[发明专利]一种基于条件变分自动编码器的布局场景生成方法

权利要求书

1.一种基于条件变分自动编码器的布局场景生成方法，其特征在于，包括以下步骤：

S1、从布局场景中采集训练数据以及设备坐标数据；

S2、构建基于条件变分自动编码器的场景布局模型3D-SLN，并根据训练数据以及设备坐标数据集提取布局场景中设备分布特征；

S3、利用相似度损失函数对基于条件变分自动编码器的场景布局模型3D-SLN布局场景进行优化，得到优化后的设备分布特征；

S4、构建重叠判别器，并根据优化后的设备分布特征得到最终的设备分布特征。

2.根据权利要求1所述的基于条件变分自动编码器的布局场景生成方法，其特征在于，步骤S1具体为：

根据布局设备中的空间坐标信息提取三元数据以及设备坐标数据，并将三元数据构成的图数据作为训练数据。

3.根据权利要求1所述的基于条件变分自动编码器的布局场景生成方法，其特征在于，步骤S2具体包括以下分步骤：

S21、构建编码网络，根据训练数据以及设备坐标数据集得到高维正态分布数据；

S22、构建解码网络，并根据高维正态分布数据以及训练数据提取各设备的中心坐标，得到布局场景中设备分布特征。

4.根据权利要求3所述的基于条件变分自动编码器的布局场景生成方法，其特征在于，步骤S21具体包括以下分步骤：

S211、构建第一图卷积神经网络，并利用第一图卷积神经网络根据训练数据以及设备坐标数据集提取初始设备分布特征；

S212、构建第一全连接网络层，将提取的初始设备分布特征编码为高维正态分布数据。

5.根据权利要求4所述的基于条件变分自动编码器的布局场景生成方法，其特征在于，步骤S211具体为：

利用至少两层的全连接层构建第一图卷积神经网络，并利用构建的第一图卷积神经网络根据训练数据以及设备坐标数据集提取包含设备分布特征的设备嵌入式向量，即初始设备分布特征。

6.根据权利要求3所述的基于条件变分自动编码器的布局场景生成方法，其特征在于，步骤S22包括以下分步骤：

S221、构建第二图卷积神经网络，从高维正态分布数据结合训练数据提取一维正态分布数据；

S222、构建第二全连接网络层，根据一维正态分布数据得到布局场景中各设备的中心坐标，得到布局场景中设备分布特征。

7.根据权利要求6所述的基于条件变分自动编码器的布局场景生成方法，其特征在于，步骤S221具体为：

利用至少两层的全连接层构建第二图卷积神经网络，并利用构建的第二图卷积神经网络根据高维正态分布数据以及训练数据提取包含设备分布特征的一维正态分布数据。

8.根据权利要求1所述的基于条件变分自动编码器的布局场景生成方法，其特征在于，步骤S3具体为：

采用L1损失函数根据设备分布特征中输入设备中心坐标与输出中心坐标训练基于条件变分自动编码器的场景布局模型3D-SLN，并利用优化后的基于条件变分自动编码器的场景布局模型3D-SLN结合布局场景中设备分布特征，得到优化后的设备分布特征，L1损失函数计算式表示为：

其中，L₁(y,y')为计算得到的输入设备坐标和输出设备坐标的绝对值误差；n为每次训练的时候，场景布局模型3D-SLN输出的总设备数；y为3D-SLN的输入设备坐标；y'为3D-SLN的输出设备坐标。

9.根据权利要求1所述的基于条件变分自动编码器的布局场景生成方法，其特征在于，步骤S4具体包括以下分步骤：

S41、构建重叠判别器，根据优化后的设备分布特征计算各设备间的重叠程度；

S42、对各设备间的重叠程度进行归一化处理，得到归一化后的重叠程度；

S43、利用二值交叉熵损失函数根据归一化后的重叠程度得到最终的设别分布特征，二值交叉熵损失函数计算式表示为：

L(m,m')＝-m×log(m')-(1-m)×log(1-m')

其中，L(m,m')为计算得到的输入数据中各个设备归一化后的重叠程度与输出数据中各个设备归一化后的重叠程度之间的二值交叉熵损失函数值；m为输入数据中各个设备归一化后的重叠程度；m'为输出数据中各个设备归一化后的重叠程度。