高峻峰，汪新軍

(1. 華中科技大學機械科學與工程學院，湖北 武漢 430074；2. 華中科技大學，湖北 武漢 430074)

1 引言

信息化技術能夠有效實現(xiàn)各項土地資源管理與集成工作，目前最早的數(shù)據(jù)集成方法是Bolstad等人在20世紀90年代提出的，將區(qū)域?qū)傩灾禐V波應用到不同屬性的數(shù)據(jù)集成當中，但當時該方法在精度上無法確定。參考國外的研究成果，國家技術監(jiān)督局在20世紀末期，提出設計一種空間數(shù)據(jù)交換格式，利用不同的數(shù)據(jù)交換方式建立具有映射效果的數(shù)據(jù)庫，用于數(shù)據(jù)集成[1]。

隨著各項技術的發(fā)展，數(shù)據(jù)集成進一步發(fā)展到數(shù)據(jù)整合當中，文獻[2]提出利用Altmetrics工具整合數(shù)據(jù)。文獻[3]提出利用Delaunay三角網(wǎng)，建立具有約束特點的模型，用于數(shù)據(jù)整合工作。文獻[4]提出異構方志元數(shù)據(jù)整合策略，根據(jù)數(shù)據(jù)之間的關聯(lián)度、細粒度制定數(shù)據(jù)整合方案。但綜合來看，這些方法共享數(shù)據(jù)的能力不強，獲得的整合效果不夠理想，因此，提出統(tǒng)一編碼下房屋建筑圖形數(shù)據(jù)多通道整合方法。多通道整合就是利用模型的多個交互層，通過數(shù)據(jù)收集、清洗、提取、分類、識別、交互以及融合等操作，實現(xiàn)數(shù)據(jù)之間的合并。根據(jù)多通道整合理論，研究全新的房屋建筑圖形數(shù)據(jù)多通道整合方法。

2 統(tǒng)一編碼下房屋建筑圖形數(shù)據(jù)多通道整合

2.1 房屋建筑圖形數(shù)據(jù)預處理

整合房屋建筑圖形數(shù)據(jù)，主要依據(jù)房產(chǎn)和地籍數(shù)據(jù)庫提供的數(shù)據(jù)，按照統(tǒng)一編碼的設置標準，預處理房屋建筑圖形數(shù)據(jù)。針對不同房屋建筑登記數(shù)據(jù)，比對原數(shù)據(jù)與《不動產(chǎn)登記數(shù)據(jù)庫標準》，根據(jù)新老數(shù)據(jù)庫的比對結果，獲取需要補充的數(shù)據(jù)內(nèi)容，找到用于排序的數(shù)據(jù)編碼。預處理數(shù)據(jù)的第一步，就是獲得完整的房屋建筑圖形數(shù)據(jù)，第二步規(guī)范化處理獲得的數(shù)據(jù)，包括對圖形數(shù)據(jù)的補充和完善，對于無法完善的數(shù)據(jù)，通過實地調(diào)查的方式補充此項數(shù)據(jù)；對于已經(jīng)注銷的不動產(chǎn)數(shù)據(jù)，進行數(shù)據(jù)清理[5]。選擇一個過濾函數(shù)，對原始數(shù)據(jù)過濾處理，該函數(shù)的計算公式為

(1)

式中：x表示圖形數(shù)據(jù)；X′表示對應的數(shù)據(jù)屬性；α表示屬性對應的權重，取值范圍在(0，1)之間；K1，K2，…，Kn表示與每一數(shù)據(jù)屬性X′對應的約束條件；γ表示過濾系數(shù)。完成數(shù)據(jù)過濾后，結合提出的預處理方案，設計建筑圖形數(shù)據(jù)規(guī)范化處理流程，如下圖1所示。

圖1 房屋建筑圖形數(shù)據(jù)規(guī)范化處理流程

根據(jù)上述設計的預處理流程可知，通過預處理房屋建筑圖形數(shù)據(jù)，可以完善房屋建筑統(tǒng)一編碼[6]。按照編碼順序逐項檢查數(shù)據(jù)屬性，檢查規(guī)則應參考下表1顯示的內(nèi)容。

表1 數(shù)據(jù)屬性檢測規(guī)則

按照上述規(guī)則檢查房屋建筑圖形數(shù)據(jù)，得到可用于整合的完整數(shù)據(jù)編碼。

2.2 統(tǒng)一編碼下房屋建筑圖形數(shù)據(jù)特征挖掘

預處理數(shù)據(jù)后，在統(tǒng)一編碼下挖掘房屋建筑圖形數(shù)據(jù)特征，為多通道數(shù)據(jù)處理提供參考。已知空間數(shù)據(jù)挖掘技術，可以與人工智能方法等技術結合使用，所以利用該技術挖掘房屋建筑圖形數(shù)據(jù)的空間特征、空間關聯(lián)、空間分布、空間區(qū)分以及空間演變等相關內(nèi)容[7]。建立一個模糊數(shù)據(jù)集合，存在X={xij|1≤i≤a，1≤j≤a}，設置模糊子集聚類中心，則模糊集劃分公式為

(2)

式中：H(X，C)表示目標函數(shù)；a表示模糊子集的劃分數(shù)量；φ表示變動因子；r表示相鄰子集之間的距離。對上述計算結果進行求解，得到模糊聚類結果后，設置存在k個房屋建筑圖形數(shù)據(jù)特征，將這些特征標記為β1，β2，…，βk，結合式(2)的計算結果，要求這些特征數(shù)據(jù)滿足下列條件

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

(3)

式中：ω表示對應所有特征數(shù)據(jù)的權重；βi1，βi2，…，βik表示動態(tài)變化的特征值[8]。設置正弦信號為sin(ωt+θ)，其中，t表示時間、θ表示相位偏移量，當挖掘過程出現(xiàn)噪聲時，則正弦信號變換為sin(ωt+θ+z(t))，其中，z(t)表示相位噪聲。在充分考慮噪聲的前提下，設置時鐘方案，下列公式為時鐘方案生成具體時間控制參數(shù)：

(4)

式中：SNR表示信噪比；f表示數(shù)據(jù)挖掘頻率。按照上述特征挖掘和時鐘方案，在考慮噪聲干擾的前提下，根據(jù)統(tǒng)一編碼挖掘房屋建筑圖形數(shù)據(jù)特征。

2.3 構建圖形特征的多通道卷積神經(jīng)網(wǎng)絡模型

將得到的特征數(shù)據(jù)輸入到仿真軟件中，結合卷積神經(jīng)網(wǎng)絡組成內(nèi)容，構建包含圖形特征的多通道卷積神經(jīng)網(wǎng)絡模型。已知構建的模型包含四個數(shù)據(jù)層，首先向第一層輸入預處理后的房屋建筑圖形數(shù)據(jù)；利用第二層的卷積操作，提取挖掘得到的特征；第三層采樣處理得到的結果；第四層分類采樣數(shù)據(jù)，輸出分類結果[9]。設置圖形數(shù)據(jù)的長度為d，則輸入到第一層內(nèi)的數(shù)據(jù)，經(jīng)模型轉(zhuǎn)換后得到

(5)

公式中：μ表示對應圖形數(shù)據(jù)的向量；L表示圖形數(shù)據(jù)屬性；⊕表示模型的拼接操作模式。模型根據(jù)預先獲得的仿真數(shù)據(jù)，生成圖形數(shù)據(jù)x在模型中的輸入方程

xd=μd+Ld

(6)

根據(jù)上述得到的值調(diào)整特征分量，卷積層在挖掘的房屋建筑圖形數(shù)據(jù)特征中，提取局部特征。設置卷積核的長度為s，利用下列計算生成卷積特征圖

E=(E1，E2，…，Ed-s+1)

(7)

式中：Ei∈E，表示卷積操作后提取獲得的局部特征信息。第三層采用max-over-time pooling法采樣特征信息，得到的結果為

E′=max[E]

(8)

將E′作為采樣結果，模型根據(jù)上述計算結果，將池化層采樣數(shù)據(jù)輸入到全連接層當中，通過下列公式對得到的數(shù)據(jù)進行分類

q=max(ωt·E′+A)

(9)

式中：A表示偏置；q表示模型第四層的輸出結果[10]。按照上述計算構建圖形特征的多通道卷積神經(jīng)網(wǎng)絡模型，為整合方法提供規(guī)則和數(shù)據(jù)處理支撐。

2.4 多通道交互控制與數(shù)據(jù)整合

在仿真系統(tǒng)中，習慣將不同通道信號轉(zhuǎn)化，但由于一些圖形數(shù)據(jù)不便于轉(zhuǎn)化為界面操作的形式，所以根據(jù)模型輸出的結果，采用下列公式進行轉(zhuǎn)化描述：

qt=h(xtet，xt-1et-1，…，xt-τet-τ)

(10)

上述公式就是對模型獲得結果的數(shù)據(jù)轉(zhuǎn)換方法。此次設計的整合方法，在現(xiàn)有的多通道信息整合的基礎上，在一個學習過程中添加設定，所以調(diào)整公式(10)的計算形式，得到

(11)

式中：m∈M，且存在2≤m≤M，表示參與信息融合的通道總數(shù)量；?表示交互控制方式。設置第m個通道內(nèi)的傳輸信號滿足Gauss分布，即存在λm～N(ηm，εm)，其中，ηm、εm表示均值[11]。設置每個通道信號的置信度為om，則多通道交互控制的一般融合方程為

(12)

上述公式是對多個信號的最大似然估計。根據(jù)上述計算某通道信號的邊緣概率，以此獲得聯(lián)合分布概率方程

(13)

式中：P(σ)表示某通道邊緣分布預測結果；P()表示已知的邊緣概率。根據(jù)上述計算結果，利用交互控制融合方程和聯(lián)合分布概率方程，實現(xiàn)對圖形數(shù)據(jù)的多通道整合，至此在統(tǒng)一編碼下，房屋建筑圖形數(shù)據(jù)多通道整合方法設計完畢。

3 仿真測試

3.1 實驗準備

為了檢驗此次提出的方法，具有更好的數(shù)據(jù)整合效果，提出仿真對比測試實驗，將文中提出的方法作為實驗組，將三種傳統(tǒng)Altmetrics數(shù)據(jù)整合方法、Delaunay三角網(wǎng)數(shù)據(jù)整合方法和異構方志元數(shù)據(jù)整合方法分別作為對照A組、對照B組以及對照C組，選擇M市高新技術開發(fā)區(qū)中的X學校作為測試樣本，該學校的俯視實景圖，如圖2所示。

圖2 仿真測試對象

將有關X學校的房屋建筑編碼輸入到仿真系統(tǒng)中。已知該學校建成于2005年，房屋建筑數(shù)據(jù)豐富，滿足數(shù)據(jù)多通道整合要求。整理該學校房屋建筑圖形數(shù)據(jù)編碼，如下表2所示。

表2 X學校數(shù)據(jù)編碼

為了給實驗測試結果提供可靠的證明，實驗人員親自來到X學校，根據(jù)現(xiàn)階段學校房屋建筑的實際特征，繪制該學校的房屋建筑圖像數(shù)據(jù)空間效果圖，其中局部效果如下圖3所示。

圖3 X學校房屋建筑圖像局部空間效果

測試仿真環(huán)境的網(wǎng)絡連接和硬件運行是否穩(wěn)定，無問題后分別將四種不同的方法應用到規(guī)格型號、仿真環(huán)境一致的測試平臺當中，比較不同方法之間的差異性。

3.2 整合效果測試

結合表2給定的統(tǒng)一編碼，分別利用四組方法，整合X學校房屋建筑圖形數(shù)據(jù)，得到的空間數(shù)據(jù)整合效果，如圖4所示。

圖4 空間數(shù)據(jù)整合效果

根據(jù)圖4顯示的測試結果可知，只有實驗組獲得的整合效果，與圖3的實際結果一致，而三個對照組獲得的圖形數(shù)據(jù)整合結果，則存在局部缺失。分析導致這一問題的原因，發(fā)現(xiàn)X學校建成于2005年，經(jīng)過十多年的發(fā)展，學校建筑規(guī)模逐漸擴大，一些新建房屋建筑的編碼沒能及時更新。提出的整合方法在第一環(huán)節(jié)就對所有圖形數(shù)據(jù)進行預處理，保證所有建筑都有最新的編碼，而傳統(tǒng)方法直接用建筑編碼進行數(shù)據(jù)整合，沒有提前檢驗編碼是否與建筑數(shù)量匹配，所以導致數(shù)據(jù)整合效果圖中缺失部分圖形信息。

3.3 共享效果測試

為了便于比較不同方法的數(shù)據(jù)共享能力，以人為的方式預先將編碼補充完整，保證其它測試條件不變，利用共享效果評價公式，計算四組方法在整合數(shù)據(jù)的過程中，共享房屋建筑編碼的能力，共享評價公式為

(14)

式中：I表示共享質(zhì)量評價結果；m表示圖形數(shù)據(jù)量；ω表示權重；mi表示隨機的圖形數(shù)據(jù)；Q表示等待被使用的編碼集合；M表示等待共享的數(shù)據(jù)端口。再選擇一個圖形數(shù)據(jù)量更大的Z學校作為測試對象，再次進行數(shù)據(jù)整合，下表3和表4是不同數(shù)據(jù)量下，四組方法整合圖形數(shù)據(jù)時，共享數(shù)據(jù)的質(zhì)量評價結果。

表3 X學校建筑圖形數(shù)據(jù)共享評價結果

表4 Z學校建筑圖形數(shù)據(jù)共享評價結果

計算兩種情況下，不同方法共享數(shù)據(jù)的綜合能力，如下表5所示。

表5 綜合評價結果

根據(jù)表5顯示的結果，可知文中提出的方法共享數(shù)據(jù)的能力更強，比三組傳統(tǒng)方法分別高了11.75%、11.3%以及11.82%。

4 結束語

根據(jù)此次研究可知，盡管學校房屋建筑文件已經(jīng)有了統(tǒng)一編碼，但為了獲得更為嚴謹?shù)臄?shù)據(jù)整合結果，需要對于數(shù)據(jù)進行預處理，檢查所有房屋建筑結構的編碼是否完整，及時補充或更新編碼。而根據(jù)本次實驗研究可知，整合過程中使用的圖形數(shù)據(jù)，是圖元信息所代表的物體，這一點可以根據(jù)實驗準備和兩輪測試結果得出。盡管新的整合方法性能更好，但該方法的工作效率不高，今后可以簡化部分計算，提高方法的仿真工作效率。