CN117522350A - 一种绿色建筑设计装饰工程智能管理方法及系统 - Google Patents
一种绿色建筑设计装饰工程智能管理方法及系统 Download PDFInfo
- Publication number
- CN117522350A CN117522350A CN202410009384.7A CN202410009384A CN117522350A CN 117522350 A CN117522350 A CN 117522350A CN 202410009384 A CN202410009384 A CN 202410009384A CN 117522350 A CN117522350 A CN 117522350A
- Authority
- CN
- China
- Prior art keywords
- data points
- data point
- data
- point
- difference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013461 design Methods 0.000 title claims abstract description 26
- 238000005034 decoration Methods 0.000 title claims abstract description 25
- 238000007726 management method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims description 72
- 239000006185 dispersion Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Health & Medical Sciences (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据聚类技术领域，具体涉及一种绿色建筑设计装饰工程智能管理方法及系统。本发明获取每个数据点的边缘特征值，结合任意两个数据点的预设窗口内数据点的边缘特征值的分布差异，以及连接两个数据点形成线段上相邻数据点的边缘特征值之间的差异，对两个数据点的边缘特征值进行调整，得到数据点之间的修正边缘特征差异；基于修正边缘特征差异对数据点进行聚类得得到最终聚类簇，基于最终聚类簇内每个数据点的聚类贡献度获取数据点的优先级。本发明基于数据点之间的修正边缘特征差异对数据点进行聚类，提高数据点优先级设置的准确性。
Description
技术领域
本发明涉及数据聚类技术领域，具体涉及一种绿色建筑设计装饰工程智能管理方法及系统。
背景技术
在对绿色建筑进行设计时，可以通过三维模型进行展示，帮助施工人员对整体建筑的理解，并方便设计师进行设计。但是三维模型进行尺度放缩时会出现卡顿现象，为解决该问题，设置三维模型上数据点进行加载时的优先级，将对于三维模型架构重要程度类似的数据点设置为同一个优先级。
现有技术基于数据点之间的距离对绿色建筑的三维模型上的数据点进行聚类，将位置分布相近的数据点聚成一个簇类，由于位置较近的数据点可能为模型构架边缘与纹理位置，模型构架边缘的数据点与呈现纹理的数据点对模型构架的重要程度不同，则聚类簇内数据点对三维模型构架的重要程度差异较大，使得数据点的优先级设置不合适，导致绿色建筑的三维模型加载过程不流畅。
发明内容
为了解决基于数据点之间距离聚类使同一聚类簇内数据点对三维模型构架的重要程度存在差异，使数据点的优先级设置不合适，导致绿色建筑模型加载效果不佳的技术问题，本发明的目的在于提供一种绿色建筑设计装饰工程智能管理方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种绿色建筑设计装饰工程智能管理方法，该方法包括：
获取绿色建筑的三维模型上的数据点；
根据每个数据点的预设窗口内数据点的数量，以及所述预设窗口内数据点的位置分布，获取每个数据点的边缘特征值；
结合任意两个数据点的预设窗口内数据点的边缘特征值的分布差异，以及连接任意两个数据点形成的线段上相邻数据点的边缘特征值之间的差异，对任意两个数据点的边缘特征值之间的差异进行调整，获取任意两个数据点之间的修正边缘特征差异；
基于所述修正边缘特征差异对数据点进行聚类，得到最终簇；依据每个最终簇内每个数据点与其他数据点的所述边缘特征值的离散程度，获取每个最终簇内每个数据点的聚类贡献度；
根据每个最终簇内数据点的所述聚类贡献度，获取数据点的优先级。
进一步地，所述获取每个数据点的边缘特征值的方法，包括：
选取任意一个数据点作为第一分析数据点，将第一分析数据点的预设窗口内除第一分析数据点外的其余数据点作为第一分析数据点的邻域数据点，将第一分析数据点分别与每个邻域数据点连接形成的线段作为分析线段；
将任意两条分析线段之间的夹角作为分析角度，将所述分析角度的最大值作为第一分析数据点的显著角度；
将所述邻域数据点划分为至少两个类别，将同一类别的数据点对应的分析线段之间夹角的最大值作为每个类别的特征角度；将所述特征角度的方差作为第一分析数据点的角度波动值；
结合第一分析数据点的邻域数据点的数量、所述显著角度以及所述角度波动值，获取第一分析数据点的边缘特征值；所述角度波动值与所述边缘特征值为正相关的关系，第一分析数据点的邻域数据点的数量与所述显著角度均与所述边缘特征值为负相关的关系。
进一步地，所述获取任意两个数据点之间的修正边缘特征差异的方法，包括：
选取任意两个数据点作为目标数据点，将两个目标数据点连接形成的线段作为目标线段；
依据所述目标线段上相邻数据点的所述边缘特征值的差异，获取两个目标数据点之间的边缘特征变化度；
对于每个目标数据点，对于目标数据点的每个邻域数据点，将目标数据点与其邻域数据点的所述边缘特征值之间的差值绝对值进行归一化，得到目标数据点与其邻域数据点之间的边缘特征差异度；
若所述边缘特征差异度小于预设差异阈值，则将邻域数据点的相似度设置为预设第一非负数；若所述边缘特征差异度大于或者等于预设差异阈值，则邻域数据点的相似度设置为预设第二非负数；预设第一非负数大于预设第二非负数；
结合任意两个数据点的预设窗口内数据点的相似度之间的差异，以及所述边缘特征变化度，对任意两个数据点的边缘特征值之间的差异进行调整，得到任意两个数据点之间的修正边缘特征差异。
进一步地，所述依据所述目标线段上相邻数据点的所述边缘特征值的差异，获取两个目标数据点之间的边缘特征变化度的获取方法，包括：
将最大的所述边缘特征值对应的目标数据点为起点数据点，将最小的所述边缘特征值对应的目标数据点为终点数据点，以起点数据点开始，沿起点数据点到终点数据点的方向对所述目标线段上的数据点进行顺序编号；
以编号为横轴，边缘特征值为纵轴建立直角坐标系；将目标线段上每个数据点在所述直角坐标系中进行标注得到坐标点，将所述坐标点进行曲线拟合得到特征曲线段；
将所述目标线段上数据点在所述特征曲线段上对应的坐标点的斜率的方差作为两个目标数据点之间的边缘特征变化度。
进一步地，所述任意两个数据点之间的修正边缘特征差异的计算公式如下：
；式中，/>为第a个数据点与第b个数据点之间的修正边缘特征差异；/>为第a个数据点与第b个数据点的边缘特征值之间的差值绝对值；/>为第a个数据点与第b个数据点之间的所述边缘特征变化度；/>为第a个数据点的预设窗口内除第a个数据点外的数据点个数；/>为第a个数据点的预设窗口内除第a个数据点外第u个数据点的所述相似度；/>为第b个数据点的预设窗口内除第b个数据点外的数据点个数；/>为第b个数据点的预设窗口内除第b个数据点外第v个数据点的所述相似度；/>为绝对值函数；exp为以自然常数e为底数的指数函数；Norm为归一化函数。
进一步地，所述基于所述修正边缘特征差异对数据点进行聚类的过程为：
基于所述修正边缘特征差异，利用迭代自组织聚类算法对数据点进行聚类，获取每次迭代的聚类簇；
获取每次迭代的每个聚类簇内每个数据点的聚类贡献度；
根据每次迭代中任意两个数据点在上一次迭代中数据点的所述聚类贡献度之间的均值，与每次迭代中任意两个数据点之间的所述修正边缘特征差异之间的乘积，作为每次迭代中任意两个数据点之间的改进边缘特征差异；
基于每次迭代的数据点之间的所述改进边缘特征差异，对每次迭代的数据点进行聚类得到每次迭代的聚类簇。
进一步地，所述获取每个最终簇内每个数据点的聚类贡献度的方法，包括：
对于每个最终簇，将最终簇内所有数据点的边缘特征值的方差作为最终簇的第一离散度；
选取最终簇中任意一个数据点作为第二分析数据点，将最终簇中除第二分析数据点外的所有数据点的边缘特征值的方差作为第二分析数据点的第二离散度；
对所述第一离散度与所述第二离散度之间的差值绝对值进行负相关并归一化，得到第二分析数据点的聚类贡献度。
进一步地，所述获取数据点的优先级的方法，包括：
将每个最终簇内所有数据点的聚类贡献度的均值作为每个最终簇的优先判断值；
根据各最终簇的优先判断值获取各最终簇的整体优先级，所述优先判断值越大，整体优先级越高；将最终簇的整体优先级设置为对应最终簇内所有数据点的优先级。
进一步地，所述预设窗口的尺寸为。
第二方面，本发明另一个实施例提供了一种绿色建筑设计装饰工程智能管理系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述任意一项方法的步骤。
本发明具有如下有益效果：
本发明实施例中，三维模型中边缘对其构造较为重要，数据点的预设窗口内数据点数量与预设窗口数据点为位置分布，均能够反映数据点在绿色建筑的三维模型上的位置分布情况，综合两个因素获取的边缘特征值能准确反映数据点在模型所处位置；相交于直接对数据点之间距离进行聚类，本发明基于数据点的边缘特征值进行聚类，使同一聚类簇内数据点对绿色建筑模型构造的重要程度类似；同时考虑对三维模型的一条边缘上数据点的边缘特征值存在一定差异，为避免聚类时边缘上的部分数据点不能划分到同一聚类簇中，需要根据数据点其所在的空间位置的延展性和结构完整性对聚类的簇类中心的权重进行调整，即对任意两个数据点的边缘特征值之间的差异进行调整，获取数据点之间的修正边缘特征差异；基于修正边缘特征差异，利用迭代自组织聚类算法对数据点进行迭代聚类，以保证将对绿色建筑的三维模型构造重要程度相近的数据点划分为一个同一聚类簇；获取的最终簇内数据点与其他数据点越聚集，则数据点对最终簇的聚类中心的确定越重要，根据获取的最终簇内数据点的聚类贡献度设置数据点的优先级，提高数据点优先级设置的合理性，使绿色建筑的三维模型加载过程更加平滑、流畅。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种绿色建筑设计装饰工程智能管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种绿色建筑设计装饰工程智能管理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种绿色建筑设计装饰工程智能管理方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种绿色建筑设计装饰工程智能管理方法的步骤流程图，该方法包括：
步骤S1：获取绿色建筑的三维模型上的数据点。
具体的，通过建模技术获得绿色建筑的三维模型，获取三维模型上的数据点。需要说明的是，若将三维模型视为一个三维坐标系，则三维模型上的数据点相当于三维坐标系中的坐标点。
在对绿色建筑的三维模型进行加载时，由于计算机性能较低导致一次性处理的数据是有限的，一次性将模型中所有数据进行加载会导致加载过程卡顿。本发明对绿色建筑的三维模型上的数据点进行优先级划分，构成模型整体框架的数据点设置较高的优先级，细节纹理处的数据点设置较低的优先级，基于数据点的优先级对绿色建筑的三维模型进行加载，可以有效避免模型加载过程中出现卡顿现象。
在对绿色建筑的三维模型上数据点进行优先级划分时，将含有相同信息的数据点划分到同一簇类中，但本发明对簇类划分的需求不同，每个簇类内应包含对绿色建筑的三维模型的整体架构重要程度接近的数据点，即簇内各数据点可以构成一个大致的骨架用于三维模型的处理阶段或者描述绿色建筑的纹理信息。
步骤S2：根据每个数据点的预设窗口内数据点的数量，以及预设窗口内数据点的位置分布，获取每个数据点的边缘特征值。
数据点的预设窗口内数据点的数量，以及预设窗口内数据点的位置分布均能反映数据点在绿色建筑中所处的位置，综合两者分析使数据点的边缘特征值反映数据点在绿色建筑的位置分布更加准确。
优选地，边缘特征值的具体获取方法为：选取任意一个数据点作为第一分析数据点，将第一分析数据点的预设窗口内除第一分析数据点外的其余数据点作为第一分析数据点的邻域数据点，将第一分析数据点分别与每个邻域数据点连接形成的线段作为分析线段；将任意两条分析线段之间的夹角作为分析角度，将分析角度的最大值作为第一分析数据点的显著角度；将邻域数据点划分为至少两个类别，将同一类别的数据点对应的分析线段之间夹角的最大值作为每个类别的特征角度；将特征角度的方差作为第一分析数据点的角度波动值；结合第一分析数据点的邻域数据点的数量、显著角度以及角度波动值，获取第一分析数据点的边缘特征值；角度波动值与边缘特征值为正相关的关系，第一分析数据点的邻域数据点的数量与显著角度均与边缘特征值为负相关的关系。
本发明实施例中预设窗口的尺寸取经验值，实施者可根据具体情况自行设置。数据点位于其预设窗口内的中心位置。
需要说明的是，绿色建筑的墙体在绿色建筑的三维模型上有对应的数据点，但空气没有对应数据点，则本发明实施例中每个数据点的邻域数据点数量的最大值为26，每个数据点的分析线段的数量最多有26条，且每个数据点的所有分析线段仅有一个公共端点；分析角度的取值范围为。
将预设窗口视为一个魔方，对于每个数据点，将数据点的尺寸为的预设窗口的左前下角的数据点为原点，将该数据点的三条边作为三条轴建立三维坐标系，预设窗口的左前下角的数据点坐标为/>，预设窗口内中心位置的数据点坐标为/>，预设窗口的右前下角的数据点坐标为/>，预设窗口的左后下角的数据点坐标为/>，预设窗口的左前上角的数据点坐标为/>，预设窗口的右后上角的数据点坐标为/>。将预设窗口中Z轴坐标相等的数据点作为同一类别的数据点，由于代表墙体内部的数据点周围均存在数据点，代表墙体表面边缘的数据点周围存在部分数据点，则本发明实施例中数据点的预设窗口内除该数据点外的数据点最少被划分为两个类别，最多被划分为三个类别。需要说明的是，若每个类别仅存在一个数据点，则该类别对应的特征角度为/>。
第一分析数据点的边缘特征值的计算公式如下：
式中，D为第一分析数据点的边缘特征值；N为第一分析数据点的邻域数据点的数量；为第一分析数据点的显著角度；/>为第一分析数据点的角度波动值；exp为以自然常数e为底数的指数函数；cos为余弦函数；Norm为归一化函数。
N呈现第一分析数据点在绿色建筑的三维模型中位置，墙体内部的数据点周围均存在数据点，墙体表面边缘的数据点周围存在部分数据点，当N越小时，说明数据点位于墙体表面边缘的可能越大，边缘特征越明显，则边缘特征值D越大。
角度波动值反映第一分析数据点的预设窗口内邻域数据点分布位置情况；当数据点位于绿色建筑的墙体内部时，数据点的预设窗口内基本全部存在数据点，则每个类别的特征角度基本相等；当数据点位于绿色建筑的墙体表面边缘时，数据点的预设窗口内仅存在部分数据点，则每个类别的特征角度的差异较大。当角度波动值/>越大时，说明第一分析数据点位于墙体表面边缘的可能性越大，边缘特征越明显，则边缘特征值D越大。显著角度/>的最大值为/>，则预设窗口内形成显著角度的两个数据点与中心位置数据点呈对称分布，数据点的周围应基本都存在数据点，数据点位于绿色建筑墙体内部的可能性越大；因此，当越大，第一分析数据点位于绿色建筑墙体内部的可能性越大，数据点的平面信息较明显、边缘特征越不明显，则边缘特征值D越小。
所有数据点的边缘特征值的计算方法与第一分析数据点的边缘特征值的计算方法相同。
步骤S3：结合任意两个数据点的预设窗口内数据点的边缘特征值的分布差异，以及连接任意两个数据点形成的线段上相邻数据点的边缘特征值之间的差异，对任意两个数据点的边缘特征值之间的差异进行调整，获取任意两个数据点之间的修正边缘特征差异。
在确定绿色建筑的三维模型上数据点的优先级时需要对数据点进行分类，可以通过步骤S2获取边缘特征值对数据点进行聚类，边缘特征值越大的数据点对绿色建筑的模型结构越重要，其被加载的优先级应设置越高。
基于数据点的边缘特征值进行聚类时没有考虑到每个层级数据的完整性，例如三维模型中一条边缘上数据点的边缘特征值存在一定的差异，在进行聚类时一些数据点可能划分不到同一个簇类中，要考虑到分类时数据点之间的结构完整性，将绿色建筑上同一个边缘线上的数据点划分到同一个簇类中，需要根据数据点其所在的空间位置的延展性和结构完整性对聚类的簇类中心的权重进行调整，获取数据点之间的修正边缘特征差异，使得聚类时的聚类中心计算更准确，减少其聚类中心偏向较小边缘特征值的数据点情况，避免其簇类的划分产生问题影响后续分层展示。
数据点之间的修正边缘特征差异的获取具体方法具体如下：
选取任意两个数据点作为目标数据点，将两个目标数据点连接形成的线段作为目标线段；依据目标线段上相邻数据点的边缘特征值的差异，获取两个目标数据点之间的边缘特征变化度。
优选地，边缘特征变化度的具体获取方法为：将最大的边缘特征值对应的目标数据点为起点数据点，将最小的边缘特征值对应的目标数据点为终点数据点，以起点数据点开始，沿起点数据点到终点数据点的方向对目标线段上的数据点进行顺序编号；以编号为横轴，边缘特征值为纵轴建立直角坐标系；将目标线段上每个数据点在直角坐标系中进行标注得到坐标点，将坐标点进行曲线拟合得到特征曲线段；将目标线段上数据点在特征曲线段上对应的坐标点的斜率的方差作为两个目标数据点之间的边缘特征变化度。
需要说明的是，将目标线段的起点数据点的编号设置为1，沿目标线段的起点数据点到终点数据点的方向，目标线段上的数据点编号依次增加，例如，目标线段上起点数据点的下一个数据点的编号为2，以此类推。
本发明实施例中选用最小二乘法对直角坐标系中的坐标点进行曲线拟合。其中，最小二乘法为本领域技术人员公知技术，在此不再赘述。
对于每个目标数据点，对于目标数据点的每个邻域数据点，将目标数据点与其邻域数据点的边缘特征值之间的差值绝对值进行归一化，得到目标数据点与其邻域数据点之间的边缘特征差异度；若边缘特征差异度小于预设差异阈值，则将邻域数据点的相似度设置为预设第一非负数；若边缘特征差异度大于或者等于预设差异阈值，则邻域数据点的相似度设置为预设第二非负数；预设第一非负数大于预设第二非负数；结合任意两个数据点的预设窗口内数据点的相似度之间的差异，以及边缘特征变化度，对任意两个数据点的边缘特征值之间的差异进行调整，得到任意两个数据点之间的修正边缘特征差异。
本发明实施例中预设差异阈值取经验值0.68；当边缘特征差异度小于预设差异阈值时，本发明认为目标数据点与其邻域数据点的边缘特征相似，邻域数据点为有效数据点；反之，邻域数据点为无效数据点，则预设第一非负数大于预设第二非负数，预设第一非负数取经验值1，预设第二非负数取经验值0，实施者可根据具体情况自行设置。
任意两个数据点之间的修正边缘特征差异的计算公式如下：
式中，为第a个数据点与第b个数据点之间的修正边缘特征差异；/>为第a个数据点与第b个数据点的边缘特征值之间的差值绝对值；/>为第a个数据点与第b个数据点之间的边缘特征变化度；/>为第a个数据点的预设窗口内除第a个数据点外的数据点个数；/>为第a个数据点的预设窗口内除第a个数据点外第u个数据点的相似度；/>为第b个数据点的预设窗口内除第b个数据点外的数据点个数；/>为第b个数据点的预设窗口内除第b个数据点外第v个数据点的相似度；/>为绝对值函数；exp为以自然常数e为底数的指数函数；Norm为归一化函数。
绿色建筑的同一边缘在三维模型上对应数据点的边缘特征相似，即边缘特征值D较为接近；当边缘特征变化度越大时，说明两个数据点之间的连线为绿色建筑的边缘的可能性越小，两个数据点是同一区域的概率越小，对聚类的影响较小，对/>调整的程度越小。/>与/>反映数据点与其预设窗口内数据点的边缘特征的相似情况，通过判断两个数据点所处位置的相似情况，当两个数据点所处位置的边缘特征越相似，/>越接近0，使得/>越大，两个数据点对三维模型构架的重要程度相似，两个数据点位于同一聚类簇的可能性越大，对聚类的影响越大，对/>调整的程度越大。将/>作为/>的权重，使得到的修正边缘特征差异更加适合描述数据点的边缘特征的相似程度。
步骤S4：基于修正边缘特征差异对数据点进行聚类，得到最终簇；依据每个最终簇内每个数据点与其他数据点的边缘特征值的离散程度，获取每个最终簇内每个数据点的聚类贡献度。
基于数据点之间的修正边缘差异，利用迭代自组织聚类算法对绿色建筑的三维模型上的数据点进行迭代聚类，得到最终簇。其中，迭代自组织聚类算法为本领域技术人员公知技术，在此不再赘述。
本发明实施例中迭代自组织聚类算法的控制参数如下：预期聚类中心数量与初始聚类中心个数均为7，两个聚类中心间的最小距离下限为15，每个聚类簇内允许的最小样本数取为100，聚类簇内数据点的边缘特征值的标准差上限为20，实施者可根据具体情况自行设置。
需要说明的是，最终簇为迭代聚类结束时对应的聚类簇。
具体的迭代聚类过程如下：
获取每次迭代的每个聚类簇内每个数据点的聚类贡献度；根据每次迭代中任意两个数据点在上一次迭代中数据点的聚类贡献度之间的均值，与每次迭代中任意两个数据点之间的修正边缘特征差异之间的乘积，作为每次迭代中任意两个数据点之间的改进边缘特征差异；基于每次迭代的数据点之间的改进边缘特征差异，利用迭代自组织聚类算法对每次迭代的数据点进行聚类得到每次迭代的聚类簇。
需要说明的是，每次迭代的每个聚类簇内每个数据点的聚类贡献度的计算方法，与最终簇内数据点的聚类贡献度的计算方法相同；第一次迭代聚类是基于数据点之间的修正边缘差异对数据点进行聚类，第一次迭代后的迭代聚类均是基于数据点之间的改进边缘特征差异对数据点进行聚类。
基于数据点之间修正边缘差异进行聚类，会导致边缘特征值较小的数据点被划分到簇内数据点的边缘特征值较大的簇类中，在计算簇类中心时会导致簇类中心发生偏移，簇类中心偏移后会导致原本两个簇类之间的距离达不到合并要求，但是由于上述的聚类中心的偏移情况将两个簇类之间的距离缩小导致其进行合并，影响后续聚类划分的准确性。因此，本发明利用每次迭代的上一次迭代的数据点对聚类中心的重要程度，对每次迭代的数据点之间的修正边缘差异调整，得到每次迭代的数据点之间的改进边缘特征差异，以提高后续聚类划分的准确性。
最终簇内每个数据点的聚类贡献度的获取方法为：对于每个最终簇，将最终簇内所有数据点的边缘特征值的方差作为最终簇的第一离散度；选取最终簇中任意一个数据点作为第二分析数据点，将最终簇中除第二分析数据点外的所有数据点的边缘特征值的方差作为第二分析数据点的第二离散度；对第一离散度与第二离散度之间的差值绝对值进行负相关并归一化，得到第二分析数据点的聚类贡献度。
每个最终簇中每个数据点的聚类贡献度的计算公式如下：
式中，G为每个最终簇中每个数据点的聚类贡献度；为每个最终簇的第一离散度；为每个最终簇的每个数据点的第二离散度；/>为绝对值函数；exp为子自然常数e为底数的指数函数；Norm为归一化函数。
需要说明的是，当越大时，说明该数据点相较于最终簇内其他数据点越离散，该数据点对确定聚类中心所起到的作用越小，则最终簇内数据点的聚类贡献度G越小。
步骤S5：根据每个最终簇内数据点的聚类贡献度，获取数据点的优先级。
将每个最终簇内所有数据点的聚类贡献度的均值作为每个最终簇的优先判断值；根据各最终簇的优先判断值获取各最终簇的整体优先级，优先判断值越大，整体优先级越高；将最终簇的整体优先级设置为对应最终簇内所有数据点的优先级。
需要说明的是，最大的优先判断值对应最终簇内数据点的优先级越高，最小的优先判断值对应的聚类簇内数据点的优先级越低；每个最终簇内所有数据点的优先级相同。
将同一优先级的数据点进行分布式压缩，每个优先级的数据点为分布式压缩的一步；在对绿色建筑的三维模型进行展示时，基于优先级对数据点进行逐级加载，使加载过程更加平滑、流畅。
至此，本发明完成。
综上所述，本发明实施例中，获取每个数据点的边缘特征值，结合任意两个数据点的预设窗口内数据点的边缘特征值的分布差异，以及连接两个数据点形成线段上相邻数据点的边缘特征值之间的差异，对两个数据点的边缘特征值进行调整，得到数据点之间的修正边缘特征差异；基于修正边缘特征差异利用迭代自组织聚类算法对数据点进行迭代聚类得得到最终聚类簇，基于最终聚类簇内每个数据点的聚类贡献度获取数据点的优先级。本发明基于数据点之间的修正边缘特征差异对数据点进行聚类，提高数据点优先级设置的准确性。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种绿色建筑设计装饰工程智能管理系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述一种绿色建筑设计装饰工程智能管理方法实施例中的步骤，例如图1所示的步骤。该一种绿色建筑设计装饰工程智能管理方法在上述实施例中已经详细说明，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种绿色建筑设计装饰工程智能管理方法，其特征在于，该方法包括：
获取绿色建筑的三维模型上的数据点；
根据每个数据点的预设窗口内数据点的数量，以及所述预设窗口内数据点的位置分布，获取每个数据点的边缘特征值；
结合任意两个数据点的预设窗口内数据点的边缘特征值的分布差异，以及连接任意两个数据点形成的线段上相邻数据点的边缘特征值之间的差异，对任意两个数据点的边缘特征值之间的差异进行调整，获取任意两个数据点之间的修正边缘特征差异；
基于所述修正边缘特征差异对数据点进行聚类，得到最终簇；依据每个最终簇内每个数据点与其他数据点的所述边缘特征值的离散程度，获取每个最终簇内每个数据点的聚类贡献度；
根据每个最终簇内数据点的所述聚类贡献度，获取数据点的优先级。
2.根据权利要求1所述的一种绿色建筑设计装饰工程智能管理方法，其特征在于，所述获取每个数据点的边缘特征值的方法，包括：
选取任意一个数据点作为第一分析数据点，将第一分析数据点的预设窗口内除第一分析数据点外的其余数据点作为第一分析数据点的邻域数据点，将第一分析数据点分别与每个邻域数据点连接形成的线段作为分析线段；
将任意两条分析线段之间的夹角作为分析角度，将所述分析角度的最大值作为第一分析数据点的显著角度；
将所述邻域数据点划分为至少两个类别，将同一类别的数据点对应的分析线段之间夹角的最大值作为每个类别的特征角度；将所述特征角度的方差作为第一分析数据点的角度波动值；
结合第一分析数据点的邻域数据点的数量、所述显著角度以及所述角度波动值，获取第一分析数据点的边缘特征值；所述角度波动值与所述边缘特征值为正相关的关系，第一分析数据点的邻域数据点的数量与所述显著角度均与所述边缘特征值为负相关的关系。
3.根据权利要求1所述的一种绿色建筑设计装饰工程智能管理方法，其特征在于，所述获取任意两个数据点之间的修正边缘特征差异的方法，包括：
选取任意两个数据点作为目标数据点，将两个目标数据点连接形成的线段作为目标线段；
依据所述目标线段上相邻数据点的所述边缘特征值的差异，获取两个目标数据点之间的边缘特征变化度；
对于每个目标数据点，对于目标数据点的每个邻域数据点，将目标数据点与其邻域数据点的所述边缘特征值之间的差值绝对值进行归一化，得到目标数据点与其邻域数据点之间的边缘特征差异度；
若所述边缘特征差异度小于预设差异阈值，则将邻域数据点的相似度设置为预设第一非负数；若所述边缘特征差异度大于或者等于预设差异阈值，则邻域数据点的相似度设置为预设第二非负数；预设第一非负数大于预设第二非负数；
结合任意两个数据点的预设窗口内数据点的相似度之间的差异，以及所述边缘特征变化度，对任意两个数据点的边缘特征值之间的差异进行调整，得到任意两个数据点之间的修正边缘特征差异。
4.根据权利要求3所述的一种绿色建筑设计装饰工程智能管理方法，其特征在于，所述依据所述目标线段上相邻数据点的所述边缘特征值的差异，获取两个目标数据点之间的边缘特征变化度的获取方法，包括：
将最大的所述边缘特征值对应的目标数据点为起点数据点，将最小的所述边缘特征值对应的目标数据点为终点数据点，以起点数据点开始，沿起点数据点到终点数据点的方向对所述目标线段上的数据点进行顺序编号；
以编号为横轴，边缘特征值为纵轴建立直角坐标系；将目标线段上每个数据点在所述直角坐标系中进行标注得到坐标点，将所述坐标点进行曲线拟合得到特征曲线段；
将所述目标线段上数据点在所述特征曲线段上对应的坐标点的斜率的方差作为两个目标数据点之间的边缘特征变化度。
5.根据权利要求3所述的一种绿色建筑设计装饰工程智能管理方法，其特征在于，所述任意两个数据点之间的修正边缘特征差异的计算公式如下：
；式中，/>为第a个数据点与第b个数据点之间的修正边缘特征差异；/>为第a个数据点与第b个数据点的边缘特征值之间的差值绝对值；/>为第a个数据点与第b个数据点之间的所述边缘特征变化度；/>为第a个数据点的预设窗口内除第a个数据点外的数据点个数；/>为第a个数据点的预设窗口内除第a个数据点外第u个数据点的所述相似度；/>为第b个数据点的预设窗口内除第b个数据点外的数据点个数；/>为第b个数据点的预设窗口内除第b个数据点外第v个数据点的所述相似度；/>为绝对值函数；exp为以自然常数e为底数的指数函数；Norm为归一化函数。
6.根据权利要求1所述的一种绿色建筑设计装饰工程智能管理方法，其特征在于，所述基于所述修正边缘特征差异对数据点进行聚类的过程为：
基于所述修正边缘特征差异，利用迭代自组织聚类算法对数据点进行聚类，获取每次迭代的聚类簇；
获取每次迭代的每个聚类簇内每个数据点的聚类贡献度；
根据每次迭代中任意两个数据点在上一次迭代中数据点的所述聚类贡献度之间的均值，与每次迭代中任意两个数据点之间的所述修正边缘特征差异之间的乘积，作为每次迭代中任意两个数据点之间的改进边缘特征差异；
基于每次迭代的数据点之间的所述改进边缘特征差异，对每次迭代的数据点进行聚类得到每次迭代的聚类簇。
7.根据权利要求1所述的一种绿色建筑设计装饰工程智能管理方法，其特征在于，所述获取每个最终簇内每个数据点的聚类贡献度的方法，包括：
对于每个最终簇，将最终簇内所有数据点的边缘特征值的方差作为最终簇的第一离散度；
选取最终簇中任意一个数据点作为第二分析数据点，将最终簇中除第二分析数据点外的所有数据点的边缘特征值的方差作为第二分析数据点的第二离散度；
对所述第一离散度与所述第二离散度之间的差值绝对值进行负相关并归一化，得到第二分析数据点的聚类贡献度。
8.根据权利要求1所述的一种绿色建筑设计装饰工程智能管理方法，其特征在于，所述获取数据点的优先级的方法，包括：
将每个最终簇内所有数据点的聚类贡献度的均值作为每个最终簇的优先判断值；
根据各最终簇的优先判断值获取各最终簇的整体优先级，所述优先判断值越大，整体优先级越高；将最终簇的整体优先级设置为对应最终簇内所有数据点的优先级。
9.根据权利要求1所述的一种绿色建筑设计装饰工程智能管理方法，其特征在于，所述预设窗口的尺寸为。
10.一种绿色建筑设计装饰工程智能管理系统，其特征在于，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述权利要求1-9任意一项所述一种绿色建筑设计装饰工程智能管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410009384.7A CN117522350B (zh) | 2024-01-04 | 2024-01-04 | 一种绿色建筑设计装饰工程智能管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410009384.7A CN117522350B (zh) | 2024-01-04 | 2024-01-04 | 一种绿色建筑设计装饰工程智能管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117522350A true CN117522350A (zh) | 2024-02-06 |
| CN117522350B CN117522350B (zh) | 2024-04-26 |
Family
ID=89764848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410009384.7A Active CN117522350B (zh) | 2024-01-04 | 2024-01-04 | 一种绿色建筑设计装饰工程智能管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522350B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050102301A1 (en) * | 2002-03-04 | 2005-05-12 | Adrian Flanagan | Mechanism for unsupervised clustering |
| EP1703464A1 (en) * | 2005-03-17 | 2006-09-20 | Institut Curie | Method for analyzing an image of a biochip, computer program and device for analyzing this image |
| CN109117560A (zh) * | 2018-08-17 | 2019-01-01 | 武汉理工大学 | 基于mbd的汽车典型机加工零件三维工艺设计方法及平台 |
| CN113657435A (zh) * | 2021-07-05 | 2021-11-16 | 北京理工大学 | 面向异构边缘计算平台的去中心化训练方法 |
| CN114723898A (zh) * | 2022-06-09 | 2022-07-08 | 天津市天科数创科技股份有限公司 | 大体量点云模型轻量化的方法及装置 |
| CN116186634A (zh) * | 2023-04-26 | 2023-05-30 | 青岛新航农高科产业发展有限公司 | 一种建筑工程施工数据智能管理系统 |
| CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
| CN116664776A (zh) * | 2023-06-05 | 2023-08-29 | 江苏泛在智能科技研究院有限公司 | 一种基于数字孪生的三维可视化编辑系统 |
-
2024
- 2024-01-04 CN CN202410009384.7A patent/CN117522350B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050102301A1 (en) * | 2002-03-04 | 2005-05-12 | Adrian Flanagan | Mechanism for unsupervised clustering |
| EP1703464A1 (en) * | 2005-03-17 | 2006-09-20 | Institut Curie | Method for analyzing an image of a biochip, computer program and device for analyzing this image |
| CN109117560A (zh) * | 2018-08-17 | 2019-01-01 | 武汉理工大学 | 基于mbd的汽车典型机加工零件三维工艺设计方法及平台 |
| CN113657435A (zh) * | 2021-07-05 | 2021-11-16 | 北京理工大学 | 面向异构边缘计算平台的去中心化训练方法 |
| CN114723898A (zh) * | 2022-06-09 | 2022-07-08 | 天津市天科数创科技股份有限公司 | 大体量点云模型轻量化的方法及装置 |
| CN116186634A (zh) * | 2023-04-26 | 2023-05-30 | 青岛新航农高科产业发展有限公司 | 一种建筑工程施工数据智能管理系统 |
| CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
| CN116664776A (zh) * | 2023-06-05 | 2023-08-29 | 江苏泛在智能科技研究院有限公司 | 一种基于数字孪生的三维可视化编辑系统 |
Non-Patent Citations (2)
| Title |
|---|
| 宗春梅;赵青杉;焦莉娟;: "基于簇内差异度的K-均值算法应用研究", 忻州师范学院学报, no. 05, 30 October 2018 (2018-10-30), pages 30 - 34 * |
| 茹金平;刘海姣;: "基于超像素纹理分割的三维立体模型重构设计", 软件导刊, no. 08, pages 184 - 186 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117522350B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105718868B (zh) | 一种针对多姿态人脸的人脸检测系统及方法 | |
| WO2022027912A1 (zh) | 一种人脸姿态检测方法、装置、终端设备及存储介质 | |
| CN110378997B (zh) | 一种基于orb-slam2的动态场景建图与定位方法 | |
| CN110147744A (zh) | 一种人脸图像质量评估方法、装置及终端 | |
| CN110111430B (zh) | 一种从三维点云中提取二次曲面的方法 | |
| CN110163863B (zh) | 三维物体分割方法、设备和介质 | |
| CN111612841B (zh) | 目标定位方法及装置、移动机器人及可读存储介质 | |
| CN109977767B (zh) | 基于超像素分割算法的目标检测方法、装置及存储装置 | |
| WO2015067084A1 (zh) | 人眼定位方法和装置 | |
| TWI748409B (zh) | 資料處理方法、處理器、電子設備和電腦可讀媒體 | |
| WO2022077863A1 (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
| TW201721516A (zh) | 一種眼球追蹤的方法及裝置 | |
| CN113269791B (zh) | 一种基于边缘判定与区域生长的点云分割方法 | |
| CN117557569A (zh) | 一种道路路面施工质量检测方法及系统 | |
| WO2016201679A1 (zh) | 特征提取方法、唇语分类方法、装置及设备 | |
| TW201516969A (zh) | 視訊物件追蹤方法 | |
| CN109493344A (zh) | 一种大规模城市三维场景的语义分割方法 | |
| CN110097021A (zh) | 基于mtcnn的人脸姿态估计方法 | |
| WO2020248096A1 (zh) | 基于局部特征的三维人脸识别方法和系统 | |
| CN117522350B (zh) | 一种绿色建筑设计装饰工程智能管理方法及系统 | |
| CN110879985A (zh) | 一种抗噪声数据的人脸识别模型训练方法 | |
| CN108520539B (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 | |
| CN112541897A (zh) | 一种基于人工智能的面瘫程度评估系统 | |
| CN112232294A (zh) | 一种超参数优化、目标识别模型训练、目标识别方法及装置 | |
| CN101256627B (zh) | 一种基于不变矩的图形畸变分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |