结肠函数选为神经元激活函数,如以下公式所示:

形成的小波神经网络是将小波分析的操作方法集成到神经网络(23]。与传统的BP神经网络相比,小波神经网络具有较高的逼近精度,简化网络结构,和更快的收敛速度16]。非线性函数的小波神经网络采用小波适合非线性函数,如以下公式所示:

在公式(4),一个非线性函数 ,拟合值序列表示为 ; 之间的连接权重中间单元层的BP神经网络单位在BP神经网络的输入层,和输出层之间的连接权,在中间层单元;是小波的翻译因素基础上,然后呢的膨胀系数小波基础;是小波基的数量。为了最小化误差 ,最小均方误差能量函数优化。最小均方误差能量函数如下公式所示:

公式的本质(5)优化是优化网络参数。的步骤如下:初始化 , , ,和 ;学习样本的输入和预期输出 ;使小波神经网络自学习;获得即时的梯度向量;并使误差反向传播,如以下公式所示:

根据反馈的结果公式(6),小波神经网络的网络参数修改。膨胀系数的小波的基础上,修改方法如下公式所示:

小波转换因子的基础上,修改方法如下公式所示:

之间的连接权重输入层、中间层和修改方法如下公式所示:

之间的连接权重输出层和中间层,修改方法如下公式所示:

如果小于预设值,小波神经网络停止学习;否则,继续输入样本和期望输出值,继续学习。小波神经网络的原理来评估景观的生态状况如下:作为隐层小波基础安的激励功能,描述评价对象的特征值作为输入向量,和已知的评估值作为输出向量。与大量的样本数据训练后,小波神经网络有足够的评估经验和推理机制。景观的生态地位可以全面评估。适合小波神经网络的结构如图6。

小波变换的基本模型如下公式所示:

在公式(11),与紧凑的支持是一个函数, 是一个小波并满足以下公式:

在公式(12), 是归一化系数,是母小波。为了培养景观生态状况的综合评价模型算法的基础上,我们需要获得相应的网络参数 , ,和和优化用以下公式:

在公式(13),代表所需的分类输入信号的输出 ; 神经网络的输出值在当前网络参数。有许多类型的基本小波的小波神经网络。Cosine-modulated高斯波是常用的研究,及其表达式如下公式所示:

在获得当前模型的输出值,计算梯度向量和错误是backpropagated获取网络参数修改。当误差函数值小于预设值时,模型会学习和获得景观生态现状的评价参数值;否则,继续学习。

4所示。性能分析景观生态评价模型

4.1。小波神经网络的性能分析

为了评估景观的生态地位,景观的生态评价模型建立了基于小波神经网络。为了验证小波神经网络的性能,小波神经网络和传统BP神经网络(摘要)被用来构建景观生态评价模型,相同的样本数据集被用来训练两个模型,两个模型的训练时间是比较。培训结果如图7。

从图可以看出7,小波神经网络需要1700倍的训练来达到目标的准确性(0.0001),而BP神经网络需要5300倍的训练来达到目标精度,比小波神经网络的3600倍。算法的模型和摘要模型是用来评估景观的生态价值,和评价结果与实际价值。评价结果的错误表达的两个模型的均方误差(MSE)和平均绝对误差(MAE)。结果如表所示2。

从表可以看出2、算法的均方误差和摘要是0.0639和5.4072,分别,这是算法的5.3433倍。的美将是0.1501,摘要是1.1330,这是算法的0.9829倍。均方误差(MSE)和平均绝对误差(MAE)是用于验证的景观的景观多样性评估结果将和摘要,如表所示3。

从表可以看出3景观多样性的MSE评估算法的结果和摘要是0.0597和5.0801,分别,这是算法的5.0204倍。算法和摘要的美是0.1150和0.9914,分别,这是算法的0.8764倍。总之,算法的性能优于摘要,哪个更适合景观生态地位的评价。

4.2。景观生态评价模型的误差分析

使用前面的示例数据,分析景观生态评价模型的评价误差算法的基础上。八个样本数据选择、景观生态评价模型用于评估这些样本数据,并输出值之间的误差模型和实际价值的景观生态综合评价指数进行比较,如图8。

从图可以看出8的最大误差,景观生态综合评价模型的输出值为0.0010,最小误差为0.0006,平均误差为0.0053,精度为0.001,满足实际需求。上述结果表明,景观生态地位的评价误差的基础上,将小,模型的精度高,具有较高的实用性。

4.3。景观生态评价模型的准确性

景观生态评价模型是用来评估景观的可持续性的土地资源。土地资源的可持续性景观可分为优秀的可持续性(V1),突出可持续发展(V2),高可持续性(V3)、中可持续性(V4),一般可持续性(V5)、弱可持续发展(V6)。相应的分数表所示4。

为了验证评价准确性的景观生态评价模型,300年样本数据被用来测试它。测试结果如表所示5。

从表可以看出5景观生态评价模型的准确率V2,V4,V5是100%V1,V3是98%,V6是96%,总准确率为98.67%。上述结果表明,评价景观生态评价模型的精度高,可有效评价景观的生态地位和促进景观的生态规划。

5。结论

生态规划的景观可以改善生态环境的状态,确保生态环境的良好的发展,也让人觉得环境保护的重要性。本文结合小波分析和人工神经网络建立一个小波神经网络算法和构建一个景观生态评价模型基于小波神经网络算法,以评估景观的生态地位和景观的生态规划提供数据支持。结果表明,小波神经网络需要1700训练时间达到目标的准确性,而BP神经网络训练需要5300倍,3600倍比小波神经网络。MSE和梅的算法的5.3433和0.9829倍低于BP神经网络,分别。MSE和梅的算法的5.0204和0.8764倍低于BP神经网络,分别。模型的精度是98.67%。之间的平均误差模型的输出值和实际值为0.0053,精度为0.001。上述结果表明,评价景观生态评价模型的精度高,误差低,可有效评价景观的生态地位,然后促进景观的生态规划,具有较高的实用性。这项研究没有考虑到某些小概率情况下对景观生态规划的影响,需要进一步改善。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本研究支持Ludong大学和烟台职业学院。