完善主体资料,免费赠送VIP会员!
* 主体类型
* 企业名称
* 信用代码
* 所在行业
* 企业规模
* 所在职位
* 姓名
* 所在行业
* 学历
* 工作性质
请先选择行业
您还可以选择以下福利:
行业福利,领完即止!

下载app免费领取会员

NULL

ad.jpg

用BIM分析古典宅园空间聚类?Lunchbox插件值得上手!

发布于:2020-10-12 14:30:54
首页/BIM专题
分享

本文主要结合苏州古典宅园空间的类型划分问题,利用Lunchbox插件做辅助,探索K-means聚类和神经网络这两个运算器的应用。

腿腿教学网-用BIM分析古典宅园空间聚类?Lunchbox插件值得上手!

No.1——问题提出

对于江南地区的私家古典宅园空间而言,一般呈宅园并列或彼此融合的格局。宅第部分多厅堂楼阁,体量较大;沿轴线布置,体现礼法秩序。而园林部分多以水体为中心,亭廊轩榭环立,建筑体量较小且形态差异较大。宅园最初建造时通常不止一个出入口,便于通行。现如今古典园林作为景区,功能发生改变后其出入口也多有扩建或是易位的现象,出入口附近多辅助用房,如卫生间和办公室等。

基于以上认识,选取网师园、耦园、艺圃和留园四座古典园林的平面图作为研究对象,对其主要建筑空间进行聚类分析,找出各类型的共同点。

No.2——特征构建

对宅园建筑空间进行聚类分析,需要主观构建聚类依据。由于缺乏建筑高度、色彩、风格等信息,仅能从平面特征分析。

首先是建筑单体特征,有建筑面积(建筑大小)、建筑周长面积比(体现建筑是狭长还是方正)、建筑平面边数(四边形的厅堂或是六边形的亭子)、建筑朝向等因素。

建筑关系及外部环境特征方面,有建筑到水体的距离(近水特征)、建筑与其他所有建筑间的平均距离(可体现建筑位置的中心性)、建筑到外部道路的距离等因素。

基于主观选取,本文从建筑面积、建筑周长面积比、建筑到水体的距离,建筑与其他所有建筑的平均距离等四个指标对建筑空间进行聚类。

选定聚类指标后,由于各指标的数量级不同,数量级大的指标其权重越大,在聚类时起到主要影响。因此需要进行归一化处理,将四类数据全部缩放至[0,1]的区间内。进行数据合并然后转置数据,使得四类指标归入一组数据结构。

当然,如果认为某一类指标权重应该大些,可在Remap电池的Target输入端输入大于1的数字,默认为[0,1]

No.3——分类与标注

将整理好的数据组接入K-meansClustering运算器,将聚类数目设置为3。由于Kmeans聚类的结果不是唯一解,因此可用随机种子调节聚类结果。聚类完成后对不同类型进行着色。

结果如下:

由于在特征选取时就已经考虑建筑是否近水、建筑的大小、建筑的形状、建筑位置的中心性等这些问题,导致聚类的结果会趋近先验设想。因此可将聚类结果分为近水空间、入口/角落空间、厅堂空间三个类型。

腿腿教学网-用BIM分析古典宅园空间聚类?Lunchbox插件值得上手!

No.4——神经网络预测

基于上述聚类特征(input)和聚类标签(output,选取网师园、耦园和留园作为训练集,以艺圃作为测试集进行园林空间的类型预测。当然,如果能够更精细地手动进行类型标注(而不是基于聚类结果),并且当训练集足够大时,神经网络的预测结果会更加精准。

神经网络运算器的输入端如下所示,其中TraingInputsTestData要求树状数据,即是将特征值(0~1区间)成组输入。Labels要求数值型数据,需要将原有文字标签转换为数字输入。HiddenNeurons为神经网络隐含层数,默认为5层。Alpha值默认为2,即是Sigmod激活函数的取值范围(-1~1)。Iterations为迭代次数,默认为10。建议增大,直至Result不再发生变化时为止(意味着损失函数不再变化,预测结果收敛)。

No.5——对比分析

以下为聚类分析和神经网络预测的结果对比,可看出神经网络预测得到的分类结果相对更准确些。

本例中神经网络基于的训练数据来源于聚类分析,然而二者在方法上有着很大的区别。聚类一般依据欧氏距离或是余弦相似度等进行类型划分,属于启发式迭代求最优解。使得组内差距最小而组间差距最大。神经网络则是依据大量的训练数据,构建神经网络模型,再对测试集进行判定。

此外,聚类不同于分类。分类指定了分类标准,属于监督学习方法。聚类属于无监督学习。事先并无类型标准,聚类簇(cluster)的个数是可以更改的,而且聚类结果随机。

以上我们看出先验导向和特征体系的构建决定了后续结果的可能性,而聚类分析和神经网络预测的结果只是在确定的导向下逼近一个最优解,或者一个易解释的结果。

我们还看到,LunchboxML组件中工具有限,能够行使的功能也较为有限。但是仍不失为一个还算好用的工具,值得我们进一步的应用。

文章来源:云犀笔记

仅作分享交流,文章著作权归原作者所有。

转载请注明来源本文地址:https://www.tuituisoft/bim/15436.html

未标题-1.jpg

上一篇:没有了

下一篇:没有了