曲 薇, 宋文靜

(1. 沈陽大學(xué) 建筑工程學(xué)院, 遼寧 沈陽 110044; 2. 沈陽市土地整理中心, 遼寧 沈陽 110000)

隨著我國產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整,老工業(yè)企業(yè)停產(chǎn)或遷離原址成為普遍現(xiàn)象,大量工業(yè)遺產(chǎn)呈閑置或廢棄的狀態(tài),并且在城市發(fā)展中面臨尷尬的境地.一方面,這些工業(yè)遺產(chǎn)往往承載著特定時(shí)代、特定歷史時(shí)期的印記,具有不同程度的保護(hù)價(jià)值.如具有“共和國工業(yè)長子”之稱的遼寧,是新中國最早建設(shè)的國家重工業(yè)基地之一,擁有豐富的工業(yè)遺產(chǎn).這些遺產(chǎn)反映了遼寧工業(yè)化的歷史進(jìn)程,凝聚了工業(yè)時(shí)代的工人精神,也是反映遼寧工業(yè)文明的重要載體,更是不可再生的寶貴資源[1].另一方面,許多工業(yè)遺產(chǎn)位于城市中心地帶,具有土地價(jià)值較高、對城市形象影響較大等特點(diǎn),易與城市發(fā)展產(chǎn)生矛盾而面臨被拆除的命運(yùn).準(zhǔn)確而全面地進(jìn)行分析與評價(jià)、確定其價(jià)值是處理這些工業(yè)遺產(chǎn)最重要的前提條件.目前,我國有大量的工業(yè)遺產(chǎn)尚未進(jìn)行價(jià)值評定,其中很多都具有很高的歷史價(jià)值和社會價(jià)值,但同時(shí),城市建設(shè)進(jìn)度刻不容緩,需對相關(guān)工業(yè)遺產(chǎn)進(jìn)行快速判定,以決定其命運(yùn).以往的工業(yè)遺產(chǎn)評定需政府組織相關(guān)部門與專家進(jìn)行分析認(rèn)定,整個過程需要較長時(shí)間,且每次論證所能組織的專家有限,相對而言不夠全面與客觀.本文利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建起一種新型的價(jià)值評價(jià)方式,通過大量樣本的建立與訓(xùn)練,形成誤差率極低的評價(jià)模型,使之在運(yùn)算中涵蓋盡可能多的相關(guān)專家的思維運(yùn)算模式,并以模型形式固定下來.這種相對客觀的運(yùn)算方式不受時(shí)間、地域、環(huán)境等方面的影響,能夠保證其結(jié)果更加準(zhǔn)確、客觀、穩(wěn)定與快速,滿足對大批量工業(yè)遺產(chǎn)評價(jià)工作的需求.

1 完善工業(yè)遺產(chǎn)評價(jià)體系

我國對文物以歷史、藝術(shù)、科學(xué)3大價(jià)值為判斷標(biāo)準(zhǔn),但這些不能涵蓋工業(yè)遺產(chǎn)價(jià)值的全部和其具有的價(jià)值特殊性[2].分析影響評價(jià)因素、構(gòu)建工業(yè)遺產(chǎn)評價(jià)體系的目的在于尋求一組具有代表性、能全面反映工業(yè)遺產(chǎn)價(jià)值的特征指標(biāo).這些指標(biāo)不但能夠反映出其對評價(jià)對象產(chǎn)生的影響,還要準(zhǔn)確地反映出相互之間的關(guān)系[3].經(jīng)分析與論證,最終將工業(yè)遺產(chǎn)評價(jià)因素分為歷史價(jià)值、完整性價(jià)值、科學(xué)技術(shù)價(jià)值與藝術(shù)價(jià)值4部分.

1.1 歷史價(jià)值

工業(yè)遺產(chǎn)是工業(yè)時(shí)代的產(chǎn)物,承載著一個時(shí)代經(jīng)濟(jì)、社會、工程技術(shù)、生產(chǎn)生活方式等方面的烙印.可細(xì)劃分為3方面.

(1) 建造時(shí)期.人們能夠通過這些物質(zhì)存留探尋早期工業(yè)文明的狀況.一般來說,建造時(shí)期越久遠(yuǎn),遺存下來的相關(guān)記錄越少.如始建于康熙元年(1662年),至今已有350多年歷史的老龍口酒廠是沈陽近代工業(yè)的源頭.早在清康熙、乾隆、嘉慶、道光年間,各朝清帝東巡謁陵時(shí),老龍口酒廠生產(chǎn)出的酒就被尊為御用酒[4].其歷史價(jià)值不言而喻.

(2) 與歷史事件或歷史人物的關(guān)聯(lián)度.重大的歷史事件或是重要的歷史人物與工業(yè)遺產(chǎn)的相關(guān)性賦予了其更為特殊的意義.如沈陽黎明發(fā)動機(jī)制造公司(原東三省兵工廠)[5]舊址中現(xiàn)存的“小白樓”是當(dāng)年張作霖的辦公樓,后來?xiàng)钣铞苍诖宿k公,具有很高的歷史價(jià)值.

(3) 同類稀缺性.建筑遺產(chǎn)現(xiàn)存數(shù)量的多少對其價(jià)值大小會產(chǎn)生直接的影響[6].同類稀缺性指的即是這種由于同一時(shí)期同類型的現(xiàn)存工業(yè)遺產(chǎn)數(shù)量少或是在不同歷史時(shí)期某工業(yè)遺產(chǎn)類型具有特殊性所致的數(shù)量稀少而帶來的特殊價(jià)值.

1.2 完整性價(jià)值

工業(yè)遺產(chǎn)歷經(jīng)時(shí)間磨礪,自然老化、磨損及自然災(zāi)害等都會造成其功能減弱,而一些不恰當(dāng)?shù)母脑煲彩菇ㄖ馐芰瞬煌潭鹊膿p毀.工業(yè)遺產(chǎn)不同的存留狀態(tài)所能傳遞的信息量差別很大,因而其文化傳載性也大不相同.可從兩方面進(jìn)行考慮.

(1) 工業(yè)遺產(chǎn)的規(guī)模.一般來說,存留下來的大規(guī)模的工業(yè)遺產(chǎn)多包含數(shù)量較多的生產(chǎn)性建筑、辦公類建筑及居住建筑,可較完整地體現(xiàn)當(dāng)時(shí)工業(yè)生產(chǎn)與生活方面的情況,且此類工業(yè)遺產(chǎn)往往在當(dāng)時(shí)占有重要地位,生產(chǎn)水平相對較高,輻射區(qū)域較大,故評估遺產(chǎn)價(jià)值時(shí)應(yīng)予以重視.

(2) 工業(yè)遺產(chǎn)自身的完整性.包含工業(yè)遺產(chǎn)整體的完整性與局部完整性兩個部分.其中整體完整性指該工業(yè)遺產(chǎn)各組成部分存留得是否完整,如原有的生產(chǎn)性建筑、辦公建筑或是居住建筑是否都保存下來;而局部完整性則是指其各組成部分內(nèi)部的存留程度,如生產(chǎn)性建筑內(nèi)部是否保留著原有的設(shè)備以及保存的完好程度.

1.3 科學(xué)技術(shù)價(jià)值

科學(xué)技術(shù)價(jià)值指工業(yè)遺產(chǎn)通過物質(zhì)存留而展現(xiàn)出當(dāng)時(shí)工業(yè)發(fā)展的先進(jìn)性或獨(dú)特性,主要體現(xiàn)在行業(yè)開創(chuàng)性、生產(chǎn)工藝水平與建筑施工水平3個方面.

倘若某一工業(yè)企業(yè)的建立在國際、國內(nèi)或是地區(qū)范圍內(nèi)具有開創(chuàng)性,或某項(xiàng)技術(shù)、設(shè)施設(shè)備的應(yīng)用在同行業(yè)中具有開創(chuàng)性,則可以認(rèn)為這些企業(yè)或是建筑設(shè)施設(shè)備具有特殊的遺產(chǎn)價(jià)值.

生產(chǎn)工藝水平價(jià)值是指在設(shè)施設(shè)備、工藝流程、生產(chǎn)工具等方面具有創(chuàng)新性,或是應(yīng)用了先進(jìn)的技術(shù),能提高生產(chǎn)效率、增加產(chǎn)量,在行業(yè)內(nèi)起到領(lǐng)軍作用,取得了社會效應(yīng),那么這些工業(yè)遺產(chǎn)也具有較高的科學(xué)技術(shù)價(jià)值.

另外,作為一種重要的建筑類型,工業(yè)遺產(chǎn)中的建筑本身也代表了一定時(shí)期中建筑行業(yè)的水平.這些工業(yè)建筑遺產(chǎn)能夠體現(xiàn)出當(dāng)時(shí)結(jié)構(gòu)、技術(shù)、材料、風(fēng)格等方面的情況.

1.4 藝術(shù)價(jià)值

工業(yè)遺產(chǎn)具有獨(dú)特的審美價(jià)值,人們逐漸認(rèn)識到廢棄的廠房不是廢物,其本身就是一種極具審美價(jià)值的文化[7].工業(yè)遺產(chǎn)存留下來的物質(zhì)要素能夠顯現(xiàn)出特定時(shí)期的藝術(shù)風(fēng)貌,可通過以下幾個方面進(jìn)行考慮.

(1) 時(shí)代特征的體現(xiàn).工業(yè)遺產(chǎn)是特定時(shí)代的產(chǎn)物,不可避免地承載著建立時(shí)期的時(shí)代印記,從大規(guī)模工業(yè)遺產(chǎn)的規(guī)劃至具體工業(yè)建筑的空間處理、立面風(fēng)格等,都傳遞著相關(guān)信息.工業(yè)遺產(chǎn)是否良好地順應(yīng)了當(dāng)時(shí)建筑藝術(shù)發(fā)展的風(fēng)格、流派、特征,向人們展示出當(dāng)時(shí)當(dāng)?shù)氐臅r(shí)代特征,是評判其藝術(shù)價(jià)值的重要影響因素.

(2) 產(chǎn)業(yè)風(fēng)貌特征的表現(xiàn).工業(yè)遺產(chǎn)的總體布局,或工業(yè)建筑、設(shè)施設(shè)備等共同展現(xiàn)出了其自身的產(chǎn)業(yè)風(fēng)貌,是城市景觀的重要組成部分,甚至可成為一個區(qū)域的識別性標(biāo)志,給人們以認(rèn)同感與歸屬感.

(3) 建筑美學(xué)特征.即使在同樣的建筑特征與產(chǎn)業(yè)風(fēng)貌環(huán)境影響下,建筑設(shè)計(jì)仍會呈現(xiàn)千姿百態(tài)的效果,具有良好美學(xué)特征的工業(yè)建筑遺存無疑成為傳遞特定時(shí)代信息的經(jīng)典之作.如遼寧總站舊址為我國著名建筑設(shè)計(jì)師楊廷寶先生設(shè)計(jì),該建筑達(dá)到了建筑形式和空間上的完美結(jié)合,其清晰的結(jié)構(gòu)、空間和形式上的邏輯關(guān)系符合當(dāng)時(shí)國內(nèi)的建造水平和條件,是沈陽建筑探新設(shè)計(jì)的佳例[8].

2 樣本設(shè)計(jì)及獲取

2.1 評價(jià)表格設(shè)計(jì)

根據(jù)工業(yè)遺產(chǎn)評價(jià)體系,對工業(yè)遺產(chǎn)的歷史價(jià)值、完整性價(jià)值、科學(xué)技術(shù)價(jià)值和藝術(shù)價(jià)值4大項(xiàng)11小項(xiàng)指標(biāo)的評價(jià)方式進(jìn)行了進(jìn)一步量化.每一小項(xiàng)總分為10分,按照4個等級分級評價(jià).除對11小項(xiàng)指標(biāo)進(jìn)行分級評價(jià)外,還將工業(yè)遺產(chǎn)的總體評價(jià)分為5個等級:極高、高、較高、一般和較低.

2.2 訓(xùn)練樣本建立

共選定12座工業(yè)遺產(chǎn)作為樣本數(shù)據(jù)源,分別為沈陽鑄造廠大型一(翻砂)車間、滿洲住友金屬株式會社車間舊址、老龍口酒廠舊址、東三省兵工廠舊址、鐵西工人村歷史建筑群、奉海鐵路局舊址、遼寧總站舊址、太古倉碼頭、青島啤酒廠早期建筑、鐘淵紗廠舊址、南滿洲鐵道株式會社本部舊址和裕豐紡織株式會社舊址.通過查找現(xiàn)有評價(jià)資料及組織本行業(yè)專家填寫調(diào)查表,對以上12座工業(yè)遺產(chǎn)的4大項(xiàng)11小項(xiàng)指標(biāo)進(jìn)行評價(jià),再給出對遺產(chǎn)的總體評價(jià),最終形成了針對以上12座工業(yè)遺產(chǎn)的學(xué)習(xí)樣本,每一座工業(yè)遺產(chǎn)對應(yīng)5個學(xué)習(xí)樣本,共60個.

3 模型評價(jià)算法

3.1 算法需求分析及選型

人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)生物學(xué)研究基礎(chǔ)上提出的模擬生物過程、反映人腦某些特性的一種計(jì)算結(jié)構(gòu).模擬人腦的人工神經(jīng)網(wǎng)絡(luò)具有優(yōu)良的非線性表達(dá)能力、并行處理能力及自學(xué)習(xí)、自適應(yīng)能力,同時(shí),它具有聯(lián)想記憶、非線性映射、分類與識別、優(yōu)化計(jì)算、知識處理等功能[9].人工神經(jīng)網(wǎng)絡(luò)可以很好地表述潛在知識,吸收專家的經(jīng)驗(yàn),且由于隱層和閾值的存在,有很高的抗噪聲能力及較高的容錯性.將人工神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于工業(yè)遺產(chǎn)評價(jià)模型,將滿足上述對模型算法的選型需求,能通過樣本學(xué)習(xí),快速、準(zhǔn)確地得到評價(jià)結(jié)果,提高評價(jià)效率.

雖然人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于工業(yè)遺產(chǎn)評價(jià)模型有很多優(yōu)勢,但在學(xué)習(xí)過程中也存在問題.由于其算法本質(zhì)上為梯度下降法,而它所要優(yōu)化的目標(biāo)函數(shù)又非常復(fù)雜,在進(jìn)行全局搜索時(shí),不可避免地存在收斂速度慢的問題[10].除此之外,也存在容易陷入局部極限、最終評價(jià)準(zhǔn)確率不高等問題.經(jīng)分析,在使用人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入了遺傳算法,原因如下:遺傳算法從多個初始染色體開始并行迭代,可有效地防止算法訓(xùn)練收斂于局部最優(yōu)解;遺傳算法在求解空間中是采用啟發(fā)式搜索方式進(jìn)行尋優(yōu);遺傳算法通過計(jì)算適應(yīng)度進(jìn)行迭代,對問題依賴度小,可直接嵌入人工神經(jīng)網(wǎng)絡(luò)算法.通過在全局范圍內(nèi)設(shè)定初始種群,實(shí)現(xiàn)通過遺傳算法首先優(yōu)化人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),此后在樣本訓(xùn)練中實(shí)現(xiàn)全局搜索最優(yōu)解,避免陷入局部極限.

3.2 算法流程設(shè)計(jì)

首先對人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行編碼,主要編碼內(nèi)容包括有1～2個隱層,每個隱層有5～10個節(jié)點(diǎn)(輸入層和輸出層節(jié)點(diǎn)數(shù)根據(jù)樣本格式確定).此后隨機(jī)生成5個結(jié)構(gòu)作為初始種群,對每個結(jié)構(gòu)采用誤差反向傳播算法進(jìn)行樣本學(xué)習(xí),在達(dá)到訓(xùn)練次數(shù)后計(jì)算總體誤差作為訓(xùn)練結(jié)果,根據(jù)訓(xùn)練結(jié)果計(jì)算每個結(jié)構(gòu)的適應(yīng)度,并進(jìn)行選擇、交叉和變異,產(chǎn)生下一代種群,一直迭代直到達(dá)到預(yù)設(shè)優(yōu)化目標(biāo).

根據(jù)第1階段形成的最優(yōu)解,確定人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),此后對人工神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)權(quán)值進(jìn)行編碼,隨機(jī)產(chǎn)生初始種群,繼續(xù)使用已預(yù)處理過的樣本進(jìn)行學(xué)習(xí),此次學(xué)習(xí)直接計(jì)算前向,將前向計(jì)算結(jié)果與樣本預(yù)期評價(jià)進(jìn)行對比,計(jì)算誤差,將全體樣本的總誤差作為適應(yīng)度函數(shù)的核心變量.通過計(jì)算適應(yīng)度進(jìn)行種群選擇、交叉和變異,產(chǎn)生下一代種群,迭代到達(dá)到預(yù)設(shè)的優(yōu)化目標(biāo).而后,對最優(yōu)的染色體進(jìn)行解碼即可得到人工神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)的權(quán)重,至此完成工業(yè)遺產(chǎn)評價(jià)模型的構(gòu)建和訓(xùn)練.

3.3 結(jié)構(gòu)及參數(shù)設(shè)計(jì)

基于以上算法流程,最終確定如下算法結(jié)構(gòu)及參數(shù).

(1) 輸入層.輸入層起到緩沖存儲器的作用,它接收外部的輸入數(shù)據(jù),因此其節(jié)點(diǎn)數(shù)取決于輸入量的維數(shù).由于樣本共分為11小項(xiàng),故將人工神經(jīng)網(wǎng)絡(luò)的輸入層設(shè)置為11個節(jié)點(diǎn),此項(xiàng)不隨遺傳算法對網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化而改變.

(2) 輸出層.輸出層節(jié)點(diǎn)數(shù)取決于2方面:輸出數(shù)據(jù)類型和表示該類型所需要的數(shù)據(jù)大小.當(dāng)人工神經(jīng)網(wǎng)絡(luò)用于模式分類時(shí),一般以二進(jìn)制形式來表示不同模式的輸出結(jié)果,輸出層的節(jié)點(diǎn)數(shù)可根據(jù)待分類模式數(shù)確定.由于樣本最終評價(jià)分為5個等級,故將人工神經(jīng)網(wǎng)絡(luò)的輸出層設(shè)置為5個節(jié)點(diǎn),對應(yīng)每一等級該節(jié)點(diǎn)取1,其余節(jié)點(diǎn)取0.此項(xiàng)不隨遺傳算法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)改變.

(3) 隱層.理論分析證明,具有單隱層的感知器可以映射所有連續(xù)函數(shù)[11],只有當(dāng)學(xué)習(xí)不連續(xù)函數(shù)(如鋸齒波等)時(shí),才需要2個隱層,所以通常人工神經(jīng)網(wǎng)絡(luò)最多只需2個隱層.

采用遺傳算法對隱層數(shù)量(1～2個)及隱層節(jié)點(diǎn)數(shù)量(5～10個)進(jìn)行優(yōu)化,通過計(jì)算最終確定采用單隱層,隱層含有8個節(jié)點(diǎn).

(4) 變換函數(shù).采用常規(guī)變換函數(shù)為

式中,y為函數(shù)輸入.

看病時(shí)，周岱翰總會依次詢問3件事：吃、睡、拉。在他看來，能吃、能睡、能拉代表病人的生活狀態(tài)較好。有時(shí)，他甚至?xí)癫∪?，不該吃的東西也可適當(dāng)嘗嘗。

(5) 動量項(xiàng).人工神經(jīng)網(wǎng)絡(luò)算法中加入動量項(xiàng),主要為在調(diào)整權(quán)值時(shí)同時(shí)考慮當(dāng)前時(shí)刻及前一時(shí)刻的梯度方向,避免發(fā)生震蕩,提高訓(xùn)練速度.這里選擇加入動量項(xiàng),設(shè)定動量系數(shù)α=0.3,動量表達(dá)式為

ΔW(t)=ηδX+αΔW(t-1).

式中:η為學(xué)習(xí)率;δX為誤差調(diào)整量.

(6) 學(xué)習(xí)率.在經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)算法中,學(xué)習(xí)率由經(jīng)驗(yàn)確定,學(xué)習(xí)率越大,權(quán)重變化越大,收斂越快;但學(xué)習(xí)率過大,會引起系統(tǒng)的振蕩,因而此處選擇學(xué)習(xí)率η=0.25.

(7) 權(quán)重編碼方式及初值.在確定人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上,對所有權(quán)重(-1到1之間)使用6位二進(jìn)制數(shù)字編碼.由于在算法流程第一階段確定了網(wǎng)絡(luò)結(jié)構(gòu)(輸入層11節(jié)點(diǎn)、隱層8節(jié)點(diǎn)、輸出層5節(jié)點(diǎn)),因此編碼總長度為972位.

編碼后解碼公式為

式中:ω為解碼后權(quán)重;b為6位二進(jìn)制編碼轉(zhuǎn)為十進(jìn)制的結(jié)果.

確定編碼方式后,權(quán)重的初值由6位二進(jìn)制編碼隨機(jī)生成.

(8) 適應(yīng)度函數(shù).選取全體樣本的總誤差作為適應(yīng)度函數(shù)中的核心變量,以常數(shù)(初值1 000)與總誤差差值作為適應(yīng)度函數(shù),總誤差越小,適應(yīng)度函數(shù)值越高.

(9) 初始種群規(guī)模.為使初始種群能更多地分布在解域空間,實(shí)現(xiàn)全局搜索,選擇初始種群規(guī)模為20條染色體.

(10) 選擇策略.在選擇過程各個染色體根據(jù)其適應(yīng)度進(jìn)行復(fù)制,適應(yīng)度越大的染色體在下一代有更多機(jī)會擁有更多子孫.這里采用傳統(tǒng)輪盤賭選擇方式.由于初始種群規(guī)模較大,不存在難以交換和突變的情形,故進(jìn)一步采用精英保留策略,即在每一代中保留適應(yīng)度最好的染色體,不參與交換和突變.

(11) 交換策略.采用傳統(tǒng)交換策略,每次不同染色體兩兩配對進(jìn)行子串交換.但由于采用了精英保存策略,因此交換幾率設(shè)定較高.

(12) 突變策略.突變是在各染色體完成交換后,以很小的概率隨機(jī)改變一個串位的值,防止丟失有用的遺傳因子,同時(shí)避免種群失去多樣性.本文采用傳統(tǒng)突變策略,但由于采用了精英保存策略,因此突變幾率設(shè)定較高.

3.4 數(shù)據(jù)預(yù)處理

由于選用的60個樣本值域均是0～10,因此首先對樣本的11項(xiàng)指標(biāo)值進(jìn)行歸一化處理,采用如下公式:

歸一化后每個樣本的11項(xiàng)指標(biāo)值形成一個11維向量作為人工神經(jīng)網(wǎng)絡(luò)輸入.

樣本的總體評價(jià)值分5個等級,轉(zhuǎn)化為一個5維向量,每一等級相應(yīng)維數(shù)取1,其余取0,作為人工神經(jīng)網(wǎng)絡(luò)的輸出期望.

完成預(yù)處理后,設(shè)定單一染色體適應(yīng)度大于固定常數(shù)(初值900,根據(jù)訓(xùn)練結(jié)果可不斷修改逼近最優(yōu)條件)作為優(yōu)化目標(biāo)開始樣本訓(xùn)練.

3.5 訓(xùn)練結(jié)果及算法優(yōu)化

由于每次訓(xùn)練的初始種群隨機(jī)產(chǎn)生,因此重復(fù)進(jìn)行訓(xùn)練試驗(yàn),并根據(jù)訓(xùn)練結(jié)果進(jìn)一步調(diào)整和優(yōu)化算法中交換幾率、突變幾率、最優(yōu)條件等參數(shù),實(shí)現(xiàn)工業(yè)遺產(chǎn)評價(jià)模型算法的不斷優(yōu)化.

經(jīng)多次樣本訓(xùn)練及算法優(yōu)化,某次訓(xùn)練達(dá)到最優(yōu)條件后全部染色體適應(yīng)度總和變化如圖1所示.全部染色體平均樣本誤差變化如圖2所示.最優(yōu)染色體適應(yīng)度變化如圖3所示.最優(yōu)染色體平均樣本誤差變化如圖4所示.

圖1 全部染色體適應(yīng)度總和變化Fig.1 Variation of total chromosomes fitness

圖2 全部染色體平均樣本誤差變化Fig.2 Errors variation of average sample of all the chromosomes fitness

圖3 最優(yōu)染色體適應(yīng)度變化Fig.3 Variation of optimal chromosomes fitness

圖4 最優(yōu)染色體平均樣本誤差變化Fig.4 Errors variation of average sample of optimal chromosomes

從圖1和圖2可以看出,全部染色體的適應(yīng)度總和及樣本平均誤差變化起伏很大,說明遺傳算法中種群不停交換和變異,一直在全局范圍內(nèi)搜索最優(yōu)解.而最優(yōu)染色體的適應(yīng)度不斷上升(圖3),平均樣本誤差不斷下降(圖4),說明評價(jià)模型權(quán)重不斷優(yōu)化,基本上在5 000～6 000代后達(dá)到穩(wěn)態(tài),收斂到最優(yōu)結(jié)果.

此時(shí)平均樣本誤差下降至1.46左右,未進(jìn)一步下降的主要原因在于樣本中存在部分噪音,即同樣輸入但不同輸出,由于綜合利用人工神經(jīng)網(wǎng)絡(luò)及遺傳算法能使評價(jià)模型的泛化能力較強(qiáng),因此模型輸出多在兩個維度上有取值(一個對應(yīng)期望輸出,一個較期望輸出低0.2左右),其他維度基本為0.不影響使用模型進(jìn)行工業(yè)遺產(chǎn)評價(jià)(選取輸出中最高項(xiàng)).

完成訓(xùn)練后,使用了10個新的樣本測試評價(jià)模型的有效性.將樣本輸入后進(jìn)行對比,可發(fā)現(xiàn)工業(yè)遺產(chǎn)評價(jià)模型做出的評價(jià)與期望評價(jià)基本相符.

4 結(jié) 論

完善了工業(yè)遺產(chǎn)價(jià)值理論體系,提出了一種包括4大項(xiàng)11小項(xiàng)的工業(yè)遺產(chǎn)評價(jià)體系,使其中的指標(biāo)更貼近工業(yè)遺產(chǎn)的現(xiàn)狀和特點(diǎn)并可量化,與人工神經(jīng)網(wǎng)絡(luò)和遺傳算法有著極高的契合度.

綜合運(yùn)用人工神經(jīng)網(wǎng)絡(luò)和遺傳算法實(shí)現(xiàn)評價(jià)模型的自學(xué)習(xí)和快速評價(jià).一方面使用人工神經(jīng)網(wǎng)絡(luò)提升評價(jià)模型的非線性表達(dá)能力和平行處理能力,提升自動評價(jià)計(jì)算速度;另一方面使用遺傳算法實(shí)現(xiàn)模型的自學(xué)習(xí)和不斷進(jìn)化.避免了單獨(dú)使用人工神經(jīng)網(wǎng)絡(luò)算法帶來的學(xué)習(xí)效率較低、有時(shí)難以達(dá)到全局最優(yōu)的缺陷.此外由于遺傳算法對問題依賴度較低,因此引入遺傳算法也提升了評價(jià)模型的普適性和可移植性.

[ 1 ] 侯爽,林江. 創(chuàng)意工業(yè)遺產(chǎn)提升城市魅力:文化創(chuàng)意視角下遼寧工業(yè)遺產(chǎn)開發(fā)利用探析[J]. 沈陽大學(xué)學(xué)報(bào)(社會科學(xué)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 ] 蔣楠. 基于適應(yīng)性再利用的工業(yè)遺產(chǎn)價(jià)值評價(jià)技術(shù)與方法[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 ] 金姍姍. 工業(yè)建筑遺產(chǎn)保護(hù)與再利用評估體系研究[D]. 長沙:長沙理工大學(xué), 2012.

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

[ 4 ] 陳伯超. 遺產(chǎn)保護(hù)與經(jīng)濟(jì)效益:老龍口酒廠保護(hù)性開發(fā)設(shè)計(jì)[J]. 建筑創(chuàng)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 ] 哈靜,曲薇. 沈陽工業(yè)歷史及工業(yè)建筑遺存現(xiàn)狀[J]. 北京規(guī)劃建設(shè), 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 ] 韓冰,羅智星. 建筑遺產(chǎn)價(jià)值評價(jià)方法研究[J]. 華中建筑, 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 ] 張宇. 德國工業(yè)文化旅游產(chǎn)業(yè)的戰(zhàn)略性開發(fā)整合路徑[J]. 沈陽大學(xué)學(xué)報(bào)(社會科學(xué)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 ] 呂海平,朱光亞. 楊廷寶早年在沈陽的新建筑探索[J]. 華中建筑, 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. 基于人工神經(jīng)網(wǎng)絡(luò)的高校建筑工程造價(jià)預(yù)測系統(tǒng)的研究與應(yīng)用[D]. 西安:西北工業(yè)大學(xué), 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?dú)J,陳源. 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化策略研究[J]. 計(jì)算機(jī)與現(xiàn)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] 黃慶斌. BP算法的改進(jìn)及其應(yīng)用研究[D]. 成都:西南交通大學(xué), 2010.

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