[发明专利]基于监督学习的住宅户型布局生成方法及系统

权利要求书

1.一种基于监督学习的住宅户型布局生成方法，其特征在于，包括：

建立户型布局生成模型，其中包括生成网络、仿真环境及评分网络；

获取户型示例数据，将所述户型示例数据输入至生成网络，输出户型布局数据；

根据所述户型示例数据，得到户型设计条件，将所述户型设计条件及户型布局数据输入仿真环境，对户型布局进行评分；

根据评价网络，将户型布局数据作为输入数据，将仿真环境输出的评分作为标注，训练所述评价网络并输出评分数据；

将评分数据反向传播至生成网络，更新生成网络参数，训练生成网络，在生成网络的输出结果满足预设要求时停止训练，得到训练完成的户型布局生成模型；

获取用户录入的户型设计条件，输入至训练完成的户型布局生成模型，输出户型布局图。

2.根据权利要求1所述的方法，其特征在于，根据所述户型示例数据，得到户型设计条件，包括：

将户型示例数据拆解为场地范围信息及目标房间关系信息，得到户型设计条件。

3.根据权利要求1所述的方法，其特征在于，所述仿真环境的搭建方式包括：

采用python语言，人工定义输出户型布局的评分规则；或者，

利用参数化建筑设计软件工具提供的API接口，在python单元和软件之间建立信息交互通道，利用软件工具提供的功能模块对生成结果进行信息提取和计算，并传回python单元。

4.根据权利要求1所述的方法，其特征在于，根据评价网络，将户型布局数据作为输入数据，将仿真环境输出的评分作为标注，训练所述评价网络并输出评分数据，包括：

评价网络的优化函数如式(1)至式(3)所述：

X＝{M,c,e,w,b} (3)

其中，为损失值；为通过仿真环境中的评价函数，用于对输出户型布局进行评分；为评价网络的输出值；M为目标空间关系邻接矩阵；I为目标房间尺寸区间；X为输入变量，X为边界c、入口e、采光面w、相邻建筑b的参数集合；为神经网络的输出户型信息，为房间坐标cord及房间尺寸size的参数集合；G(X；θ')为生成网络；θ'为生成网络参数；

评价网络通过仿真环境中的评价函数对输出户型布局进行评分，并同评价网络D的输出结果相减取绝对值，作为损失值，根据损失值得到评价网络的梯度，并根据梯度更新参数θ。

5.根据权利要求1所述的方法，其特征在于，将评分数据反向传播至生成网络，更新生成网络参数，训练生成网络，在生成网络的输出结果达到预设要求时停止训练，得到训练完成的户型布局生成模型，包括：

生成网络的优化函数如式(4)所述：

其中，为损失值；为评价网络的输出值；θ'为生成网络参数；

将作为损失值的计算依据，得到生成网络G的梯度，并更新生成网络G的参数；当评价网络D的输出结果趋向于0时，输出户型趋向于满足预设要求。

6.根据权利要求3所述的方法，其特征在于，根据所述户型示例数据，得到户型设计条件，将所述户型设计条件及户型布局数据输入仿真环境，对户型布局进行评分，包括：

通过评价函数来对户型进行评价，关系式如式(5)所述：

其中，为评价函数；为房间关系得分函数；为房间尺寸得分函数；为边界填充面积得分函数。