文摘

为了提高绩效评估的准确性和效率,虚拟现实的交互应用,在景观设计提出了智能大数据。克拉拉算法用于矿山景观仿真设计的性能评价指标数据。景观仿真系统的性能评价指标体系,建立了基于数据挖掘。BP网络用于构建一个综合评价模型。专家评分法是评价指标体系的得分,这是作为BP网络的输入,和预期的输出是一个神经元。神经元的值代表的综合绩效评估价值景观仿真系统。实验结果表明,该研究方法的评价结果与专家评价结果一致,精度高;与越来越多的系统评价研究方法的效率更快。

1。介绍

景观环境是一个复杂的系统,已成为影响城市建设的关键因素之一,城市外观环境建设和城市管理水平(1]。为了满足需求的高质量和高效率的现代景观建设,我们应该寻求一个新的设计思维和路径来解决现有的问题。虚拟现实是“虚拟现实的缩写。“为了完成一代的交互式三维虚拟景观环境,虚拟现实技术需要结合计算机图形系统和各种显示和控制接口设备,实现景观的生成环境。以模块化的形式展示设计过程可以提高创新能力,扩大设计资源(2,3]。然而,模块化包含大量数据,因此如何有效地集成所需的信息是一个重要的问题,设计师需要探索在这个阶段。

室内景观设计需要使用室内设计理论,基于内部规划和综合利用各种技术手段使作品不仅有视觉的美,但也与室内环境协调。对室内景观设计来说是非常重要的显示全面、真实,甚至动态设计作品,以准确地显示室内设计师的设计理念4,5]。大多数现有的室内景观设计使用二维图纸,和大多数的软件开发在第三方平台上(6,7]。三维建模的自动化程度和数据统计较低,未能充分发挥作用的辅助设计。与虚拟仿真技术的发展,虚拟现实技术(VRT)给室内设计领域带来一场新的革命(8]。通过仿真示例,它可以对设计方案提出了改进建议,甚至生产程序和修改后的结果也可以模拟,以减少施工期间,室内设计的成本,提高效率。因此,基于VRT室内景观设计的研究具有重要的现实意义。李肇星和谢发现,虚拟现实(VR)实验仿真系统可以有效地提高实验教学的方法和结果在建筑学科的教育,他们,因此,已经讨论了虚拟现实(VR)的详细设计实验平台从硬件和软件的角度(9]。虚拟现实技术是模拟和建模软件系统应用于景观设计,这是AutoCAD等三个主要的软件应用程序后,Photoshop, 3 s (RS, GIS, GPS)。广泛应用,因为它3 i(交互性、沉浸和想象力)。它不仅大大减少了工作时间和压力的设计师,但也有助于刺激想象力的设计师10]。

在文献[11),微扫描激光景观3 d虚拟成像技术方法提出了基于美国盖革数组。激光点阵发射被用来与adp阵列像素一个接一个地和拼接技术被用来提高成像分辨率。微扫描技术被用来实现3 d虚拟激光成像的景观。没有激光数据进行预处理的方法,导致它的失败。有很多噪声在图像结果,从而减少注册景观特征点。文献[12)3 d虚拟成像技术提出了一个基于融合的景观的三维激光扫描和红外检测。通过红外图像处理和计算直方图区域,景观的边缘轮廓提取和融合模型来获得三维景观模型与目标探测信息,实现3 d虚拟成像的景观。该方法不使用点云拼接方法融合景观激光点但直接缝合的形象,从而导致更大的拼接误差,减少景观成像的准确性。文献[13)提出了景观的三维虚拟成像技术的方法。首先,该方法量化景观的特点,使用数字近距离摄影测量、激光雷达扫描,和点云的空间信息可视化技术来收集景观,构建数字景观的三维模型,纠正错误的空间尺度,并实现了三维虚拟景观的成像。当激光点云缝,激光点云特征并不生成和缝合根据特征点,影响景观的缝纫速度和降低了成像效率。

基于上述问题,虚拟现实的交互应用,在景观设计提出了智能大数据。景观设计是现代城市建设的一个重要组成部分。建立一个高质量的自然环境可以缓解人们的精神压力。是特别重要的景观仿真系统的性能评价方法的研究。性能良好景观仿真系统可以节省人力和物质资源的过程中景观设计。虚拟现实技术和智能大数据分析的功能巨大的数据收集、存储、分析和可视化。因此,景观仿真系统的性能评价方法基于虚拟现实和聪明的大数据分析研究提高绩效评估的准确性和效率。

本文的贡献总结如下:(1)我们认为克拉拉算法,用于矿山景观仿真设计的性能评价指标数据。之后,景观仿真系统的性能评价指标体系建立基于数据挖掘。(2)我们建立一个综合评价模型的BP网络。(3)我们提出一个交互式虚拟现实的应用和智能大景观设计中的数据。

本文组织如下。部分二世提出了景观仿真系统的性能评价方法基于虚拟现实和聪明的大数据。部分三世构造一个景观信息融合模型与虚拟现实和聪明的大数据。节四世,给出了实验结果和分析。最后,部分V总结出一些结论并给出了一些建议未来的研究课题。

2。景观仿真系统的性能评价方法基于虚拟现实和聪明的大数据

2.1。数据挖掘方法

克拉拉(聚类大型应用程序)算法用于矿山数据景观仿真系统的性能评价指标。克拉拉算法是一个基于样本的聚类算法,基于k-medoids算法,和分区medoids (PAM)是最典型的算法在k-medoids算法。克拉拉算法适用于大规模数据挖掘和提高数据挖掘的准确性(14,15]。PAM算法的思想是将数据集n景观仿真系统评价指标样本和集群的数量K作为输入,输出结果K集群。PAM算法的具体步骤如下:步骤1:在N景观仿真系统评价指标样本,随机选择k代表景观仿真系统评价指标样本,并把它们作为初始簇的中心;步骤2:根据邻近原则,其余景观仿真系统评价指标样本被分配到集群由最近的中心点;步骤3:遍历集群并选择每一个无心的点对象0r在集群中;第四步:计算的总成本年代替换原有的中心点后0j由0r对象;第五步:总成本小于0时,新的中心点代替0j为0r,当总成本大于0,保持原始状态;第六步:重复步骤2到步骤5;第七步:所有的k中心点不需要更换。

PAM算法使用欧氏距离来获得评价指标样本之间的相似性的景观仿真系统:

公式中,样本的两个对象k维景观仿真系统评价指标的数据集 和 。

欧氏距离公式的收敛性判断的评价公式:

的公式,是集群。

PAM算法的流程图如图1。

克拉拉算法引入基于PAM算法的样本选择的链接。克拉拉算法首先选择n所有数据集样本,然后使用基于分区的算法比较和分析计算结果获得最好的聚类结果和输出。如果选择的样本是随机的,那么随机选择样本集必须能够代表整个集合,和克拉拉的复杂性 。克拉拉算法的具体步骤如下:步骤1:选择样本进行N次,重复步骤2 - 4。步骤2:选择一个样本的景观仿真系统评价指标,这是组成的米对象在整个数据库,并使用PAM算法来获得K最佳中心点的景观仿真系统评价指标样本。步骤3:应用K最优中心在所有的数据集,最后所有数据点都分成K集群。步骤4:解决集群的总成本在步骤3中获得的。如果总成本属于当前最小值,那么它需要更换。在这个时候,K集群属于当前最优分区。如果总成本不是当前最小值,然后保持原值。第五步:去步骤1得到最好的聚类效果。

2.2。评价指标体系

本文使用克拉拉算法挖掘数据景观仿真系统的性能评价指标和构造景观仿真系统的性能评价指标体系基于这些数据。景观仿真系统的性能评价指标体系如图2。

景观仿真系统的性能评价指标体系主要分为四个方面,系统建设和运营和维护、系统用户、系统的外部影响,和仿真效果,包括21个评价指标,所描述的x1∼x分别为21。斑块密度、最大斑块指数、香农多样性指数、景观形状指数、分形维数和平均用于评估景观,真实性,仿真系统的稳定性,即仿真效果。

2.3。评价方法

反向传播(BP)网络具有自适应、自组织和决策在近似的和不确定的数据16),消除人为计算权重的过程和相关系数。BP网络作为性能评价指标体系的评价方法的景观仿真系统提高绩效评估的效率(17]。一般来说,BP网络由输入层、隐藏层和输出层连接所有层在一个完全相互联系的方式,和细胞在同一层不连接到对方18]。

BP网络的学习过程是由正向传播和反向传播。在向前传播,在输入样本的输入层、隐藏层是用于处理样品,然后输出到输出层。在每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,它变成了反向传播。反向传播是传播误差信号输入层到输出层之间的连接权重依次层需要调整。和每一层神经元的偏差值可以减少信号误差(19]。经过反复操作,当误差小于许用值,这意味着英国石油(BP)网络适应所需的映射;也就是说,BP网络的训练过程结束。

完成BP算法的逐次修正法的基本形式。逐次修正法是调整每个输入学习样本的重量。学习过程的具体步骤的逐次修正法如下:步骤1:初始化BP网络状态,选择任何少数作为连接权重和和偏差值和 ,并设置初始值;第二步:输入第一个学习样本;第三步:输入输入层单元t是学习样本的值。输入和相应的输出中间层的单位米通过计算重量的连接吗输入层和中间层之间的偏移值中间层的单位。输入的计算公式和相应的输出中间层的单位米如下: 的公式,f乙状结肠函数,公式如下: 第四步:输入和相应的输出输出层单元n通过计算得到输出吗中间层的连接权重中间的层和输出层之间,偏移值输出层单元n。输入的计算公式和相应的输出输出层单元n如下: 步骤5:通过学习预期之间的误差信号样品和输出输出层,计算并获得输出层单元的偏移值n重量和连接错误输出层连接到上层。误差的计算公式如下: 第六步:通过错误 ,之间的连接权重中产层和输出层 ,和中间层的输出 ,计算和获得中间层单元的偏移值米重量和连接错误上层的连接到中间层。误差的计算公式如下: 第七步:调整重量中间层的单位米和输出层单元n通过使用错误和常数α。调整公式如下:

偏移值输出层单元n通过调整错误呢和常数β,调整公式如下: 第八步:连接权重输入层单元T和中间层单元米通过调整错误呢 ,输出输入层单元T和常数α。调整公式如下:

偏移值中间层的单位米通过调整错误呢和常数β。调整公式如下: 第九步:输入第二个学习样本;第十步:当有学习样本,进入步骤3;步骤11:改变学习时间;步骤12:当学习时间低于指定的时候,转到第2步。当学习时间超过指定的时间,继续训练。

虚拟现实技术在景观设计的主要功能是设置培训任务和内容,并选择模拟操作模式和操作整个景观的过程。是提交给设计师,可以实现虚拟景观互动和景观通过虚拟现实漫游。有21个评价指标的绩效评估景观仿真系统。景观仿真系统的性能评价指标得分的专家。相对应的绩效评估分数和成绩是0.1不合格,合格的0.3,平均为0.5,0.7,和1.0很好。专家评价作为BP网络的输入用于景观仿真系统性能评估 。对应的输入样本,将BP网络的输出只有一个神经元,神经元的价值范围是[0,1],代表的综合绩效评估价值景观仿真系统。分数范围是0.1 - -0.3,0.3 - -0.5,0.5 - -0.7,0.7 - -1.0。相应的分数成绩不合格,合格,平均,很好20.]。

3所示。建设基于虚拟现实景观信息融合模型和智能大数据

模块化组织结构之上的城市景观设计过程包含更多的数据,景观基于遗传神经网络的信息融合模型用于引信三维景观生成数据和模块化的数据,以便直观和明确城市景观的总体结构,完成评估景观施工过程,确保最佳的景观设计的结果(21]。

遗传算法是一种全局优化方法于一体的自然选择,竞争,和人口遗传理论。解决问题的独立变量被认为是基因,编码形成染色体,和最好的评价是根据个人健身在染色体组(20.]。在搜索过程中,三种遗传算子、选择、交叉、变异,经常用于生成和繁殖新个体,最后得到了最好的个人(21]。

染色体编码通常使用二进制位串编码模式,和网络节点的权值是实数。在编码是实数编码算法,以减少字符串的长度。提高网络速度的解决方案。编码过程如图3。的公式,是权重矩阵,关键值矩阵(22]。

人群中初始种群的随机初始化通常会导致解决方案空间的不均匀分布。有必要的初始解优化问题转换成个人提前和剩余使用人工方法生成初始种群的个体问题的解空间,以提高初始种群的个体形态秩序。模式是大型的数量和多样性。通过适当选择字符长度和人口规模,可以生成初始种群在最初的一代。找出每个极端点的范围在体内以提高搜索速度(23]。

进化遗传算法作为适应度函数的目的,只能进化方向,适应度函数的值变大。合理的转换应该实现适应度函数和目标函数之间的关系。网络偏差在进化过程中是一个非零的正数,然后假定人口规模 ,人口的个人 , 代表个人的健身价值,和个人选择的概率计算分析如下:

选择算子的设计过程详细描述如下:

首先,计算累积概率 :

一个随机值在时间间隔生成 。如果 ,个人进入下一代种群。通过重复上述步骤,染色体后代人口可以获得所需的。

这类的基础上选择、较高的个人健身更有可能被选中,和个人健康也可能较低的选择。介绍了最优选择策略直接拯救每一代的最优个体后代(24]。

交叉和变异操作中有两个关键参数:交换概率和变异概率 。两个参数的选择是极其重要的全球算法的性能。为了防止过早收敛,适应性和方法是用来改变 , 根据自适应函数的解决方案:

的公式,是最高的健身,意思是健身,是在交叉个体适应度函数,更高的个人健身,然后呢变异个体的健康。

交叉计算遗传操作是最关键的。根据交叉概率选择父染色体,利用交叉生成一个新的染色体,不断扩大搜索范围,最终实现全球目标搜索。在这个过程中,使用算术交叉可以确保后代产生两个父之间的染色体。算术交叉两个随机点的线性组合在解空间根据凸搜索空间的主要特征:

根据这个特性,假设 , 代表了父母的染色体交叉计算,生成的后代 在哪里是一个随机的常数,值范围是什么 。

染色体是一个真正的数字代码,其变化过程如下。

染色体的过程轨迹变异是选择一个数字 替换在这一期间 ,间隔的计算表达式 如下:

的公式,和上限和下限的值选择的和变异概率。可以看出个人的变化范围与高适应性比较小,和较低的个人健身更大,这不仅可以减少损伤的变异操作优秀个人,而且保证遗传算法的搜索性能。在此基础上,反向传播(BP)神经网络训练,实现景观的融合信息在虚拟现实和聪明的大数据。BP神经网络使用一个三层体系结构,如图4。

BP神经网络的基本计算过程如下:

构建BP神经网络结构和样本输入网络架构,包括节点层,每一层的节点数。权重和关键值初始化的间隔,间隔的学习速率决定。网络输出的计算输入输出层和第二个节点输入隐藏层如下:

的公式,输入层的节点输入吗 ,和隐层节点的连接的重量吗和输入层节点 。

隐层节点的输出的解析表达式描述如下:

输出层节点的输入是

的公式,输出层节点的连接的重量吗和隐藏层节点 。

在此基础上,网络偏差函数被定义为

的公式,是预期的输出,是实际产出,是输出层节点的数目。

如果激活函数没有使用,每一层的输出是一个线性函数的输入的上层。如果使用激活函数,神经元可以方法任意非线性函数引入到非线性因素激活函数。因此,模型可以应用于任何非线性模型。相比其他激活功能,当输入数据的差异不明显,乙状结肠函数具有更好的性能。双曲正切或其他激活函数时使用的输入数据的差异很大。

自激发函数影响BP算法的收敛速度,有必要修改激发函数。激发函数如下:

此外,等效误差的大小总和,正面和负面的变化也将影响收敛速度。修正后的误差函数

从本质上讲,标准的BP算法是梯度下降法优化算法,通常使学习过程振荡和收敛缓慢25]。学习因素的选择也很重要,太大或太小会产生深远对收敛速度的影响。摘要动量法和学习因子用于调整权重自适应,并重复上述步骤,直到精度符合预期的要求。

训练后的BP网络,收集到的遥感传感器数据和模块化可以与景观融合在虚拟现实和聪明的大数据的信息。基于遗传神经网络的信息融合模型是图所示5。

对于这个网络,训练数据(信号,信号2,…,信号n)可能来自其他通信系统。因此,它是非常重要的实现多个终端的有效沟通,这是先决条件,以确保该系统的性能。事实上,我们需要确保这些数据可以及时、安全地传输到处理中心。这个网络可能面临以下安全问题:(1)被黑客恶意攻击,如DOS;(2)网络管理缺陷;(3)软件设计的漏洞和“后门”问题。

4所示。实验结果和分析

为了验证的效果和可行性交互式应用程序基于虚拟现实和聪明的大数据在景观设计中,使用Matlab和3距离设计仿真实验。Matlab可以提供BP神经网络工具箱,和3距离可以帮助重建的景观。采取一些园林建筑工程公司的景观仿真系统为实验对象,10家公司的景观仿真系统是随机选择和评估专家。这些性能指标的10家公司的景观仿真系统评估的方法。10组数据得到专家的评价作为样本。这些数据如表所示1。

前五组专家评估的数据作为训练数据的方法,和其余5组数据作为测试样本模拟的对象等待评估。所有这些必须输入BP网络训练数据,它可以帮助调整参数,测试数据可用于验证性能。在这个实验中,学习精度为0.0001,1500年培训时间,BP网络的隐层是6,体重调整参数为0.4,0.7和偏差调整参数。这种方法的学习结果如表所示2。从表可以看出2之间的差距学习这个方法和预期的输出结果的鉴定非常小,这始终是低于0.1%。

仿真评估结果未经训练的五组测试样本是一样的专家的评价结果景观仿真系统。仿真测试样品的性能评价结果得到该方法的评价结果专家景观仿真系统如表所示3。在这个表中,鉴定和培训结果之间的误差小于0.16%。根据表3,该方法的测试结果非常类似于专家评价结果,表明该方法具有较高的准确性在景观仿真系统的性能评估。

为了验证这种方法的评估效率,100年景观仿真系统性能评估景观建筑工程公司是由使用方法和参考5]和文献[6]。其中,文献[5)提出了一个计划来重建景观由虚拟现实技术和文献[6)是一种新型的协同虚拟现实系统,它可以提供多个身临其境的3 d视图在大型3 d场景。这三种方法的评价结果如下。结果如图所示6。

根据图6,该方法的性能总是比其他的两种方法在不同数量的系统。最糟糕的表现方法提出了文献[5]。方法的性能提出了文献[6比文献[]是更好的5),但比。逐渐增加的数量的系统,评价三种方法的时间增加,和改进的范围的评估方法是最小的。当系统的数量是80,这个方法的评估时间逐渐稳定,但其他两种方法的评价时间也增加了。此外,其他两种方法的稳定性很差。这个实验结果的原因可能是提出新方案可以利用神经网络的优势和大数据,可以帮助有效地提取的特征数据和重建原始数据的数据特征。一个显而易见的结论是,与系统的数量的逐渐增加,评价该方法的速度是最快的。

5。结论

景观仿真系统的性能评估是一个相对困难的工作,它直接影响着景观的规划效果。景观仿真系统的性能是好的,这可以节省人力和物质资源的过程中景观设计。因此,本文研究了交互式虚拟现实的应用和智能大数据在景观设计中,利用虚拟现实和聪明的大数据。为了提高绩效评估的准确性,更准确的综合评价模型,专家评估理念引入BP网络训练。在未来的研究中,我们需要进一步研究数字景观规划系统,评估数字景观规划后,和测试的实际应用效果,以进一步提高数字景观规划系统的实用性。

如果激活函数没有使用,每一层的输出是一个线性函数的输入的上层。如果使用激活函数,神经元可以方法任意非线性函数引入到非线性因素激活函数。因此,模型可以应用于任何非线性模型。相对于其他激活功能,当输入数据的差异不明显,年代函数具有更好的性能。双曲正切或其他激活函数时使用的输入数据的差异很大。

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。