【技术实现步骤摘要】
本专利技术涉及计算机，特别是涉及一种室内设计用室内采光率模拟系统、方法、装置、计算机设备及存储介质。
技术介绍
1、现有的采光率的计算方法主要包括按照建筑尺寸和窗口的大小、数量、位置核算室内的天然光照度；或根据采光标准规定的采光系数估算所需的窗口面积。通常规定一种理想的标准天空亮度分布作为计算条件。中国和世界上多数国家均以国际照明委员会规定的标准全阴天天空亮度分布作为采光计算的假想光源。世界各国已发表的采光计算方法有数十种，这些方法主要建立在以光度理论推导的和以采光模型实验的测量数据为依据的两种不同基础上。现在有软件也可以模拟室内设计的采光，但准确性有待提高，是对天气环境等因素变化分析不强的原因导致的。
技术实现思路
1、鉴于上述问题，提出了本实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种室内设计用室内采光率模拟方法、装置、系统、计算机设备及存储介质。
2、为了解决上述问题，本实施例公开了一种室内设计用室内采光率模拟方法，包括：
3、采集不同房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据，建立所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据的映射关系，得到训练集；
4、从所述训练集中提取环境特征向量、室内特征向量及光照光强向量；
5、将所述提取环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型进行训练；
6、采集实时的房屋区域数据、天气数
7、根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像；
8、将所述采光图像进行分割预处理，得到采光图像的图像特征；
9、建立卷积神经网络模型；
10、构建所述训练集中的环境特征向量、室内特征向量及采光图像的图像特征的特征序列；
11、将所述特征序列经全连接层输入，将特征序列经处理所获得的第一向量集合s1映射得到第二向量集合s2；
12、所述第二向量集合s2经过包含sigmoid函数的卷积层，得到细节特征向量集合s3；
13、所述细节特征向量集合s3经过maxpooing池化层和连接的卷积层，得到全局特征图s4；
14、所述全局特征图s4经过包含relu函数的全连接层，得到预测图s5；
15、利用优化器adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练；
16、将目标房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述训练后的卷积神经网络模型，得到输出的采光图像；
17、根据所述采光图像计算出采光率。
18、优选地，所述细节特征向量集合s3经过池化层maxpooing和连接的卷积层，得到全局特征图s4，包括：
19、所述卷积层包含以下分支描述：
20、 ；
21、为细节特征向量集合中的特征向量，为注意力分支描述； 、、为是卷积函数；、、是整形函数操作；是sofmax函数操作，该分支描述输出为，是指cayley乘积。
22、优选地，所述全局特征图s4经过包含relu函数的全连接层，得到预测图s5，包括：
23、所述全局特征图包括第一特征c1、第二特征c2、第三特征c3，将第一特征c1、第二特征c2进行通道相加，将第一特征c1、第二特征c2进行矩阵相乘，将第一特征c1、第二特征c2通道相加的结果与第一特征c1、第二特征c2矩阵相乘的运行结果与第三特征c3进行通道相加；得到所述全连接层的输出为a;
24、；
25、其中，为通道相加操作，为3×3卷积；
26、将所述连接层的输出为a输入到包含relu函数的神经网络，得到预测图s5。
27、优选地，所述利用优化器adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练，包括：
28、所述卷积神经网络模型的损失函数设置为l=lb+lu+e;
29、其中，；
30、；
31、其中，i为图像特征的像素，为图像特征，为模型输出的图像；e为补偿系数。
32、优选地，所述根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像，包括：
33、提取出天气数据、楼层数据、房间朝向数据、时间中的采光相关模型参数；
34、根据所述采光相关模型参数与输出的光照光强数据，生成对应的采光图像。
35、本专利技术实施例公开了一种室内设计用室内采光率模拟装置，包括：
36、训练集获取模块，用于采集不同房屋的区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据，建立所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及光照光强数据的映射关系，得到训练集；
37、向量提取模块，用于从所述训练集中提取环境特征向量、室内特征向量及光照光强向量；
38、第一训练模块，用于将所述提取环境特征向量及室内特征向量、光照光强向量输入至支持向量机模型进行训练；
39、光照光强数据输出模块，用于采集实时的房屋区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间输入至所述支持向量机模型，得到输出的光照光强数据；
40、采光图像生成模块，用于根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像；
41、预处理模块，用于将所述采光图像进行分割预处理，得到采光图像的图像特征；
42、建立模块，用于建立卷积神经网络模型；
43、构建模块，用于构建所述训练集中的环境特征向量、室内特征向量及采光图像的图像特征的特征序列；
44、映射模块，用于将所述特征序列经全连接层输入，将特征序列经处理所获得的第一向量集合s1映射得到第二向量集合s2；
45、卷积层模块，用于所述第二向量集合s2经过包含sigmoid函数的卷积层，得到细节特征向量集合s3；
46、池化层模块，用于所述细节特征向量集合s3经过maxpooing池化层和连接的卷积层，得到全局特征图s4；
47、全连接层模块，用于所述全局特征图s4经过包含relu函数的全连接层，得到预测图s5；
48、梯度更新模块，用于利用优化器ada本文档来自技高网...
【技术保护点】
1.一种室内设计用室内采光率模拟方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述细节特征向量集合S3经过池化层Maxpooing和连接的卷积层，得到全局特征图S4，包括：
3.根据权利要求1所述的方法，其特征在于，所述全局特征图S4经过包含ReLU函数的全连接层，得到预测图S5，包括：
4.根据权利要求1所述的方法，其特征在于，所述利用优化器Adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述不同房屋的所述区域数据、天气数据、季节数据、楼层数据、房间朝向数据、时间及支持向量机模型输出的光照光强数据，生成对应的采光图像，包括：
6.一种室内设计用室内采光率模拟装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述池化层模块包括：
8.一种室内设计用室内采光率模拟系统，其特征在于，包括：
...【技术特征摘要】
1.一种室内设计用室内采光率模拟方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述细节特征向量集合s3经过池化层maxpooing和连接的卷积层，得到全局特征图s4，包括：
3.根据权利要求1所述的方法，其特征在于，所述全局特征图s4经过包含relu函数的全连接层，得到预测图s5，包括：
4.根据权利要求1所述的方法，其特征在于，所述利用优化器adam计算得到的梯度来更新梯度，经过多次的迭代确定更新的准确梯度范围，进而更新网络参数，得到训练后的卷积神经网络模型及网络参数，完成卷积神经网络模型的训练，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述不同房屋的所述区域数据、天气数据、季节数...
【专利技术属性】
技术研发人员：李磊，刘晓林，邵岸，陈廷漫，程超，
申请(专利权)人：深圳市郑中设计股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。