本发明属于建筑物的视觉化监测评价方法技术领域，特别涉及一种适用于木结构装配式建筑物的视觉化监测方法。
背景技术：
木材作为一种永恒的建材，古老而又现代，木结构建筑在风格特性上与城市特点相呼应，彰显人文特点。天然材质使建筑具有一种特别的亲和力，消除建筑本身作为外来物的冰冷感觉，木结构建造的灵活性可以充分发挥个性化，人性化特点。木结构建筑将为中国建造的不仅是可供使用的建筑实体,更成为一座座人文景观。
随着生活水平的提高，人们对建筑物的要求已不再满足于遮蔽性和安全性，而是开始关注于建筑物的视觉效果；尤其是木结构建筑物一般属于高档建筑，因此，人们对于木结构建筑物视觉舒适性要求更高。
技术实现要素：
本发明提供了一种适用于木结构装配式建筑物的视觉化监测方法，其根据建筑物本身结构参数、外部环境信息及采光强度得到建筑物的外部视觉评价指数和内部视觉评价指数，从而对建筑物的视觉舒适度进行综合评价，本发明的主要目的是以室内和室外相结合的方式对建筑物的视觉舒适度进行评价，从而使评价结果更为全面。
本发明提供了一种适用于木结构装配式建筑物的视觉化监测方法，通过bp神经网络确定建筑物的视觉舒适度等级，本发明的另一个目的是能够快速获得评价结果，并且获得的评价结果相对于人工打分评价更为客观。
本发明提供的技术方案为：
一种适用于木结构装配式建筑物的视觉化监测方法，包括如下步骤：
步骤一、获取建筑物高度及建筑物的外部环境信息，根据所述建筑物高度和所述外部环境信息得到建筑物外部视觉评价指数；
步骤二、获取建筑物的室内层高、建筑物中能看到室外的窗的面积、建筑物外墙面积及自然采光强度，根据所述室内层高、建筑物中能看到室外的窗的面积、建筑物外墙面积及自然采光强度得到建筑物的内部视觉评价指数；
步骤三、获取建筑物的长度及宽度，根据所述建筑物的长度、宽度、所述建筑物的外部视觉评价指数和所述建筑物的内部视觉评价指数对所述建筑物进行视觉化评价。
优选的是，所述建筑物的外部环境信息包括：
建筑物与其周围最近的建筑物之间的距离，所述最近的建筑物的高度以及建筑物所在园区的绿化率。
优选的是，所述建筑物外部视觉评价指数为：
其中，g为建筑物所在园区的绿化率，d为建筑物与其周围最近的建筑物之间的距离，h0为监测的建筑物的高度，h1为最近的建筑物的高度，a1、a2、a3为加权系数。
优选的是，所述加权系数满足：a1+a2+a3＝1，并且a2＞a1＞a3＞0。
优选的是，所述建筑物内部视觉评价指数为：
其中，χ为建筑物的自然采光强度，h为建筑物的层高，h0为设定的建筑物标准层高，s为建筑物中能看到室外的窗的面积，s0为建筑物的外墙面积。
优选的是，在所述步骤三中，通过bp神经网络模型对所述建筑物进行视觉化评价，包括如下步骤：
步骤1、获取建筑物的长度l、宽度b、建筑物的外部视觉评价指数ε和建筑物的内部视觉评价指数κ；
步骤2、依次将获取的参数进行规格化，确定三层bp神经网络的输入层神经元向量x＝{x1,x2,x3,x4}，其中，x1为建筑物的长度系数、x2为建筑物的宽度系数、x3为建筑物的外部视觉评价指数系数、x4为建筑物的内部视觉评价指数系数；
步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y1,y2,…,ym}，m为隐层节点个数；
步骤4、得到输出层神经元向量o＝{o1,o2,o3,o4}；其中，o1为设定的第1视觉舒适度等级，o2为设定的第2视觉舒适度等级，o3为设定的第3视觉舒适度等级，o4为设定的第4视觉舒适度等级，所述输出层神经元值为
优选的是，在所述步骤3中，所述隐层节点个数m满足：
优选的是，在所述步骤2中，将所述建筑物的长度l、宽度b、建筑物的外部视觉评价指数ε和建筑物的内部视觉评价指数κ进行规格化的公式为：
其中，xj为输入层向量中的参数，xj分别为参数l、b、ε、κ，j＝1,2,3,4；xjmax和xjmin分别为相应参数的最大值和最小值。
优选的是，所述隐层及所述输出层的激励函数均采用s型函数fj(x)＝1/(1+e-x)。
本发明的有益效果是：
本发明提供的适用于木结构装配式建筑物的视觉化监测方法，根据建筑物本身结构参数、外部环境信息及采光强度得到建筑物的外部视觉评价指数和内部视觉评价指数，从而对建筑物的视觉舒适度进行综合评价；本发明以室内和室外相结合的方式对建筑物的视觉舒适度进行评价，从而使评价结果更为全面。
本发明的适用于木结构装配式建筑物的视觉化监测方法，通过bp神经网络确定建筑物的视觉舒适度等级，能够快速获得评价结果，并且获得的评价结果相对于人工打分评价更为客观。
具体实施方式
下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了一种适用于木结构装配式建筑物的视觉化监测方法，括如下步骤：
步骤一、通过获取建筑物高度及建筑物的外部环境信息，根据所述建筑物高度和所述建筑物的外部环境信息得到建筑物外部视觉评价指数。
其中，所述建筑物的外部环境信息包括：
监测的建筑物与其周围最近的建筑物之间的距离，所述最近的建筑物的高度以及监测的建筑物所在园区的绿化率。
所述园区植物绿化率为：
式中，g为园区绿化率，sg为园区绿化面积，s0为园区总面积。
步骤二、获取建筑物的室内层高、建筑物中能看到室外的窗的总面积、建筑物外墙面积及自然采光强度，根据所述室内层高、建筑物中能看到室外的窗的面积、建筑物外墙面积及自然采光强度得到建筑物的内部视觉评价指数；
所述的自然采光强度为：
式中，χ为自然采光强度，pr为室内光强，p0为同时刻的室外光强。
步骤三、获取建筑物的长度及宽度，根据所述建筑物的长度、宽度、所述建筑物的外部视觉评价指数和所述建筑物的内部视觉评价指数对所述建筑物进行视觉化舒适度等级评价。
在另一实施例中，所述建筑物外部视觉评价指数为：
其中，g为建筑物所在园区的绿化率，d为监测的建筑物与其周围最近的建筑物之间的距离，h0为监测的建筑物的高度，h1为与监测的建筑物最近的建筑物的高度，a1、a2、a3为加权系数。
作为优选，所述加权系数满足：a1+a2+a3＝1，并且a2＞a1＞a3＞0。
在另一实施例中，所述建筑物内部视觉评价指数为：
其中，χ为建筑物的自然采光强度，h为建筑物的层高，h0为设定的建筑物标准层高，s为建筑物中能看到室外的窗的面积，s0为建筑物的外墙面积。
在另一实施例中，在所述步骤三中，通过bp神经网络模型对所述建筑物进行视觉化评价，包括如下步骤：
步骤1、建立bp神经网络模型。
bp模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为
opj＝fj(netpj)
其中，p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，取为s型函数，即fj(x)＝1/(1+e-x)。
本发明采用的bp网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。
该网络的数学模型为：
输入向量：x＝(x1,x2,...,xn)t
中间层向量：y＝(y1,y2,...,ym)t
输出向量：o＝(o1,o2,...,op)t
本发明中，输入层节点数为n＝4，输出层节点数为p＝4，隐藏层节点数m由下式估算得出：
输入层4个参数分别表示为：x1为建筑物的长度系数、x2为建筑物的宽度系数、x3为建筑物的外部视觉评价指数系数、x4为建筑物的内部视觉评价指数系数。
由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。
归一化的公式为
具体而言，对于建筑物的长度l，进行规格化后，得到建筑物的长度系数x1：
其中，lmin和lmax分别为监测的多个建筑物中的最小长度和最大长度。
同样的，对于建筑物的宽度b通过下式进行规格化，得到建筑物的宽度系数x2：
其中，bmin和bmax分别为监测的多个建筑物中的最小宽度和最大宽度。
对于计算得到的建筑物的外部视觉评价指数ε，进行规格化后，得到建筑物的外部视觉评价指数系数x3：
其中，εmin和εmax分别为计算得到的最小外部视觉评价指数和最大外部视觉评价指数。
对于计算得到的建筑物的内部视觉评价指数κ，进行规格化后，得到建筑物的内部视觉评价指数系数x4：
其中，κmin和κmax分别为计算得到的最小内部视觉评价指数和最大内部视觉评价指数。
输出层4个参数分别表示为：o1为设定的第1视觉舒适度等级，o2为设定的第2视觉舒适度等级，o3为设定的第3视觉舒适度等级，o4为设定的第4视觉舒适度等级，所述输出层神经元值为
步骤2、进行bp神经网络的训练。
建立好bp神经网络节点模型后，即可进行bp神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输出样本如表1所示。
表1网络训练的输出样本
(2)训练算法
bp网络采用误差反向传播(backwardpropagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。
第二步：对每个输入样本作如下计算：
(a)前向计算：对l层的j单元
式中，
若单元j的激活函数为sigmoid函数，则
且
若神经元j属于第一隐层(l＝1)，则有
若神经元j属于输出层(l＝l)，则有
(b)反向计算误差：
对于输出单元
对隐单元
(c)修正权值：
第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。
bp算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是levenberg-marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为
δω＝(jtj+μi)-1jte
其中j为误差对权值微分的雅可比(jacobian)矩阵，i为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。
步骤3、输出建筑物的视觉舒适度等级；其中，所述第1视觉舒适度等级为视觉舒适度优，建筑物的视觉舒适度处于最佳状态；第2视觉舒适度等级为视觉舒适度良，建筑物的视觉舒适度处于较舒适状态；所述第3视觉舒适度等级为视觉舒适度一般，建筑物的视觉舒适度能满足部分人的需求；所述第4视觉舒适度等级为视觉舒适度差，建筑物的视觉舒适度不能满足居住者的需求。
本发明提供的适用于木结构装配式建筑物的视觉化监测方法，以室内和室外相结合的方式对建筑物的视觉舒适度进行评价，从而使评价结果更为全面。此外，本发明通过bp神经网络确定建筑物的视觉舒适度等级，能够快速获得评价结果，并且获得的评价结果相对于人工打分评价更为客观。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。