[发明专利]一种基于孪生网络的房屋布局方法及系统

权利要求书

1.一种基于孪生网络的房屋布局方法，其特征在于，包括如下步骤：

第1步，获得房屋布局设计图的样本集，作为训练样本，将其中的设计图根据设计效果分类为合理设计图与不合理设计图；

第2步，采用多示例学习的方法将合理设计图与不合理设计图进行训练样本的划分，一个训练样本中所有的设计图都是合理设计图时，该样本为正样本，一个训练样本中至少有一个设计图是不合理样本时，该样本为负样本；

第3步，将正样本和负样本分别输入至孪生网络中，孪生网络的输出值为正样本与负样本之间的分差值；并对孪生网络进行训练；

第4步，采用待评价的设计图输入至训练好的孪生网络中的任意一个网络模型中，得到输出值；将输出值作为该设计图的得分；

第3步中的孪生网络计算过程是：将正样本和负样本进行特征提取后，再对提取后的数据进行编码，并将编码得到的向量分别输入至两个孪生网络中，两个孪生网络相互之间共享权重；分差值E_w是通过以下方式计算得到：

E_W(X₁,X₂)＝‖G_W(X₁)-G_W(X₂)‖

孪生神经网络的损失函数L定义为：

L(W,(Y,X₁,X₂)ⁱ)＝(1-Y)L_G(E_W(X₁,X₂)ⁱ)+YL_I(E_W(X₁,X₂)ⁱ)

其中，X₁,X₂分别为两个孪生网络的输入的经过特征提取后的数据，G_W(X)为模型，其中W表示模型参数，G_W模型用于将输入数据X转换为一组特征向量；E_w计算出两个特征向量之间的L1距离；Y表示X₁,X₂是否属于同一类：若为同一类，则为0，否则为1；i表示当前样本的下标；L_G表示两个样本为同类时的损失函数，L_I表示两个样本为不同类时的损失函数。

2.根据权利要求1所述的基于孪生网络的房屋布局方法，其特征在于，正样本和负样本中的户型图需要经过特征提取后再输入至孪生网络中。

3.根据权利要求1所述的基于孪生网络的房屋布局方法，其特征在于，编码中包含了：1)门窗墙的位置和大小；2)家具的类别、位置、大小和旋转角度。

4.根据权利要求1所述的基于孪生网络的房屋布局方法，其特征在于，在孪生网络的训练过程中，孪生网络的输出值的标记是：正样本与负样本之间的分差值为1，正样本与正样本之间的分差值为0。

5.根据权利要求1所述的基于孪生网络的房屋布局方法，其特征在于，第1步中，样本集的获得方式是：获得优秀的设计图，并对优秀的设计图中的家具位置进行调整后，得到一系列的调整后的设计图；将优秀的设计图定义为合理的设计，并对调整后的设计图进行人工评价，分类为合理设计图与不合理设计图。

6.根据权利要求1所述的基于孪生网络的房屋布局方法，其特征在于，位置进行调整包括：移动、旋转或缩放。

7.根据权利要求6所述的基于孪生网络的房屋布局方法，其特征在于，对家具位置进行调整时，当存在着相互依存关系的家具组合时，将家具组合作为一个整体进行位置调整。