受环境影响的虚拟树木生长预测和仿真,本文是关于环境影响论文怎么写和环境影响和树木和虚拟类论文范文资料.
环境影响论文参考文献：
摘 要：虚拟树木建模并对其生长过程进行模拟是个难题.本文提出一种不需要设定特殊规则,而且不需要迭代运算的基于树型结构的建模方式,并通过循环神经网络RNN(Recurrent Neural Network)生成仿真序列.由于循环神经网络处理长时间依赖效果并不理想,本文采用GRU(Gated Recurrent Unit)单元模型来弥补循环神经网络的不足.实验表明,本文提出的方法可以模拟树木受到外界环境影响后的生长过程,并且对于复杂模型能通过并行处理进一步提高仿真速度,达到了预期效果.
关键词：虚拟树木；L-系统；循环神经网络
中图分类号：TP399 文献标识码：A
1 引言(Introduction)
近些年,虚拟树木仿真研究已逐渐发展成为生物学、物理学、应用几何和计算机图形学等领域的交叉学科[1].其研究在农林业研究、绿化景观设计、游戏影视动画等领域中占有重要的地位,有着广阔的应用前景[2].
目前大量文献对虚拟树木的研究都是在L-System基础上进行的,比如文献[3]采用L-System作为分枝结构,给出了基于物理学的开花过程；文献[4]提出从树木图片中提取树木的L-System规则的算法,并将其应用于三维树木建模.
循环神经网络在序列预测序列领域有比较成熟的应用[5,6],但是L-System是迭代生成序列,难以通过RNN等神经网络预测；本文提出的树型结构不存在迭代过程,因此可以通过RNN预测不同环境影响下树木的生成序列.同时,树型结构可以按结构拆分、用遗传算法优化[7],方便并行处理加快建模和仿真速度并提高预测仿真的准确性.
2 建立模型(Modeling)
自然界的树木形态万千,每种树木的内部结构各不相同,影响树木生长的环境也复杂多变.本文以树木建模为例说明我们提出的树型结构建模过程,并通过循环神经网络预测阳光、降水对树木的影响.
2.1 L-System模型
L-System可以对树木建模[8],设定如下规则：
(1)b(branch)：树干
(2)l(leaf)：树叶
(3)s(size)：大小
(4)rx(rotation_x)：x轴方向旋转
(5)ry(rotation_y)：y轴方向旋转
(6)rz(rotation_z)：z轴方向旋转
则图1的树木可以表示为：
b(t)[rx(-70)b(t)[rx(70)b(t)]b(t)rx(60)s(0.8)b(t)rz(90)
l(t)]b(t)[rx(70)b(t)[rx(-70)b(t)rz(90)l(t)]b(t)rx(-60)
s(0.8)b(t)]b(t)s(0.8)b(t)
其中,t代表迭代次数,这里只取t等于1.通过设定复杂的规则,可以生成更加逼真、漂亮的模型.
2.2 树型结构模型
数据结构中树型结构的定义[9]如下：
(1)树是n(n≥0)个结点的有限集合；
(2)在非空树中,有且仅有1个根结点；
(3)当n大于1时,其余结点可分为m(m>0)个互不相交的子树.
根据数据结构中树型结构的定义,我们可以绘制如图2中的树型结构：
对比图1与图2我们发现其结构是相同的(这里我们暂不考虑叶子结点),事实上我们在对树木建模时是遵循了树型结构定义的.但是数据结构中的树型结构关注的内容是结点的数据,而树木建模所关注的内容是其枝干、树叶、花等器官,以及这些器官旋转的角度,如图3所示.
由于仅通过前序、中序或后序序列是无法确定树的结构的,所以在树木建模过程中,需要提供前序和中序或者中序和后序两组序列.
图1的树木前序序列可以表示为(Z为叶子结点)：
Arx(-70)Crx(0)Grx(60)Krz(90)Zrx(70)Frx(0)Brx(0)E
rx(0)Jrx(0)Mrx(70)Drx(-60)Irx(0) rz(90)ZHrx(-60)L
图1的树木中序序列可以表示为(Z为叶子结点)：
rx(60)Krz(90)Zrx(0)Grx(-70)Crx(70)FArx(0)Mrx(0)J
rx(0)Erx(0)Brx(-60)Irz(90)Zrx(70)Drx(-60)Lrx(0)H
图1的树木后序序列可以表示为(Z为叶子结点)：
rx(60)Krz(90)Zrx(0)Grx(70)Frx(-70)Crx(0)Mrx(0)J
rx(0)Erx(-60)Irz(90)Zrx(-60)Lrx(0)Hrx(70)Drx(0)BA
2.3 RNN模型
神经网络从模拟生物对外界的感知而来,通常由多层感知器构成[10],如图4所示.
输入层表示可以观测到的数据,我们对受环境影响的树木生长序列进行预测,输入的数据为模拟的阳光、降水,以及树型结构前序、中序两组序列.
隐含层表示感知器,其中f代表激活函数.本文中采用tanh(x)激活函数：
双曲正切函数可以保证输出在(-1,1)之间,运算效果比线性函数要理想,且求导也很方便.
[sinh(x)]´等于[ (e^x-e^(-x))/2]´
等于cosh(x)
[cosh(x)]´等于[(e^x+e^(-x))/2]´
等于sinh(x)
[tanh(x)]´ 等于[sinhx/coshx]´
等于[(e^x-e^(-x))/(e^x+e^(-x))]´
等于[cosh(x)^2-sinh(x)^2]/cosh(x)^2
等于1/cosh(x)^2
输出层为我们预测的树木生长序列.为了提高预测准确率,这里我们采用了循环神经网络RNN,如图6所示.
2.4 GRU单元结构
由于RNN随着序列长度的增加,会难以学习连接之间的关系,我们采用GRU单元来解决这一问题.
若分别用x、h、W表示输入层、隐含层和权重,则有：
(1)
(2)
(3)
(4)
GRU通过门控单元调节单元内的信息流,与LSTM结构不同,它的门控单元不是独立的而是融合在一起[11].在t时刻的隐含层ht是上一时刻的隐含层与当前时刻候选隐含层的线性插值.更新门控zt决定了有多少单元结构被更新或激活.重置门控rt则控制选择当前输入和之前状态的比例.
2.5 模型训练与预测
本文中我们采用梯度下降法计算矩阵W,梯度下降法就是按照梯度下降或上升的方向求解极值,如图2—图6所示.
这里我们采用动量(momentum)算法：
pre_dw 等于 pre_dw * discount + dw * step
(5)
w 等于 pre_dw
(6)
其中,dw为权重w的梯度,discount和step为常数,初始权重w通过GRU前向传播计算得出,每次迭代的dw通过反向传播计算得出,并带入公式(6)更新权重w.
对于树木生长序列的预测,我们输入的数据可以模拟光照,不同的光照强度数值不同,不同的光照方向对应不同的rotation旋转属性；也可以模拟降水,同样用不同数值表示降水强弱.输出的序列我们预测枝干和树叶的生长情况,对比预测结果看是否符合对应环境下树木生长规律.由于树型结构可以通过不同的子树进行拆分,因此可以方便的进行并行运算或硬件加速.
本文以图1-3所示树型结构为例,说明其GRU单元结构计算过程.
2.5.1 输入层
为了预测环境对树木生长的影响,我们取阳光和降水两个方面.为了简化计算光照强度和方向我们取sun_strong_north、sun_middle_north、sun_weak_north、sun_strong_south、sun_middle_south、sun_weak_south六个值；降水强度我们取rain_strong、rain_middle、rain_weak四个值.这样我们得到了表达环境特征的2组向量,每组向量维度是10(我们需要把各组向量维度加到一起计算).
对应树型结构,我们暂不考虑树叶和花,取结点最大数为33,每个结点包含rotation和size两个属性.为了降低维度,每个方向上的rotation最多取8,即1代表旋转1—45度,2代表46—90度,……,8代表316—360度.这样三个方向应该有8*8*8等于512维数据.这里size我们取1—10十个值,这样我们得到了表达树木特征的33*3*2等于198组向量(每个结点包含序列、rotation和size三个特征,同时我们需要两组序列才能确定树型结构),每组向量维度是33+512+10等于555.
这样我们输入的数据是200组向量,即有200个GRU单元结构,每组数据向量维度是565.
2.5.2 隐含层
通过公式(1)和公式(2)分别计算出更新门控zt和重置门控rt.这里W代表权重,初始值随机生成,通过公式(5)迭代更新W的值使得梯度朝向下的方向运动.σ是激活函数我们采用图5中提到的双曲正切函数.依次将更新门控zt和重置门控rt以及候选隐含层代入公式(4)得到当前隐含层和输出层.
2.5.3 输出层
这里我们只考虑输出是树叶的情况,且不考虑树叶的旋转和尺寸(这两个属性可以根据枝干特征设定规则得出).由于树型结构已经是确定的,所以输出是33组向量,每个向量维度是1.
3 实验(Experiment)
本文中的硬件实验环境：inter core i5处理器,4G内存,Nvidia 750ti独立显卡.
3.1 训练数据与模型评估
本文通过L-System获得初始训练数据,由于是预测序列任务,这里我们采用困惑度Perplexity对模型进行评估.
(7)
Perplexiy 等于 2H(p,q)
(8)
离散概率分布的困惑度被定义为式(8),其中H(p,q)为x范围内离散事件分布的熵.这里我们只考虑y等于1即生长出树叶的情况,为y等于1的概率,即GRU的输出,这里我们加入sigmoid函数使得输出更加平滑.图10为RNN和GRU困惑度的对比,可见GRU的预测效果要好于传统的RNN结构.
(serial number 200)
3.2 树木生长序列预测
树木初始序列建模如图11所示.
图12为在图11基础上,模拟特定光照和降水环境下的一个生长预测序列,也验证了我们提出的对树型结构应用神经网络预测方法的可行性.
4 结论(Conclusion)
由于L-system植物建模需要设定规则并且采用迭代方法运算,本文采用循环神经网络对受环境影响的虚拟树木进行建模与仿真,并通过GRU单元模型提高预测效果.实验过程中本文通过L-system建立初始训练序列,采用树形结构建立模型,应用动量法进行梯度下降,并通过困惑度来评估GRU单元结构的循环神经网络模型.结果表明,本文提出的方法可以较好的模拟受环境影响的虚拟植物生长过程,并且采用GRU单元结构后预测准确率要高于传统的循环神经网络结构.在未来的研究工作中,我们将继续进一步挖掘虚拟植物中各数据间的关系,使得虚拟植物的预测更加清晰准确、更加丰富完善、更符合实际需求.
参考文献(References)
[1] Moor H,Hylander K,Norberg J.Predicting Climate Change Effects on Wetland Ecosystem Services Using Species Distribution Modeling and Plant Functional Traits[J].Ambio,2015,44(1):S113.
[2] Cerutti G,Godin C.Meshing Meristems-An Iterative Mesh Optimization Method for Modeling Plant Tissue at Cell Resolution[C].Bioimaging,2015.
[3] Li J,et al.Boundary-Dominant Flower Blooming Simulation[J].Computer Animation & Virtual Worlds,2015,26(3-4):433-443.
[4] 翁浩,贾金原.单张图片树木L-system的智能提取算法[J].计算机科学与探索,2013,7(2):145-151.
[5] Visin,Francesco,et al.Renet:A Recurrent Neural Network Based Alternative to Convolutional Networks.arXiv Preprint arXiv:1505.00393(2015).
[6] Tang D,Qin B,Liu T.Document Modeling with Gated Recurrent Neural Network for Sentiment Classification[C].Conference on Empirical Methods in Natural Language Processing,2015.
[7] 汤佳,李春青.基于遗传算法优化的RBF神经网络在MBR膜污染仿真预测中的研究[J].软件工程,2016,(09):11-13;4.
[8] Prusinkiewicz P,et al.L-systems: from the Theory to Visual Models of Trees.In Proceedings of the 2nd CSIRO Symposium on Computational Challenges in Life Sciences,1996.
[9] 严蔚敏,吴伟民.数据结构(C语言版)[M].清华大学出版社,2012.
[10] Gres,Alex.Supervised Sequence Labelling[J].Springer Berlin Heidelberg,2012.
[11] Chung J,et al.Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling[J].Eprint Arxiv,2014.
作者简介：
宋全记(1981-),男,硕士,讲师.研究领域：计算机应用技术.
此文点评:上文是一篇适合不知如何写环境影响和树木和虚拟方面的环境影响专业大学硕士和本科毕业论文以及关于环境影响论文开题报告范文和相关职称论文写作参考文献资料.
关于农家乐对当地自然环境影响的调查以成都为例
成都,作为中国农家乐的发源地,其农家乐的发展对研究农家乐对当地自然环境的影响具有代表意义 因此,通过实地调查成都本地的农家乐,研究当代农家乐发展模式对当地自然环境的影响,引起人们对追求经济发展的同时也.
输油管道环境影响评价地下水污染应急处理措施以某成品油管道为例
摘要针对输油管道泄漏事故造成的土壤及地下水污染问题,介绍了某成品油管道工程概况,根据输油管道敷设特征,分析了输油管道地下水污染时可采取的应急处理措施,阐述了对受污染土壤的应急治理方案,从处理工艺流程、.
建设项目环境影响评价公众参和的司法救济
■文 马海桓 北京大学法学院2016 级环境与资源保护法学硕士我国环境立法对建设项目环境影响评价公众参与制度做出了相关规定,但是未规定相应的法律责任,对于未组织公众参与或者公众对于建设单位最终未采纳其.
建设项目环境影响评价公众参和的法律责任制度
法律责任制度是权利实现的法律保障,关系着法律能否得以有效实施 环境保护公众参与制度长期以来难以得到有效执行,公众参与环境保护决策的权利难以得到保障,正是相关法律责任制度长期缺位、违法成本低的后果 以建.