熱門論文
最新論文
城市老舊小區房屋安全信息 管理技術研究
發布時間：2023-07-09 10:53
目錄
摘 要 I
Abstract II
目 錄 IV
1緒論 1
1.1選題背景和選題意義 1
1.1.1選題背景 1
1.1.2選題意義 2
1.2城市老舊小區管理國內外研究現狀 3
1.2.1國內研究現狀 3
1.2.2國外研究現狀 5
1.3主要的研究內容及技術路線 6
1.3.1主要的研究內容 6
1.3.2技術路線 7
2BSIMS 的理論研究 10
2.1小波分析 10
2.1.1小波變換 11
2.2.1小波基函數 12
2.1.3小波去噪的過程 13
2.1.4去噪質量評價 14
2.2人工神經網絡 15
2.2.1人工神經網絡概述 15
2.2.2神經網絡類型 17
2.2.3BP 神經網絡 19
2.2.4RBF 神經網絡 22
2.3AHP-模糊綜合評價模型 24
2.3.1層次分析法確定指標權重 24
2.3.2模糊綜合評價法進行房屋安全評估 27
2.4數字圖像技術的房屋裂縫監測 29
2.4.1房屋裂縫監測的原理 29
2.4.2房屋裂縫監測的實現 31
2.4.3圖像特征提取算子 32
2.5本章小結 35
3BSIMS 的實例模型分析 36
3.1數據采集 36
3.2小波去噪實現 38
3.2.1閾值方式的選擇 38
3.2.2基函數的選擇 39
3.2.3小波多尺度分解 40
3.2.4數據去噪與分析 41
3.3BP 和 RBF 神經網絡模型實現 46
3.3.1模型算法設計 46
3.3.2預測結果分析 48
3.4房屋裂縫圖像的特征提取算子分析 51
3.4.1Moravec 特征提取算子 51
3.4.2Harris 特征提取算子 53
3.4.3Forstner 特征提取算子 53
3.4.4三種提取算子的對比分析 55
3.5本章小結 56
4BSIMS 的系統設計 57
4.1系統總體設計 57
4.1.1系統需求 57
4.1.2系統需求分析 58
4.1.3系統架構設計 59
4.1.4系統解決方案 61
4.2系統開發環境 62
4.3系統數據庫設計 66
4.3.1概念設計 67
4.3.2邏輯設計 67
4.3.3物理設計 68
4.4本章小結 77
5BSIMS 的功能實現 78
5.1系統菜單模塊 78
5.2基礎信息管理模塊 81
5.3安全檢測管理模塊 88
5.4輔助功能模塊 90
5.4.1沉降安全監測 90
5.4.2房屋安全評估 94
5.4.3房屋裂縫監測 100
5.5GIS地理信息模塊 102
5.6本章小結 104
6總結與展望 106
6.1總結 106
6.2展望 107
致 謝 108
參考文獻 109
附 錄 113
1 緒論
1.1選題背景和選題意義
1.1.1選題背景
“住”一直是中華民族骨子里的情節，建國以來，房屋建筑行業迅速發展，已建成的 老舊小區房屋面積激增。在1949-1979 年，全國城鎮房屋總面積僅為 5-6 億平米，各地 建成的房屋大部分為磚墻承重的磚混結構建筑，且因歷史原因所采用的建造標準相對現 在較低［1］；在 1980-1993 年，為解決人口爆發式增長所帶來的住房問題，國家大力發展 房屋建設，僅用 13年就建設了約24億平米的住宅，部分地區雖然在建筑類型上出現了 高層建筑，但大部分城市仍然以 5-7 層磚混結構為主；在1994-2004 年，建筑行業繼續 蓬勃發展，政府啟動了一系列的住房改革制度，一改原先的分配式住房，對住宅建設進 行市場化、商業化運作，由于建造技術的不斷更新，僅用 10 年就建設了約 45 億平米的 住宅。
已建成的小區使用數十年后，在安全性和耐久性方面會有不同程度的問題，如果使 用不當或者管理不當，在超過結構破壞的臨界點后，會給人民帶來嚴重的傷害和損失， 最近十年老舊小區安全事故頻發，如圖 1.1、圖 1.2。在2014年 4 月，浙江省寧波市奉 化居敬小區 29幢住宅樓西側房屋發生坍塌，造成7人被困廢墟下，其中1人經搶救無 效死亡；2015年9 月，浙江省諸暨市南門社區苧蘿二村一幢6層房屋整體坍塌，該小區 為 1988 年建造的老舊小區，所幸事故并未造成人員傷亡；2016 年 2 月 26 日，位于江西 萍鄉市安源區的新學前巷27號1棟6層房屋發生部分坍塌，造成6人死亡,1人受傷…… 等等［2］。一系列的房屋安全事故，不僅給社會造成了巨大影響，同時也給我國房屋建設 單位和房屋安全主管部門敲響了警鐘。
圖 1.1 塌樓事故現場 圖 1.2 危房倒塌現場
目前老舊小區的房屋特性和相關管理主要存在以下幾個問題［3,4］：
（1）結構安全性不足。現役的老舊小區大多為2000年以前建造的 5-7層磚混結構 房屋，其建筑結構的抗拉、抗剪強度較差。最初設計時存在部分不規范、不標準的設計 缺陷，加上此前大量的施工單位盲目偷工減料、壓縮工期和沒有按規范施工，埋下了很 多安全“雷”，種種因素導致建筑結構、建筑設備、抗震設防等方面存在不同程度的安全 隱患，很多不能滿足需求。
（2）服役時間長。結構在長達數十年的服役后，建筑材料的耐久性和可靠性逐漸 降低，在如暴雨、風災和雪災等不良自然因素的摧殘下，房屋構件逐漸老化；建筑物臨 近工程進行不規范施工時，會對周邊建筑的地基穩定造成不利影響，加上部分戶主的不 規范裝修和私自改造房屋、地下室的行為，進而破壞房屋結構安全性和穩定性。
（3） 管理水平水平不足。老舊小區的原始資料信息量大且存在缺失現象，很多仍 然以紙質檔案的方式存儲，經過這么多年迭代更新，數據信息變化頻繁，更新難度也越 來越大；多數城市仍采用人工管理的方式，盡管部分城市采取信息化的管理手段，如建 立房屋安全鑒定系統和房屋拆遷系統，但均存在其功能的局限性，在時效性和便捷性上 不能很好的滿足信息化管理的需求。
（4） 部門之間協同差。目前城市各級管理部門的管理系統大多是相互獨立的，在 房屋數據的采集過程中經常出現重復性工作，缺乏相對有效的共享機制，各部門所使用 的相關信息系統多為C/S模式，無法進行聯網分享的操作，進而增加大量的資源損耗。
隨著目前城鎮化的推進速度越來越快，必須加強城市老舊小區的信息管理，針對其 建立相關數據庫，以此保證老舊小區檔案信息的準確和完整。通過構建城市老舊小區信 息管理平臺，將人工管理轉化為網絡化管理，以此滿足當前城市管理者的迫切需求。本 文通過利用互聯網和計算機技術的優勢，從GIS數圖顯示和信息管理的角度出發，研究 探索出一套合理高效的老舊小區房屋安全信息管理平臺，利用系統實現對老舊小區房屋 進行數據查詢到安全監控的網絡化管理，希望能為我國房屋安全信息管理提供參考。
1.1.2選題意義
在現代化建設的過程中，各級政府機構對城市老舊小區管理提出了更高的要求。老 舊小區房屋安全信息管理系統（BSIMS： Building Safety Information Management System） 正是符合現今需求的城市管理系統，該系統的研發過程中涉及房屋安全信息管理、模型 算法、程序開發、系統集成等各類先進技術。系統針對城市房屋安全管理部門的相關需 求進行設計，能夠對城市老舊小區的相關業務信息進行存儲記錄和瀏覽器端查看，如老 舊小區房屋基礎信息管理、安全監測信息管理、房屋安全評估管理和 GIS 地理信息管理。 因此，本論文的研究意義有如下幾點：
（1）實現房屋安全信息的云查詢
系統基于城市住建局、房屋安全主管部門等單位所共同搭建的的數據庫發展而來， 檔案資料的不斷迭代更新，涉及整個老舊小區建設、歷史、維護等各個環節的信息。這 些數據的存儲管理具有非常高的價值，一方面通過系統對其進行管理，節省管理時間， 增加管理效率，另一方面，海量數據的基礎支持，有助于系統擴展功能的開發。
（2） 實現房屋安全的信息化監控
房屋的安全是城市管理者最為重視的管理目的，其在全生命周期運行過程中涉及的 影響因素眾多，根據監控的不同要點，采取不同的處理模型。如進行地基沉降監測處理， 運用模型算法對監測的地基沉降信號進行機器學習，模擬房屋沉降的形勢動態，及時預 警突變信息，從而達到信息化監控的目的。其他的如房屋安全評估，墻體裂縫監測等。
（3） 實現對房屋安全信息的編輯和批量操作
老舊小區房屋的生命周期長，這期間會發生一系列的變動，如權屬信息變化、工程 改造、工程鑒定等，這些變化會帶來大量的數據變化，需要對系統增加很多相應的數據， 系統能夠對這些數據進行快捷的錄入、編輯和批量操作，以滿足用戶需求。
（4） 實現房屋地理信息的管理
城市的老舊小區數量繁多、體量龐大，地理信息的可視化顯得尤為重要。從地圖上 直觀的查看轄區內老舊小區的整體概況，對地圖標注點進行信息的添加、修改，掌握老 舊小區的地理位置、識別信息和實際圖片，能夠提高用戶的對信息的直觀感受，通過“以 圖管房”的方式增加管理效率。
如今信息科技的發展已經深入到各個領域當中，很大程度的促進了老舊小區管理的 信息技術的提升。通過結合“互聯網+”理念掌握城市各區域老舊小區的發展狀況，完善 城市老舊小區房屋基礎信息，改變以往人工紙質信息記錄的方式，實現房屋全周期生產 數據的信息化記錄。通過這種方式讓數據信息更加規范、安全的存儲，系統可以對這些 信息資源進行二次開發利用，完成對老舊小區的安全監控，幫助提高老舊小區的使用質 量，監控轄區內老舊小區的安全隱患，尋求房屋持續安全，實時防范安全事故的發生， 以此滿足城市的協調運作、可持續發展的需求，達到高效管理的目的。
1.2城市老舊小區管理國內外研究現狀
1.2.1國內研究現狀
我國老舊小區量大面廣、類型眾多，縱觀國內城市老舊小區管理狀況，其管理方式 從粗放到精細，從滯后到完善，從人工化轉向信息化。隨著相關理論技術的研究與城市 發展情況的差異，現行的管理方法每個城市各相迥異，一二線城市陸續頒布了房屋使用 安全管理的地方法律法規，在房屋安全信息管理方面取得了較好的成效，但仍面臨著管 理機制不足、信息化程度不夠的考驗，而大量中小型城市并未擁有相應的信息管理系統 的矛盾日益凸顯。
自從 1990 年 1 月開始實施《城市危險房屋管理規定》后，我國房屋安全管理領域 的工作才真正意義的開始，當時所管理的建筑物以老舊危房為主。此后，根據建設法律、 建設行政法規和建設部門規章而成立的負責房屋安全的鑒定部門——房屋鑒定檢測機 構，該部門管理著全國建筑房屋安全市場，為各地區的房屋安全管理工作提出相應的法 律規范與標準。北京市于 2001年頒布《北京市房屋建筑使用安全管理辦法》，規定住 房城鄉建設行政主管部門及有關部門應建立房屋建筑安全信息檔案，記載房屋建筑安全 的相關信息，并建立房屋建筑使用安全信息通報和信息共享制度，及時反饋危房信息； 規定市住房城鄉建設行政主管部門應建立房屋安全鑒定機構的信息管理系統，實現對房 屋建筑使用安全的綜合治理［5,6］。
杭州市 2016年開始提出“智慧房管”，建立“城鎮既有住宅安全管理信息系統”，積極 推進城鎮危舊住宅房屋治理改造，率先對全市危險房屋進行排查，對結果是C級以上的 危險房屋進行復查和復鑒定，最終確定為 C、D 級的危房，導入“城鎮既有住宅安全管 理信息系統”，進行“一房一案”動態監控，并建立了日常巡查制度，對危險的老舊小區 進行全面預防。 2016年 3月，修訂出臺的《杭州市城市房屋使用安全管理條例》，針對 房屋安全使用責任、危險房屋治理和應急搶險工作進一步的加強落實［7］。
徐善初、李惠強［8］分析了我國在當前階段造成既有民用建筑侵損的原因及這些病害 的后果，提出對既有民用建筑需要定期安全檢測、可靠性評價及加固維修的迫切性，總 結了對我國既有老舊小區需要定期檢測與維修的規定，最后提出相關措施，建議國家層 面應該制定相關法律法規，對已建住房的進行定期檢測與維修，并不斷強化既有建筑的 信息管理，提高房屋安全管理意識。
關淋元［9］提出將“實用鑒定法”與SuperMap GIS相結合的房屋安全鑒定方法，提出基 于 SuperMap GIS 建立房屋安全鑒定基礎信息數據庫，將 GIS 板塊運用于房屋安全鑒定 領域，從而提高房屋安全鑒定的效率，突破了傳統的“實用鑒定法”對房屋安全進行鑒定 的一定限制，通過GIS進行統計分析能更快反應房屋安全鑒定結果，還能對區域內的房 屋安全起到預警作用，利用這些信息為相關部門提供基礎數據。
史春樂、陳可君［10］從公共建筑入手，研究開發了公共建筑健康檔案管理系統。該系 統平臺共分房屋基本信息、健康普查、動態管理、安全鑒定、健康報告、GIS管理、預 警管理、統計查詢、系統管理等9 大模塊，為房屋健康檔案管理系統的研究積累了經驗， 但系統的部分技術和模塊功能，不能夠很好的滿足現行需求。
王圓圓［11］提出通過國有土地范圍內的房屋基礎數據進一步提升既有建筑物信息管 理系統的數據庫水平，全面掌握房屋總量，為房屋管理提供科學、可靠的數據基礎，及 時實現數據庫的動態更新。同時，城市既有建筑相關的房地產管理部門能夠參照“由城 市既有建筑信息管理系統中的基礎普查數據而創設出非獨創性建筑物信息庫”，以解決 各部門之間信息閉塞的問題，以此提高房屋安全信息管理水平。
李靜［12］提出鑒于目前城市房屋安全管理數據記錄與管理不規范，研究房屋與監測數 據的組織形式與編碼規則，基于ArcSDE與SQLServer建立城市房屋安全管理數據庫， 并開發了監測數據采集與預處理、成果報告智能生成、基準點穩定性檢驗、基于 Android 的危房信息查詢等特色功能模塊。
繆秀誠 ［13］ 提出基于 WebGIS 的城市危舊房屋監管系統，通過 Spring-SpringMVC -MyBatis 框架將所有的業務模塊功能細化，建立危房管理模塊、危房鑒定模塊和危房處 置模塊，從而提高不同部門的協調合作，同時利用危房巡檢移動端，可以隨時將采集數 據上傳，采用分配模型的方式，實現巡查人員的任務調配和高效巡檢。
1.2.2國外研究現狀
盡管發達國家的住宅建設比我們早很多，但傳統的研究更多是管理體系和安全鑒定 理論上的研究，實際的信息管理運用是現代信息技術飛速發展的前提下才得以實現，對 老舊小區房屋安全信息管理的研究普遍較晚。根據每個國家的具體國情，政府機構和相 關部門對于房屋安全管理的側重點也不盡相同。
美國從上個世紀中期就開始注重既有建筑的管理，頒布了相關房屋安全鑒定規范和 標準，建立起多層次的房屋管理體系，在存量的住宅領域形成了良性的房屋管理市場。 美國聯邦服務總局(GSA)為最大的公共房屋管理機構，負責對聯邦內的房屋全壽命管理, 針對既有房屋進行每一年度的勘察評估，鑒定是否為危房，是否需要進行相應維護，并 落實協調危房加固維護的具體實施計劃［14］。在經過一系列的探索后，美國發展出了房屋 安全評價概念，逐步形成獨立的關于建筑物工程安全的系統學科，安全評價理論正是在 這種背景下興起并發展起來的。在上世紀 70年代末，美國曾提出過一種成稱為“安全評 估程序”的可靠性鑒定方法，它把建筑物分為三類：綠色類為安全，需要日常監測；黃 色類為較安全，需要注意觀察；紅色類為危險，需要立即采取措施。這種方法幾經發展 和改進，已經成為美國廣泛使用的房屋安全評價方法之一［9］，對房屋安全計算機輔助管 理領域影響頗深。
英國人十分重視老舊建筑物的安全管理［15］，通過對危房管理進行技術分析，由專業 技術人員對建筑物結構與附屬設施進行詳細的鑒定，周期為每 10 年一次，檢測得到的 數據進行跟蹤存檔，并由各地區的政府部門進行實際的維護，將每一個危險建筑物進行 修繕加固。法國對定期結構檢測制度也有強制性規定，通過設立專門的工程質量協會進 行房屋安全管理和房屋資料匯總，對既有房屋的周期性檢查結果進行整編存檔，完成房 屋安全管理信息數據庫庫的搭建，并負責老舊小區日常管理、維護修繕。意大利的 GeoDATA公司，通過將GIS技術和Web技術融合開發出監測系統，對建筑物安全狀態 進行評估，從而實現對建筑物的安全管理；隨后俄羅斯圣彼得堡、圣地亞哥、意大利羅 馬等城市引入了該系統對地下工程沿線建筑物進行較好的安全管理。
波蘭在對社會老舊小區進行管理的過程中［16］，發現政府當局缺乏能夠通過整合多個 分布式數據庫的社會住房管理綜合信息系統。因此提出在全國范圍應用實施社會住房管 理信息系統的原始概念，通過向政府當局提供從納入國家土地管理系統的公共登記冊中 獲得不動產數據的途徑，以及其他日常檢查數據，開發“綜合房地產信息系統”(IREIS)， 該計劃于 2019 年開始實施，目前正在試點城市由選定的行政單位運作，進一步幫助改 善社會住房的管理。
日本擁有較為完善的房屋安全管理體系，其負責管理房屋抗震與建筑健康安全的機 構主要有兩個，一個是官方的建筑防災協會，它是由日本國土交通省所委派的建筑性能 評估官方機構，主要負責對日本的建筑進行檢測評估、災難控制和信息管理；另一個是 房屋抗震構造協會，注冊在該協會的專業技術人員需要對相關建筑進行“體檢”，主要 是 4 類檢查：即竣工時檢查、定期檢查、應急檢查和詳細檢查。專業技術人員除每年定 期檢查外，在房屋建筑物竣工后第5年、第10年和之后的每過10年需要對建筑進行一 次全面的安全檢查，檢查內容包括材料的抗震性能檢查、結構抗震層外圍有無影響建筑 橫向移動的障礙物、設施設備管線有無損傷等［17］，主管單位利用定期檢查的數據進行老 舊小區房屋的信息化跟蹤。
韓國政府通過引用 IT-TURISK 系統［18］，在地鐵施工過程中，監測施工對臨近建筑 物的影響。該系統包含地基沉降模塊、房屋損壞評估模塊、潛在風險因子模塊和模擬地 下水補給模塊等。在施工準備和施工實施階段，通過利用系統模擬具體施工環境下對周 圍建筑物影響的預估，動態評估施工安全狀態，對于臨近的老舊小區安全監測，以及地 鐵施工管理都起到了很好的輔助決策作用。
1.3主要的研究內容及技術路線
1.3.1 主要的研究內容
本文基于城市老舊小區發展現狀與實際需求，通過對現有的老舊小區房屋安全信息 管理的相關理論和計算機技術的研究，以及前期調研和資料分析后得到系統設計需求， 對現有的房屋安全信息進行針對性的模型研究，運用 Matlab 模型和數字圖像等技術手 段處理，最后使用Java語言進行混合編譯，從而實現Web端和移動端的綜合管理，為 城市老舊小區的規劃管理、信息管理和安全監控提供了一定的決策支持。本文的研究內 容主要有以下幾點：
1、基于現役老舊小區監測數據的模型分析
根據現場采集的數據，不僅能夠得到海量的房屋基礎數據，同時能夠得到現役老舊 小區的各種安全監測類信息，常見的有房屋地基沉降數據、房屋安全評價指標數據以及 房屋裂縫的監測數據，根據每一種信息的不同特性，選擇不同的分析模型。
(1)房屋地基的沉降數據具有變化且不平穩特點，信號本身混有不同程度的噪聲， 本文采用小波去噪的方法進行數據的預處理，減少設備和人為的監測誤差，提高數據的 整體性和精準性，并利用機器學習的方式，使用不同的神經網絡基函數模擬房屋沉降的 數據變化，從而間接的對沉降監測進行動態跟蹤。
（2） 房屋安全評價本身具有多因素性、多層次性、多準則性，本文通過使用 AHP- 模糊綜合評價法去分析各項指標，通過定性和定量相結合的角度分析房屋安全評價指標 數據，得到安全評價等級和安全等級系數，從而提高房屋安全評估的效率，進而輔助完 成系統房屋安全評估功能。
（3） 房屋裂縫病害的監測是檢查墻體安全的重要措施，本文通過現有的數字圖像 處理技術，使用經典圖像特征提取算子，結合圖像標識符的特征點提取，重點確定提取 特征點的最佳設計參數，實現對房屋裂縫的測量。
2、 依據用戶需求進行系統設計開發
結合城市管理者的用戶需求，對系統的架構進行總體設計，保證架構層層交互。本 文依據技術路線進行系統設計開發，主要包括前端設計開發、后端設計開發和數據庫的 前后端連接，在確定解決方案和系統軟硬件配置環境后，利用開發軟件和編程語言實現 系統的開發。
3、 系統各功能模塊的綜合實現
本文根據系統各個子模塊的管理需求，基于B/S模式上完成城市老舊小區房屋安全 信息管理系統各項功能的實現，較于傳統的 C/S 模式的管理系統，更加適用于目前萬物 互聯的時代背景。在地圖顯示端，運用GIS技術篩選出有用的地圖數據，在用戶的使用 上更為便捷。
本文的系統是基于Matlab技術和Java編程語言進行開發的，數據庫則是采用開源 關系型數據庫MySQL。Matlab是美國MathWork公司開發的商業數學軟件，具有高效 的數值計算能力，以及功能強大的模塊集和工具箱。Java是目前非常流行的一門面向對 象編程語言，利用其優秀的平臺獨立與可移植性，在使用Matlab工具箱中搭建的jar包 導出至Java開發平臺，實現兩者的混合編譯。MySQL是一款在研究和商業領域中代表 性的開源關系數據庫管理系統，其最早由瑞典的MySQLAB公司創建開發，在Web應 用方面，是目前最好用的關系型數據庫管理系統之一，能夠實現海量數據儲存的高效鏈 接與管理。
1.3.2技術路線
具體的系統研究路線如圖 1.3 所示
（1） 準備階段 老舊小區房屋數據信息雜亂且分類較多，在對數據進行收集和歸類總結后，結合城
市老舊小區管理者進行需求分析，進而設計出系統相對應的功能模塊。模塊的需求不僅 需要將數據按照各種要素向管理者直觀的展現出來，利于管理者操控，同時需要滿足一 些非功能性需求，主要指的系統在滿足功能性業務需求以外的一系列特性，以保證系統 的總體設計滿足設計目標。
（2） 設計階段 根據準備階段的需求分析，對系統進行總體設計，主要有系統的總體框架設計、詳
細功能設計以及界面設計。在選擇合適的系統軟硬件環境配置，確定相關的開發平臺、 開發語言、技術工具以及數據庫，在提高使用效率的基礎上，適當進行界面優化設計。 設計過程中，對已經分類化的數據進行信息化編寫，選擇MySQL數據庫平臺，完成對 城市老舊小區房屋安全信息底層數據庫的搭建，數據庫的設計過程包括概念設計、邏輯 設計到物理設計三個階段。
（3）開發階段
主要包括前端設開發、數據庫連接和后端開發，系統開發整體采用前后端分離結構。 系統設計軟件為IntelliJIDEA2018,其具有強大的整合能力、提示功能的快速便捷、提 示功能的范圍廣泛、好用的代碼模板、精準搜索等優勢，能夠幫助開發者更好的進行項 目管理和系統開發。系統前端采用Jquery技術，對網頁進行整體布局優化，采用Ajax技 術進行局部更新請求;系統后端采用更簡易輕量型的Spring框架，進一步簡化程序開發, 減少出錯頻率；前后端的數據傳導通過MySQL數據庫進行有效鏈接，以增強系統的數 據管理與數據分析能力。在系統開發建成后，通過對各模塊功能進行程序測試，測試的 bug進行修復完善，在系統的運作過程中需要對其進行常態化的維護，保證系統的穩定 性和安全性。
2 BSIMS 的理論研究
本章主要針對城市老舊小區房屋安全信息管理系統(BSIMS)所運用的模型進行理 論研究，包括老舊小區沉降監測數據的降噪處理、沉降預測模型、老舊小區房屋安全評 估模型以及房屋裂縫監測原理的相關理論。
2.1小波分析
傳統的傅立葉分析是一種針對平滑信號的理想化模型，主要缺陷在于無法準確地描 述非平穩信號，例如瞬態信號和概率信號，而我們在自然界中發現的絕大多數信號都屬 于不斷變化的非平穩信號。為了克服傅里葉變換的局限性，延伸出一種稱為窗口傅里葉 變換(Window Fourier Transform，WFT)，也被稱為小波變換的前體。對于非平穩信號 f (t)，可以人為地擴展信號使其具有周期性，通過使用WFT，在時域和頻域中將輸入 信號f (t)切成有限長度的窗口，然后分析每個窗口的頻率內容。通常WFT的時域和頻 域的采樣間隔均是常數，即窗口的大小和形態是固定不變的，與頻率的改變無關，這樣 不能使變換窗口大小隨頻率而變化。在實際處理信號的過程中(如時間-沉降累計值信 號)，仍然是不滿足需求的，我們希望隨著信號頻率的增加伴隨著時域的采樣間隔減小， 同時 WFT 無論怎樣離散化均不能使它成為一組正交基，為此小波變換應運而生。
小波變換［19-20］表示為“小波”與信號的卷積，以通過基函數的某種“共振”來找到信號 的有效部分在何處發生，它不像傅立葉變換那樣的單一基函數，而是包含更復雜的基函 數，稱為小波或母小波。小波變換的主要優點是允許窗口大小變化，利用一些非常短的 基函數，達到多分辨率分析的效果，可使小波分析的效率得到極大的提高。其本身提供 了極大的設計靈活性，可以優化基函數選擇、空間頻率平鋪和各種小波閾值策略，在時 間尺度擴展和空間尺度擴展方面為信號或圖像數據提供了非常有效的框架。
小波變換早期的研究與特定的應用程序有關，現在該理論已從應用程序中抽離出來 并自行開發。小波分析的概念最早要追溯到1984年，法國科學家Morlet和Grossman 在對地震數據進行分析時，發現傳統的傅里葉變換無法滿足分析要求，因此提出將地震 波按一個確定函數的伸縮、平移進行展開，二人共同推動了連續小波變換幾何體系的發 展。此后小波分析被認為是科學和工程學中有效的工具，在十年中開始迅速發展。已經 研究的成果證明，小波變換對于分析非周期性噪聲、間歇信號和瞬態信號特別有用，利 用小波變換可以在時域和頻域中檢查信號，相對于傳統的傅立葉變換具有明顯的優勢。 目前已經建立了基于小波分析的方法被應用于許多研究領域，包括機械狀態監測、視頻 圖像壓縮、地震信號降噪、財務指標分析等，逐漸發展成為一種用于信號處理、數學建 模和數值分析的有效分析工具。
2.1.1小波變換
(1)連續小波變換(Continuous Wavelet Transform， CWT)
設0(7) e L2(R)，令©Q)為屮⑴的傅里葉變換，當滿足可容性條件：
=「8 ”畀)| d©<+8 (2.1)
J-8
或
f+8
©(tt)dt - 0
-8
f ©2(t )dt = 1
-8
則稱©(t)為一個小波母函數，其派生的小波函數為：
©ab(t) = |a「"0(^—^)，其中 a,b e R,a 豐 0 (2.3)
a
通過把小波母函數的平移和伸縮，其對能量信號f(t) e廠(R)的連續小波變換為:
Wf (a, b) =〈/, ©a,b〉=ara f (t0(〒財 (2.4)
其逆變換的通用公式為：
f (t) = }*8 E AWf (a, b©(巳dadb (2.5)
C© a a
這里的連續小波變換的結果中包含兩個重要參數a和b，其中a是尺度因子，表示小波 周期的長度情況；b是平移因子，表示小波的平移程度，是小波窗的時間定位參數。通 常認為Wf (a,b)是信號f (t)的連續小波變換，通過對小波母函數©(t)的伸縮和移動得到 派生的小波函數©(t)，Wf (a,b)為能量信號f (t)小波分解后的小波系數，經過逆變換 對信號進行重構得到 f(t)。
由連續小波變換的變換過程可知，這是一種積分變換，通過依賴于參數a和b的連 續小波變換解釋多尺度信息。對于連續小波變換，在信號的各個位置和小波的各個尺度 上計算，以平滑連續的方式完成變換從而填充變換平面。CWT可以比傅立葉變換提供 更多信息，因為CWT會根據小波尺度、時間段來顯示頻率內容與信號之間的關系，這 樣可以通過使用合適的小波基函數來同時確定信號的頻率和時間。當連續小波變換應用 于非平穩信號時，可以確定任意時間點的頻率信息，通過多分辨率分解捕獲信號。
(2)離散小波變換(Discrete Wavelet Transform，DWT)
由于CWT的尺度和位移的參數都是連續的，導致在實際應用和數值計算中必須采 用非常小的離散化區間，使其運算量變得龐大，在CWT的表示上也會有很大的不便，
尤其是不利于數據壓縮的實現，因此連續小波變換其多用于理論分析和論證。采用離散 小波變換能夠克服上訴缺陷，通過對信號進行離散化處理，有利于計算機運算，比連續 小波變換更具有實際應用價值。
對于式(2.3)假設尺度因子a = a0 ,平移因子b = ka0b0,其中a0 >0, b0 >0,則可 通過對連續小波的參數a和b的離散化，對屮a,b(t)進行離散化處理：
屮j,k (/) = a0「j 1 屮(a0j - kb0)j, k e Z (2.6)
得能量信號f (t)的離散小波變換定義為：
Wf (j, k ) = Jjgk ()dt (2.7)
CWT的計算過程中存在反演公式，但對于DWT, Wf (j,k)常不能唯一確定能量信 號f (t)。實際應用常討論一種特殊情況，取a0=2，b0=l,且Wjk : j,k e Z｝能夠構成L(R) 一個標準正交基，進而賦予DWT具有明確的物理意義，通過合理的離散化方法使其完 整的表述于L(R)的函數中，即：
那么對于任一能量信號f (t) e I?(R)，有展開式：
f (t)=工 Wf (j, kMk(t) (2.9)
j,keZ
通過展開式(2.9)完成了二進劃分，當假設尺度因子在2j時取值，進而形成二進 小波變換。
2.1.2小波基函數
經典的小波函數有Haar小波、Marr小波、DOG小波等，每一種小波都有不同的特 點，在對同一組信號進行去噪分析，采用不同的小波基函數進行分析處理，得出的結果 是大相徑庭的，因而需要根據實際應用的場景，選取合適的小波基函數，下面介紹幾種 常見的小波函數［21］。
( 1) Haar 小波
Haar小波是最早于1990年提出的小波函數，也是一個最簡單正交小波函數，由Haar 函數變化而來，具體表達式如下：
0,其他
( 2) Marr 小波
Marr小波由于形狀類似墨西哥草帽，也被稱為墨西哥草帽小波，具體表達式如下:
©(e) = 丹切2 e» (頻域) (2.12)
J3
(3)DOG(Difference of Gaussian)小波
DOG小波是兩個高斯函數之差，它的形式與Marr小波相似，其具體表達式如下： ©(t) = e-t 2/2 — 1 et2/8 (時域) (2.13)
©(e) = y/2^( eTe/2 — e「—e)(頻域) (2.14)
(4)Daubechies(dbN)小波系
dbN 小波系列是小波專家 Daubechies 所提出的一系列二進制小波的總和，用來處理 離散正交小波，沒有明確的表達式，其中N為小波的階數，當N等于1時，為Haar小 波。
(5)Symlets(symN)小波系
symN小波系列同樣由小波專家Daubechies所提出，由db函數改進而來，其構造 與dbN相似，相對于dbN小波系具有更好的對稱性，同樣也沒有明確的表達式。
2.1.3小波去噪的過程
實際的沉降監測值伴隨著時間的累計，往往混有不同程度的噪聲，這些噪聲有時并 不是平穩的白噪聲，可能包含有很多尖峰和突變，得到含有噪聲的沉降監測模型：
s(t) = f (t) + b"(/) (2.15)
其中s(t)為沉降監測的原始信號，f (t)為有用信號，n(t)為無用噪聲，b為噪聲強度， 去噪的目的就是抑制無用噪聲n(t)的內容，再現有用信號f (t)。
本文采用目前最為廣泛的閾值法小波去噪［22］。先對小波系數進行閾值化，劃分為有 用信號的重要小波系數和無用噪聲的非重要小波系數，然后給定一個閾值，通過對沉降
監測信號進行處理使信號本身不具備相關性；對小波系數與閾值進行比較，所有絕對值 小于閾值的小波系數視為無用噪聲，這一部分化為零，超過閾值的那一部分小波系數進 行數值縮減后再取值，于是通過小波分析閾值化移除無用噪聲，最后經過小波逆變換得 到去噪后的信號。具體步驟為：
（1） 信號的分解。選擇適當的小波函數、分解層數以及小波系數（即近似系數和 細節系數）的計算。
（2） 分解后對高頻系數閾值量化。對各層次下高頻系數選擇合適的閾值和軟閾值 量化處理，從細節分量中去除噪聲元素，然后在去除噪聲元素之后修改相應的系數，其 中軟閾值處理方法具體表達式為：
W Jsgn（W ）（| W| -J） W
匸 0 W
式中W表示小波系數，sgn表示符號函數，J表示閾值。
（3） 小波重構。對處理后的小波系數使用逆小波變換進行信號重構，得到去噪后 的信號。
本文利用矩陣工廠Matlab強大數值計算功能，結合工具箱函數對老舊小區的時間-
累計沉降值信號進行去噪處理，具體的小波去噪流程如圖 2.1 所示。
2.1.4去噪質量評價
通過閾值法處理后減弱了噪聲，但一些細部的有效部分也可能被當成噪聲消除，如
何評價消噪處理的質量，判斷信號實際值與去噪值之間的偏離程度，這里選取均方根誤
差(RMSE)和信噪比(SNR)作為去噪質量評價指標［23］。
(1)均方根誤差指去噪前后信號之間的方差的平方根，具體表達式如下：
RMSE彳 n 口 f ( n) — f( n)］2 (2.17)
式中f(«)為去噪前的信號，f (”)為去噪后的信號，均方根誤差RMSE的值越小，去噪效 果越好。
(2)信噪比是一種常用來評價去噪效果的質量指標，具體表達式如下：
SNR=10 X lOg10(PoweS / powefnose) (2.18)
POWerslgnal =丄工 f 2(«) (2.19)
nn
POWefnoise = IT 刁 f (”) - /(”)]2
式中卩嘶％是真實信號的功率，powernO.se為噪聲的功率，信噪比SNR的值越大, 去噪效果越好。
2.2人工神經網絡
2.2.1人工神經網絡概述
人工神經網絡［24-25］ (Artificial Neural Network)是通過模仿人類大腦功能來處理信 息的一種數學模型系統，利用現代計算機模擬人類大腦的思維方式，通過不同角度對大 腦神經網絡進行抽象性剝離，從而建立數學模型系統。人工神經網絡具有一個非常復雜 的系統，是由多個神經元相互連接而成的高度非線性網絡，每個神經元都是通過權值的 連接來處理復雜的邏輯性運算，具有非線性自適應、自組織和自學習的能力，是一種基 于統計學習算法的模型，可根據問題通過分析大量數據來學習出合適的算法。人工神經 網絡在神經科學、認知科學、信息科學、計算機科學、人工智能等多個學科中不斷發展， 因其強大的解決問題能力，在模式識別、函數逼近、噪聲消除等研究領域得到廣泛應用， 這使其變得越來越成熟，擁有更多更好的實現方式 。
人工神經網絡中最重要的結構是神經元，用于描述輸入和輸出數據集之間的關系， 它們相互連接形成神經網絡，從而模擬大腦的中樞神經系統，圖2.2顯示了神經元的結 構。神經元基于“訓練”相互連接，每個神經元都具有執行簡單計算的能力，通過不斷訓 練以開發出針對特定問題的最佳解決方案。在每個神經元的連接中，神經元進行信息交
換，信號從前一個神經元傳輸到下一個連接的神經元中。神經網絡中包含的神經元數和
網絡層數由神經網絡的設計者確定，通常情況下，更多的神經元數和網絡層數在建模處
理復雜問題時會產生更好的能力，但過多的神經元數和網絡層數也容易導致簡單模型的
擬合問題。
每個神經元結構中包含可調整的權重、傳遞函數和偏差。執行傳遞函數后，通過將 結果與目標進行比較，如果偏差較大，將調整權重并重做計算，直到偏差足夠小為止。 傳遞函數取決于可調整的權重e、輸入X和偏差b :
fr = f (eX + b)
其中九是傳遞函數，ex是可調整權重和輸入值的乘積，可以根據自身需要選擇特定的 傳遞函數，這也是不同神經元最重要的特性，其表現是神經元輸出與其激活狀態之間的 關系。
令傳遞函數記為 f (X) ，以下介紹常見的三種傳遞函數。
(1)階躍傳遞函數
階躍傳遞函數采用單位階躍函數，具體表達式如下：
1, Xk > 0
f (x) = C " n (2.22)
0,Xk <0
式中Xk表示神經元k的誘導局部域，通常擁有階躍傳遞函數的神經元又被稱為M-P模 型，最早由Mcsulloch和Pitts于1943年所提出［26］，當乂力小于0的時候，輸出為0，否 則輸出為 1。
(2)分段線性傳遞函數 這種傳遞函數的特點是輸入和輸出在一定區域內滿足線性關系，具體表達式如下：
Px > -
2
1 P 1
> Px〉——
22
Px < -—
2
式中x為輸入，P為放大因子，當放大因子趨于X時，分段線性傳遞函數退化為階躍傳 遞函數。
(3)sigimoid 傳遞函數
sigimoid 傳遞函數即我們常見的 S 型函數，是神經網絡模型中應用最多的函數，在 線性表達和非線表達中最為平衡的一種傳遞函數，具體表達式如下：
f (x) —-1TT (2.24)
1 + e— x
2.2.2神經網絡類型
神經網絡由許多相互連接的神經元組成，具體模型結構包括三層：輸入層，隱含層 和輸出層［27］，每個神經元都是指定層的一部分。在隱含層中的部分神經元連接到輸入層 和輸出層，利用傳遞函數進行計算使神經元的權值和偏差發生改變，完成對輸入信號的 處理。通常根據其神經元的組合方式分為不同的網絡類型。
(1)前饋網絡 網絡中所有神經元最多連接到上一層的神經元，每個神經元僅接受前一層的信號， 而后一層不將任何信號發送回前一層，其具體結構如圖 2.3。底層神經元將最終輸出與 目標進行比較，如果輸出不夠接近，將根據以下公式調整權重：
©new =eold +a(° — P) P (2.25)
其中e是權重，a是學習率，o是最終輸出，p是輸入。
（2）具有反饋的前饋網絡 它類似于前饋網絡，但是輸入層具有輸出層的反饋信息，能夠接受信息也具有處理 信息的功能，其具體結構如圖 2.4。
圖 2.4 具有反饋的前饋網絡結構圖
（3）內層互連網絡 在同一層內部神經元可以相互傳遞，通過限制或刺激神經元，讓每組神經元作為一 個聯合體工作，其具體結構如圖 2.5。
圖 2.5 內層互連網絡結構圖
（4）互連網絡 在互連網絡中，神經元可以在不同層之間連接和傳遞。對于前饋網絡，信號經過神 經元后，神經元的任務就完成了，但對于互連網絡，信號將在各個神經元之間反復傳遞， 整個網絡處于不斷變化的狀態，直到實現網絡平衡為止，其具體結構如圖 2.6 所示。
2.2.3BP 神經網絡
自 1986 年 Rumelhart 等人在國際著名期刊 Nature 發表關于《反向傳播誤差的學習 描述》的學術論文后，反向傳播神經網絡(BP神經網絡)得到巨大的推動，時至今日 已成工程上應用最廣泛、影響最深遠的多層感知器學習算法，用于圖像處理分析、模式 識別、聚類和預測等功能的實現[28,29]O BP是一種典型的依據誤差反向傳播進行訓練學 習的多層前饋網絡，其網絡具有兩個特點：一是三層網絡上的任意神經元與前面層上的 所有神經元都連接在一起，二是隱含層大于等于一層，輸入層的信號至隱含層逐步流入， 構成多層前饋網絡。其中逐步流入的信號包含：根據節點神經元的輸入、傳遞函數等參 數確定的函數信號和反向傳播用來調整權值的誤差信號。
(1)BP 信號傳播的算法
設網絡的輸出層有 I 個節點神經元、隱含層有 J 個節點神經元、輸出層有 K 個節點 神經元，令SP =(SP1，SP2,..., Spn )為輸出信號，令Op = (OP1，OP 2，,..., Opk )為實際輸出信號，令 ‘ ' ' '
TP = (tp1，tP 2,..., tpk )為期望輸出信號，其中P為樣本個數。令0 =(0p1,Op2,.,..., Opj )為隱含層 節點神經元輸出，令S為輸入層第i個節點神經元到隱含層第j個節點神經元的權值， 令©必為隱含層第j個節點神經元到輸出層第k個節點神經元的權值，其中網絡隱含層的 傳遞函數為 Sigmoid 函數，函數表達式為式(2.24)。
函數信號的正向傳播的隱含層輸出具體表達式為：
， (I \
Opj = f (netpj) = f 工Vspj j = 1,2，…,j (2.26)
V i=1 丿
函數信號的正向傳播的輸出層輸出具體表達式為：
Opk = f (netpk) = f ftwikOp] ] k = 1,2,..., K (2.27)
k jT 丿
通過函數信號的正向傳播完成從I維到K維空間向量的映射，接下來利用誤差信號 的反向傳播來調整閾值達到期望的輸出信號。
誤差信號的反向傳遞是采用平方型誤差函數，得第p個樣本誤差的具體表達為：
樣本的全局誤差為:
1P K 2 P
E = 2 (tpk - Opk ) =t Ep
2p=1 k=1 p=1
利用BP算法對權值wjk進行調整，令全局誤差E值降低，調整過程的表達式為:
其中
K
S . = o . (1 — o . )\Skwk
pj pj pj pk jk
k=1
帶入式（2.36）中得隱含層的權值變化表達式為：
（2）BP 神經網絡的局限性
BP 神經網絡的反向傳播算法能夠自適應和自主學習，在訓練過程具有較強的非線 性映射能力，訓練的結果同時具有較強的泛化能力，但從 BP 現有研究的各項應用中也 可發現， BP 神經網絡所建立的模型也存在一定的局限性［30］。
①收斂速率和穩定性不足
BP 神經網絡模型建立的過程中，由于配置參數過多，每次反向傳播都需要修正權 值，致使收斂速度過慢，當增加模型的訓練次數，模型建立的網絡性能容易得不到滿足， 同時也提高了對存儲空間的荷載要求。
②學習率不穩定 對于復雜問題而言，選擇合適的學習率是具有難度的。如果學習率較大，權值的修
改量增加，學習過程加快，容易出現振蕩、不穩定的情況；如果學習率較小，學習過程 較慢，訓練的時間增加。
③易陷入局部極小的狀況
BP 網絡的算法通常采用一種速度較快的梯度下降算法，這種算法往往得不到具體 問題的解，容易陷入局部最小值中，與我們的實際的需求相矛盾。當出現局部極小值時， 常常難以發現，即使根據誤差進行判別，誤差常常處于合理區間。此時，可以通過改變 初值的方法修正，但需要反復訓練，增加了工作量。
④隱含層節點神經元數目較難確定
神經網絡的隱含層節點神經元數目是構建網絡的重要參數，直接影響到模型的效 果，目前對于隱含層節點個數并無明確可行的數學公式，更多的是依照經驗所得的經驗 公式，或者通過不斷地設置隱含層節點神經元進行模型比對，根據得到輸出結果的誤差 進行判斷，從而選擇較為合適的隱含層節點神經元個數。
2.2.4RBF 神經網絡
RBF 神經網絡又名徑向基神經網絡[31-33]，主要特征是使用徑向基函數作為傳遞函數 的人工神經網絡。RBF神經網絡由Broomhead和Lowe于1988年首次應用于自適應神 經網絡的設計中，此后RBF網絡用于函數逼近、時間序列預測、系統控制、分類等功 能實現。RBF的基函數是關于n維向量的一個中心點在徑向上具有對稱性，因此命名為 徑向基函數，其本質上是具有隱藏節點的兩層前饋網絡，這些節點執行一系列的徑向基 函數，例如高斯函數、多二次函數、逆二次函數等。
（ 1 ） RBF 的網絡結構
徑向基函數網絡通常包含輸入層、隱含層、輸出層共計三層，其網絡結構如圖2.7 所示。第一層通過由源節點組成的輸入層，連接到隱含層的每個神經元，將外界信號由 輸入層通過節點傳入到隱含層；第二層隱含層特有的徑向基函數將數據進行空間層面上 的非線性轉換，對輸入信號產生局部響應；第三層輸出層的輸出結果是隱含層的線性映 射得到的，即隱含層神經元輸出的線性加權和。在RBF的處理過程中，隱含層是通過 非線性的方法進行調試，處理過程較慢，但通過輸出層的線性映射進行調整，保證了學 習速率。
輸輸岀層
圖 2.7 RBF 的網絡結構圖
設在網絡結構中的輸入數據為向量X = X,x2,...,xm]T , m為輸入節點個數；隱含層 的節點的徑向基函數h =入h2,...,hn]T , n為節點個數，隱含層節點的徑向基函數設置為
最常見的高斯函數，則隱含層輸出結果為：
X — cJ
h = exp — _i = 1,2,..., n (2.42)
， L 2b；
式中c,為神經元i的高斯函數中心，c =\ct1,ct2,...,cm]T，其維數與X相同；b為方差， 表示高斯函數的寬度參數；||x-c,||是歐氏范數，表示X和c,之間的距離。
在隱含層節點的處理輸出后，令ey為隱藏層到輸出層的連接權值，即隱含層的線 性映射得到的輸出層結果 yj ，具體表達式為：
yj = E % exP — ^~^ (2.43)
i=1 L 2bi _
(2)RBF 的工作原理
RBF 神經網絡的運行過程包括學習階段和工作階段。在學習階段中，各層神經元處 理狀態不發生變化，整個學習的過程逐步完善層間權值；在工作階段中，則是層間權值 不發生改變，各層神經元的處理狀態發生改變直到達到穩定狀態。
根據對 RBF 神經網絡結構的解析可知， RBF 學習算法最重要的三個結構設計參數 為：神經元i的中心基函數、寬度參數以及層間權值。通過對隱含層和輸出層采用最優 策略來調整這三個參數。參數的調整主要是在學習階段，整個學習階段又分為兩個階段： 一是無導師學習階段，這個階段主要是根據輸入數據的特性對隱含層各節點徑向基函數 中心基函數和寬度參數進行求解；二是有導師學習階段，對隱含層節點到輸出層節點的 層間權值進行求解，常利用 LMS 算法進行確定。
①無導師學習階段基于K-均值聚類算法計算。在訓練樣本中隨機選取n個作為聚類 中心c,(i = 1,2,...,n)，然后通過使用K-均值聚類算法計算出樣本數據與聚類中心的歐氏 距離，最后計算聚類集的樣本均值進行調整，直到聚類中心不再發生改變且誤差最小， 即得到中心基函數c,，根據公式進行求解寬度參數：
b = i =1,2,..., n (2.44)
y2J
式中cmax表示聚類中心間的最大距離。
②有導師學習階段基于LMS算法對層間權值e求解，具體表達式如下：
e = exp - i =1,2,..., n (2.45)
V 2bi2 丿
2.3AHP-模糊綜合評價模型
老舊小區房屋安全評估是屬于多因素的模糊評價，其影響因素眾多，指標體系復雜， 許多因素具有不確定性和不精準性，有的對房屋安全影響較大，有的則影響較小，使用 相關的評估規范劃分等級界限，經常是不完全符合現場狀況的，專家的評議也常具有主 觀性和模糊性。因而本文采用將層次分析法（AHP）和模糊綜合評價結合的方法構建評 估模型，使房屋安全評估的等級劃分是連續的，而不是跳躍式，并盡量減少現場材料不 完善和主觀性判斷所帶來的誤差，增加評估結果的客觀性［34］,圖2.8為模型構建流程。
AHP-模糊綜臺評價模型
2.3.1層次分析法確定指標權重
層次分析法（AHP）由美國工程院院士托馬斯•薩蒂于1970年代首次提出，此后應 用于包括金融、市場營銷、建筑、工業、政府、社會、團體決策等眾多領域。AHP通過 確定系統目標和評估標準將其分解成各個影響因素，然后將這些因素按照關系分組形成 有序的層次結構，所有同層次的指標因素成對比較進行求解運算，最后使用評估標準的 相對重要性來確定相對評估結果［36］。可以看出，AHP的特點是利用較少的定量信息使 決策思維過程數學化，專注于考慮和衡量各指標因素的相對重要性，比較適合房屋安全
結構體系這種分層交錯且評價指標不太好定量描述的目標系統。
（1）構建判斷矩陣 老舊小區房屋安全評估的指標體系由眾多因素組成，影響因素不易過多，當指標過 多時會在各級別指標成對比較的過程中產生不利誤差。通過對分析現役老舊小區房屋安 全狀況的基本數據和查閱相關研究文獻［15,35］，確定影響既有老舊小區房屋安全狀況共包 含 11 個因素，并將 11 個影響因素劃分為三類：結構承重系統、非承重系統及附屬物和 使用狀況。結構承重系統指老舊小區房屋的主要的受力結構部分，是影響其安全狀況的 最重要的部分；非承重系統及附屬物指的是老舊小區房屋的非承重部分，是影響其安全 狀況的次重要部分；使用狀況指影響老舊小區房屋的其他因素，如環境影響、使用年限 影響等。最終構建的層次結構如圖 2.9 所示。
圖 2.9 老舊小區房屋安全狀況評估指標體系例圖
小區房屋安全狀況評估的層次結構模型分三個層次：目標層、準則層和指標層。目 標層指最終要實現的評估目標，即為小區房屋安全評價結果；在目標層下，將目標分解 成多個要素得到準則層，劃分為結構承重系統、非承重系統及附屬物和使用狀況三個指 標。其中結構承重系統指標又劃分地基基礎、結構承載力、裂縫與變形和結構整體性， 非承重系統及附屬物劃分非承重圍護、建筑附屬物，使用狀況劃分為出生狀況、已使用 年限、裝修改造歷史、周圍環境和設施設備。這些指標構成了指標層，進一步將準則層 細化，是評估目標的具體表現，為層次結構中最基礎的部分。
在建立小區房屋安全狀況評估多層次結構模型后，需要從準則層開始，對每一個隸 屬于上一層的同層指標通過比較法進行兩兩相互比較，根據相對重要性賦予權重，這里
采用 1-9的標度表述判斷矩陣的各指標的重要程度和權值，具體重要性標度及其含義如
表 2.1，進而構建出判斷矩陣 A：
式中ay.具有ay. >0、ay. = 1 / a”、ay. = 1的矩陣性質。
表 2.1 重要性標度及其含義
ai. 的標度 相對重要性程度
1 i 相對于 j 相等重要
2 介于 1、3 之間的重要
3 i 相對于 j 稍微重要
4 介于 3、5 之間的重要
5 i 相對于 j 比較重要
6 介于 5、7 之間的重要
7 i 相對于 j 非常重要
8 介于 7、9 之間的重要
9 i 相對于 j 絕對重要
1-9 的倒數 j 相對于 i 相比較，得到 a .i = 1 / ai.
2）確定指標權重系數
通過求解判斷矩陣A的特征值和特征向量，對同一層次的指標的相對重要性進行排 序，既滿足等式AW = 2maxW ,求解出最大特征根2max,將2max對應的特征向量進行歸 一化處理得到W, W中對應第i個指標權重即為相對權重系數化,這里計算判斷矩陣的 最大特征根2max、特征向量W以及相對權重系數化有許多方法，常用的的計算方法有 方根法、特征值法、最小偏差法、和積法等，如使用方根法為：
①將判斷矩陣的指標按照行式相乘得Mi = 口叫」=1,2,3..., n
. =1
②計算Mt的n次方根W，得到W =冋
③W進行歸一化處理，得到W = W 1,W 2,..., Wn『
w，= W_,i=1,2,3...,n
工W
i =1
④判斷矩陣A最大的特征根2max = Y ,i = 1,2,3...,n，其中（AWJ是向量AW的
max i=1 nWi i
第i個指標。
（3）判斷矩陣的一致性檢驗
對房屋安全的評估中，由于實際狀況的復雜性和評判人員認識的多樣性，容易出現 指標相對重要性或評估判斷結果出現很大程度的偏離情況，為了防止出現這種邏輯上的 錯誤，需要對判斷矩陣進行一致性檢驗，檢查判斷矩陣的判斷思維是否一致性，得到一 致性指標：
2 — n
CI = — （2.47）
n—1
這里引入平均隨機一致性指標RI，其是依據判斷矩陣的階數確定的常數，按表2.2取值。
表 2.2 平均隨機一致性指標 RI 系數表
矩陣階數n 1 2 3 4 5 6 7 8 9
RI 系數 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45
最終得到檢驗系數CR = r ‘當CR < 0.10時，判斷矩陣A的一致性檢驗通過，當
CR > 0.10時，判斷矩陣A的一致性檢驗未通過，此時需要對判斷矩陣進行分析重新調 整矩陣系數，直到一致性檢驗通過。
2.3.2模糊綜合評價法進行房屋安全評估
（1）確定指標集和評語集
根據圖 2.9 得知，構建的為三層兩級的模糊綜合評價模型，確定影響老舊小區房屋 安全的一級指標集，記為Q = ｛q1,q2,q3｝，共3個評價子指標，即老舊小區房屋安全狀況 評估=｛結構承重系統、非承重系統及附屬物、使用狀況｝;確定影響第i （i =1,2,3）個一 級評價指標的二級指標集，記為Qi = q, qt 2,..qy｝,表示第i個評價指標共有j個子評價 指標，如結構承重系統=｛地基基礎，結構承載力，裂縫與變形，結構整體性｝。
通過結合房屋安全相關行業規范和實際的評估方法，對各指標進行評價，得到評價 集P = ｛P1,p2,p3,p4｝，對最終的房屋安全等級由好到差進行評估分析，依據評價結果給 出相關處理建議，具體描述如表 2.3 所示，其中評價房屋安全的一級和二級指標的評價 采用 a、 b、 c、 d 等級描述［37］。
表 2.3 評價集分析表及處理建議
安全性評定 安全等級 安全等級系數 定量取值 處理建議
好 Au/a 80 < S < 100 90 不存在或僅有輕微不安全因素，建議正常使用與維護
較好 Bu/b 60 < S < 80 70 存在一定安全隱患，暫時不影響安全使用，需要持續觀測
存在較嚴重的不安全因素，明顯影響安全使用，需要及時
較差 Cu/c 40 < S < 60 50 采取有效措施處理
存在嚴重的不安全因素，嚴重影響房屋安全使用，必須立
差 Du/d 20 < S < 40 30 即采取措施處理
(2)確定隸屬度矩陣
本文所采用的的單因素模糊評價，是單獨從一個指標出發進行評價，以確定評價對
象對評價集元素的隸屬程度［38］，針對影響房屋安全的指標采用定性描述確定指標隸屬
度，通常使用專家打分法，以百分比進行統計，則模糊綜合評價隸屬度如下：
指標因素a的每個評價指標的隸屬度組成的隸屬關系矩陣為
R= R = ~ r-n
ri21 ri12 .
ri 22 . ..r1n "
..r2 n (2.48)
_ rim1 .rim2 . .. r
imn
用r1］h表示隸屬函數，表示Q,中的第i個評價指標的第j ( j =1,2,..., m )個基礎評價指標對 于評價集P = {p”p2,...,p”}的隸屬度，可通過下式計算：
h=1
式中的Ch表示為第i個評價指標的第j個基礎評價指標q.被評價為第h種結果ph (h =1,2,3.... n )的評估人數。
( 3)模糊綜合評價
依照層次分析法將各影響房屋安全的指標分層歸類后，經過歸一化處理和一致性檢
驗后，通過構造判斷矩陣A ,設第i類指標q,的權重為ai,得到的指標類權重集為： A =(a1,a2,...,ai) (2.50)
設第i類的第j個指標q,j的權重為a.,得到的指標權重集為：
Ai =(ai1,ai2,...,ai.) (2.51)
①進行一級模糊綜合評價得到指標Q,對應的綜合評判結果向量B,
Bi = a,。r, =( bi1，bi2，...,bn ) (2.52)
②進行二級模糊綜合評價得到指標Q對應的綜合評判結果向量B
~ B1 ■
B = A。R = ( b1,b2,...,b )，其中 R = B2 (2.53)
一 Bi 一
綜合評判結果向量B根據最大隸屬度原則，在勺中最大的值對應的評價集pn就是
模糊綜合評價最終得到的小區房屋安全評價等級，其安全等級系數為S = Y x0i，x,分
i=1
別為表 2.3 的定量取值。
2.4數字圖像技術的房屋裂縫監測
2.4.1房屋裂縫監測的原理
基于數字圖像處理技術的裂縫監測是目前一種流行的建筑病害檢測方法［11,39］，數字 圖像處理技術的主要原理通過高清攝像機拍攝的照片，利用軟件處理得到矢量數據模 型，通過對處理后的照片進行特征點的識別和提取，計算分析建筑裂縫的實際情況和分 布特點。
理論上，房屋裂縫處比周圍的材料在圖像顯示上會更灰，因而能夠把裂縫從圖像中 進行提取。實際情況中，由于房屋材料和裂縫具有不均勻性、拍攝受光線的影響等因素， 常常發生裂縫和周邊材料在成像的界限不具備明顯性，增加裂縫從圖像中檢測的難度。 因此本文在監測中，使用具備明顯特征標識符進行輔助監測，通過在裂縫兩側適當的位 置固定標識符對裂縫進行橫向標定，通過觀測標識符的空間坐標變化獲得裂縫寬度的變 化特征。標識符在設置上應該盡量簡單，在圖像上應與背景有較大的色差，在程序處理 的過程中，能夠簡單迅速的利用圖形的角點、形心點等進行特征點的提取，如圖2.10 為常見的人工標識符，本文實驗中選取的為純黑色正方形的標識符(a)。
將標識符放于裂縫兩側后，在合適的光線條件下，利用標準數碼相機進行采集觀測， 如圖 2.11 所示，中間的灰色區域為裂縫，裂縫兩側分別為四個正方形標識符 A、 B、 C、 D,藍色的線為水平兩兩形心點0的連線，即為裂縫發展趨勢的連線，在時間維度下， 中間的灰色裂縫的變化量就等于對應標識符的特征點的相對位移變化值。
圖 2.11 裂縫監測原理示意圖
在數字圖像處理技術的處理下，可以得出觀測標識符的每個角點在整個圖像上的空 間系坐標值，如正方形A四個角點的坐標為(XA, YA ) , (XA, YA) , (XA, YA), (XA, YA),
形心點Oa坐標為:
同樣的，可以利用正方形C的四個角點坐標求出形心帶你Oc的坐標(XO,YO),則 可求出標識符A與標識符C之間的形心距離L。這里需注意的是，數字圖像處理技術 在實際操作過程中，是通過對空間內橫向和縱向的等間距位置的像素進行采集，每一個 像素點共同構成空間矩陣，矩陣中的兩兩像素點之間的距離與實際距離具有一定的轉換 比例，記為“，那么可以得出：
L =g (X°c- To” )2 + (£-卩。")2
在周期內對數字圖像進行監測，可以得到L的相對位移變化量，在一個周期內L的 相對位移變化量為AL-,” = Lk - L-即裂縫寬度的變化量，如果初始寬度為L0，則第k次 監測的裂縫寬度為：
Lk = L0 + EALk-1, k (2.56)
2.4.2房屋裂縫監測的實現 本次房屋裂縫監測的實現流程如圖 2.11 所示。
圖 2.11 測量方法的實現流程圖
(1)觀測前的準備工作
觀測的準備工作主要包括：選擇人工標識符，設置人工標識符，選取照相機及照明 設備。根據前一節描述，本文選取純黑色正方形的標識符，該標識符具備明顯的圖形特 征，能夠保證識別角點的精度和可靠性。本文實驗所運用的數碼相機型號為佳能 EOS
M50,有效像素為2410萬像素，傳感器尺寸約22.3H4.9mm,在采集照片的清晰度上,
滿足分辨率要求。采集圖像的過程中，由于采集過程耗時較長，外界的光線變換頻繁， 為了削減由于天氣造成的影響，應該保證采集點的光線明亮且前后一致，實驗過程中通 過布設照明燈的方式，提高采集圖像質量。
(2)采集照片
在做好準備工作后，需要設置好相機位置和固定采集區域，主要的目的是使相機正 對裂縫墻體，采集的照片尺寸大小滿足實驗要求。在整個采集過程中，觀測的照相機通 常是跟標識符的相對位置保持不變，在整個周期性采集過程中，保持相機處于同一水平 面上，我們的監測理論是通過監測標識符的相對位移來計算裂縫寬度的變化，如果觀測 區域中標識符在圖像上顯示較小的話，在圖像的處理過程中容易分析不到特征點；如果 對尺寸較大的照片進行全圖分析，又會增加計算的復雜性，因而確立好合適的觀測區域， 有利于對標識符進行較好的采集分析。
在固定數碼相機后，在合適的光線下采集初始照片，確立本次實驗的標識符、特征 點，并得到裂縫的初始寬度，這里可以通過傳統的測量方法或者后續的方法進行計算。 在記錄初始化數據后，保持觀測區域和相機的位置不變，確立一個周期，而后進行周期 性的圖像采集。
（3） 圖像處理 圖像處理主要包括對采集的照片進行預處理、角點解算和像素標定。 圖像預處理主要是通過將數碼相機采集的 RGB 格式的彩色圖像轉化為灰度圖［40］。
RGB格式的圖像由紅色（R）、綠色（G）和藍色（B）三種顏色分量組成，這三種顏 色均有8 個分量，每個分量在0-255區間取值，最終構成三維的數據矩陣，形成一張張 豐富多彩的圖片。由于RGB的分量過多，矩陣數值過于復雜，會增加圖像計算的工作 量。灰度圖只存在黑色、白色和中間地帶的灰色，同樣灰度圖的取值是0-255， 0表示 最黑，255表示最白，介于兩者之間的表示灰色，最終構成二維的數據矩陣，RGB格式 圖像通過轉化灰度圖可減少工作量和誤差。
圖像解算是為了獲取圖像的有效特征點，這里采用局部特征的提取方法，在灰度圖 利用圖像特征提取算子獲取特征點，同時圖像解算也是像素標定的前置條件。常見的特 征提取算子有Moravec算子、Harris算子、Forstner算子，具體選用哪種算子作為提取 方法，詳見第三章。
像素標定主要是為了得出矩陣中的兩兩像素點之間的距離與實際距離具有一定的 轉換比例“，本文的實驗通過兩個標識符角點之間的實際距離和灰度圖像素數的比值計 算獲取。
（4） 裂縫寬度計算 這里主要根據前一節的理論，在圖像解算獲取特征點后，結合初始的裂縫寬度值，
利用計算程序獲得最終的裂縫寬度值。
2.4.3圖像特征提取算子
（ 1） Moravec 特征提取算子
Moravec 是于 1977 年提出的利用灰度方差提取點特征的算子［41］，其步驟為：
①計算各像素元的興趣值IV （Intrest Value）。建立以像素（c, r）為中心的coxa的窗 口，計算圖 2.12的四個方向的相鄰像素灰度差的平方和：
k —1 [ = det(M) — ktr2(M),k = 0.04 (2.60)] [式中，G (s)為高斯模板，gx為x方向的梯度，gy為y方向的梯度，det (M)為矩]
V1 = S ( fc+,,r — fc+i+1,r)
i=—k
k —1 2
V2 =〉I ( f c+i ,r+i — f c+i+1, r+i+1 )
i=—k
k —1 2
V3 = S ( f ,r+i— f ,r+,+1)
i=—k
k —1 2
V4 =工(f+, ,r—i — fc+i+1,r—i—1 )
i=—k
其中k = INT⑹/2)，取式中最小值為像素(c, r)的興趣值:
IVC ,r = min{V1, V2, V3, V4}
②賦予經驗閾值，通過賦予興趣值大于該閾值的點作為候補選用點，即用興趣值計 算窗口的中心點。
③將候補選用點中的極值點作為特征點。在限定窗口大小的情況下，將候補選用點 中非最大值的興趣值刪去，保留一個興趣值最大的候補選用點，該像素即為一個特征點。
由上述可知， Moravecc 特征提取算子是在四個最主要的方向中，選擇具有最大、最 小灰度方差的候補選用點最為特征點的一種方法，其是一種計算相對簡單、實現快速的 特征提取算子。
圖 2.12 Moravecc 算子
2)Harris 特征提取算子
Harris 特征提取算子是由 Harris 和 Stephens 提出的一種局部特征提取算子［42］，這種
算子的提取是受相關函數啟發，賦予了自相關函數類似的矩陣M，具體表達式如下： 陣M的行列式，tr為矩陣M的跡，k為默認常數。
Harris 特征提取算子的具體計算步驟為：首先計算圖像中每一個像素點的橫向和縱 向一階導數，并將結果相乘，得到計算圖像的像素對應值g”、gy和g”gy，然后通過高 斯模板對三幅圖像進行濾波處理，從而得出計算原圖像上對應的每個點的興趣值I。
Harris 算子通常情況下，得出的特征點就是極大興趣值在局部范圍內對應的像素 點，當各點的興趣值被計算出后，能夠將局部興趣值的最大點在原圖像中提取出來。通 常在每個像素的3x3的鄰域窗口內進行最大值的提取，如果中心像素點的興趣值恰好最 大，就把中心點當作特征點。 Harris 算子在計算過程中，僅僅采用灰度一階求導運算以 及高斯模板的濾波處理，故整個計算過程比較簡單。由此可見Harris算子檢測出的角點 可靠性高，重復率低，是比較穩定的一種點特征提取算子。但另一方面， Harris 算子對 計算尺度比較敏感，不具備尺度穩定性，而且提取的角點是像素級別的，因而其角點精 度表現較差。
( 3) Forstner 特征提取算子
Forstner 特征提取算子是在圖像提取過程中，認為具有精準視差且均勻分布的點為 特征點，從某種意義上講，就是在提取過程中尋找誤差橢圓盡可能小、無限接近于圓的 精準度較高的點。整個算法計算過程中，先要需要計算目標窗口內的Roberts梯度以及 灰度協方差矩陣，將計算得到的興趣值q和o,通過經驗閾值比較得到候補選用點，然 后在這些候補選用點中選擇極值點作為特征點。Forstner算法提取的角點精度較高，并 且具備旋轉不變性，但缺點是速率較慢，在提取過程中需要反復計算興趣值，因此較其 他的算法更為復雜。 Forstner 算子的具體計算步驟如下：
①計算目標窗口內各像素點在45。和直角方向上的Roberts梯度:
②選擇以點(x,y)為中心的lxI窗口，計算該窗口內像素的灰度協方差矩陣:
其中：
c+k-1 r+k -1
工g u =工工(gi +1,j+1 - gi,j)2 i =c-k j =r-k
c+k-1 r+k-1
工 g2 = s s (gi,j+1- gi+1,j)2
i=c-k j =r-k
c+k-1 r+k-1
工gugv =工工(gi+ 1,j+1 - gi, j )(gi, j+1 - gi+1, j )
③根據灰度協方差矩陣N得到其行列式detN和矩陣的跡trN，計算出像元的兩 個興趣值，像元的權值o和對應誤差橢圓的圓度閾值q :
detN
o =
trN
4 det N
式中，a與b表示以(x,y)為中心的橢圓長半軸和短半軸，如果任意像素點(c,r)在 圖像的邊界上，則q = 0 ,當為標準圓時，q = 1。
④將③中得到的興趣值與經驗閾值T比較，保留大于閾值的點作為候選點，然后將候 選點極值最大的點作為特征點，當某點的興趣值o最大時，選定為特征點，最后刪去多 余的候選點。
2.5本章小結
本章針對老舊小區沉降監測模型、房屋安全評估模型和房屋裂縫監測的相關理論進 行分析探究。以小波分析理論為基礎，利用小波變換良好的時-頻特性對監測信號進行 較好的預處理，減少外界各類因素對監測信號的干擾，并利用去噪質量評價指標對去噪 效果進行評價。人工神經網絡具有學習速率快、逼近性能強的優勢，以BP網絡和RBF 網絡為例，降噪后的信號使用神經網絡訓練學習能夠得到有效的預測模型。
影響老舊小區房屋安全的因素較多，通過層次分析法構建房屋安全評估的評價指 標，分析各指標權重，利用多層模糊綜合評價理論對房屋安全進行逐層評價，計算出評 價結果向量，最終依照隸屬度最大原則確定房屋安全評價等級和安全等級系數。
房屋裂縫病害的監測是檢查房屋安全的重要措施，依據現有的數字圖像處理技術， 利用經典圖像特征提取算子，包括 Moravec 算子、 Harris 算子和 Forstner 算子，結合圖 像標識符的特征點提取，從而實現對房屋裂縫的測量。
3BSIMS 的實例模型分析
3.1數據采集
（1）沉降監測數據 以南京市某地鐵明挖段工程引起周邊小區建筑物沉降和地表沉降監測數據為例。該 工程所處地貌單位為崗地地貌，地形相對較為平坦，一般現狀地面高程在 14.5~16.07m 之間，近地表主要有全新統（Q4）人工填土及粉質黏土組成，下伏基巖為侏羅系象山群泥 巖，泥質粉砂巖、砂巖、含礫砂巖。巖面起伏較大，明挖段巖面一般埋深在 6.0~18.0m 左右。從 2018 年 10 月 6 日到 2019 年 8 月 21 日，監測施工附近的小區沉降變化，現場 采用電子水準儀及其配套使用的條碼式鋼尺，測量精度滿足《建筑變形測量規范》中的
一級變形的精度要求，現場建筑物沉降監測如圖 3.1，地表沉降監測如圖 3.2。
圖 3.1 建筑物沉降監測點 圖 3.2 地表沉降監測點
由于該地鐵工程的持續周期較長，現場監測數據以 15 天為周期，分別選取靠近工 程現場的老舊小區建筑物沉降監測點 JC-09、JC-10 和地表沉降監測點 DB-10、DB-11， 取 20 期的沉降監測數據，得到的監測數據以 JC-09 監測點為例，如表 3.1 所示。
表 3.1 JC-09 監測點沉降值
觀測時間 10/15 10/30 11/14 11/29 12/14 12/29 1/13 1/28 2/12 2/27
本期監測（mm） -0.30 -0.60 -0.30 -1.12 0.32 -0.60 -1.00 0.20 -0.60 -0.13
累計沉降（mm） -0.30 -0.90 -1.20 -2.32 -2.00 -2.60 -3.60 -3.40 -4.00 -4.13
觀測時間 3/14 3/29 4/13 4/28 5/13 5/28 6/12 6/27 7/12 7/27
本期監測（mm） 0.33 0.00 -0.80 0.40 0.10 -1.40 -0.10 0.20 -0.10 -0.20
累計沉降（mm） -3.80 -3.80 -4.60 -4.20 -4.10 -5.50 -5.60 -5.40 -5.50 -5.70
( 2)老舊小區數據
為了解城市管理者的切實需求以制定系統的功能，作者通過朋友的幫助，取得某市 房屋安全管理部門的支持，參與到所在轄區內現階段老舊小區房屋屬性數據、房屋安全 數據的部分采集，為保證房屋數據的準確性和完整性，整套老舊小區房屋數據采集工作 流程需要最大程度的降低容錯率(如圖 3.3)，采集過程中部分數據調查表如圖 3.4。
圖 3.3 房屋數據采集流程圖
信息來源：1系統提取2檔案查詢3外業調查信息來源默認為3,其他情況寫人備注
10（棟矢編碼：
弦 街道坯鎮、糾 社感
小區（獨立|幢）名稱： 備港
小區（獨立1幢）坐落：
街備、巷） 號/ 村 組 號
物業服務類別：
社區服務部口 社區居民自治口社區單位共管口 專業化物業服務口
物業魚司鋼：
建筑承重結構磚溫口 框架口 框架萸力墻口 勢力墻口其他
建筑層數、總建筑面1R及占地面
地上層數:一 地下層數： 總建筑面積： 占地面積： 能
建筑使用性質 居住建筑口商業建筑口辦公建筑口其他
單闢 戶（個）議
竣工日期 年 月
設計使用年^ （至嘿fl時間）設計使用年限： 年
建設方式房地產開發公司開發口單位自建口 個人自建口 其他□:—
建設單位娜：
施工單位鋼：
設計單位娜：
監埋單位娜：
建筑抗震設肪烈度八度口 七度口 六度口 未設防口
建筑防火卿（耐火翹）一級口 2二級口 3三級口 四級口
是否進行過節能設計或采取節能措施
是口（外埴外保溫口 外墻內保溫口 節能門窗口 其他□:
是否有電梯是口 否口
是否進行過房屋安全髓 是□鑒定等級 否口
圖 3.4 房屋基本數據調查表
3.2小波去噪實現
3.2.1閾值方式的選擇
通過查閱相關資料［22］，研究證明軟閾值在細節處理方面比硬閾值更具有優勢，這里 采用實際工程中通用的軟閾值化處理，使用Matlab的工具箱函數thselect調用自適應閾 值處理，閾值的選擇規則常見的有三種：rigrsure（無偏風險估計閾值）、heursure （啟發式 閾值）、sqtwolog（固定閾值），以工程廣泛應用的db3小波進行3層分解為模型其他條 件，以建筑物沉降監測點JC-09為例，對常用的幾種自適應閾值處理方式進行比較，得 到去噪結果如圖 3.5。
（c）sqtwolog 閾值去噪
圖 3.5 不同閾值去噪結果
使用均方根誤差和信噪比質量評價指標進行去噪效果評價，質量評價結果如表 3.2 所示，由第二章內容可知均方根誤差越小和信噪比越大的去噪效果好。
表 3.2 不同閾值質量評價結果
均方根誤差 信噪比
rigrsure（無偏風險估計閾值） 0.2252 16.9512
heursure （啟發式閾值） 0.5303 9.5142
sqtwolog （固定閾值） 0.4562 10.8904
從上述圖表可以看出，用 heursure 和 sqtwolog 閾值方式去噪后的曲線過于光滑，去 噪后的圖像曲線相似，很多重要信息被強制濾掉，而 rigrsure 閾值方式去噪后的曲線能 夠更好的保存實際監測值的信號特征，并且 rigrsure 閾值相對 heursure 和 sqtwolog 閾值 均方根誤差較小、信噪比較大，則 rigrsure 閾值處理方式效果更令人滿意，在接下來的 模型的設置中使用 rigrsure 閾值處理方式進行去噪。
3.2.2基函數的選擇
小波去噪的過程中，Matlab工具箱中的小波基函數種類較多，選取不同的小波基函
數得到的結果大相徑庭，選用工程上常用的 Daubechies 小波和 Symlets 小波進行比較， 采用 rigrsure 軟閾值處理、小波分解層次為 3 層，其中 db3 小波和 sym4 小波去噪對比結 果如圖 3.6 所示。
圖 3.6 不同小波基函數去噪對比圖
分別使用 db1-db6 小波、 sym1-sym6 小波進行去噪處理，并對結果進行質量評價比 較，如表 3.3 所示。
表 3.3 不同小波函數質量評價結果
Daubechies 小波 Symlets 小波
dbN 均方根誤差 信噪比 symN 均方根誤差 信噪比
db1 0.2344 16.6060 sym1 0.2344 16.6060
db2 0.2232 17.0308 sym2 17.0308 17.0308
db3 0.2252 16.9512 sym3 0.2252 16.9512
db4 0.2138 17.4060 sym4 0.2238 17.0057
db5 0.2458 16.1915 sym5 0.2317 16.7044
db6 0.2486 16.0959 sym6 0.2329 16.6598
根據以上的圖表可知，Daubechies小波和Symlets小波均能得到較好的去噪結果。 db1-db6 和 sym1-sym6 的質量評價中，具有一致的變化特點，均方根誤差先減少再增加， 信噪比跌宕變化，其中的去噪質量效果最好的小波基函數是db4,它的均方根誤差最小、 信噪比最大，故本文選取db4小波基函數進行建筑物沉降和地表沉降監測數據的去噪處 理。
3.2.3小波多尺度分解
小波分析中理論上可以分解j = log? N層（N為信號長度），但隨著分解層j越多, 去噪的結果越容易失真，重構后的誤差也越大，故常見的分解層數不超過5 層，經過實
驗多次比對，本文中3層的效果最好，根據前文得出的結果，采用rigrsure軟閾值處理、 db4小波進行3層分解，得到第3層低頻信號a3和1-3層高頻信號di、d2、d3,分解結 果如圖 3.7 所示。
由圖可看出在低頻信號 a3 曲線趨勢跟實際監測值的圖像一致，即低頻信號中包含 了大量與實際值相符的信號，而1-3層高頻信號di、d2和d3中正負值震蕩，是因為其 包含了來自于實際監測中環境、設備、人為等因素導致的噪聲信號，通過消除高頻信號 中的噪聲能夠達到去噪的效果。
3.2.4數據去噪與分析
通過前面的分析，了解到建筑物沉降監測點JC-09的去噪采用rigrsure軟閾值處理、 db4 小波、小波分解層次為 3 層的去噪效果最好，數據對比曲線如圖 3.8 所示。
圖 3.8 JC-09 實測數據與去噪數據的對比圖
JC-09監測點的實測數據和去噪數據的具體對比如下表3.4所示，這里使用指標“絕 對誤差”作為分析去噪效果的主要依據。
表 3.4 JC-09 實測數據與去噪數據的對比表
觀測 實測數據 去噪數據 絕對誤差 觀測 實測數據 去噪數據 絕對誤差
期數 (mm) (mm) (mm) 期數 (mm) (mm) (mm)
1 -0.30 -0.59 0.29 11 -3.80 -3.91 0.11
2 -0.90 -0.99 0.09 12 -3.80 -3.95 0.15
3 -1.20 -1.45 0.25 13 -4.60 -4.46 0.14
4 -2.32 -1.99 0.33 14 -4.20 -4.39 0.19
5 -2.00 -2.16 0.16 15 -4.10 -4.57 0.47
6 -2.60 -2.75 0.15 16 -5.50 -5.33 0.17
7 -3.60 -3.43 0.17 17 -5.60 -5.49 0.11
8 -3.40 -3.53 0.13 18 -5.40 -5.30 0.10
9 -4.00 -3.80 0.20 19 -5.50 -5.40 0.10
10 -4.13 -3.86 0.27 20 -5.70 -5.67 0.03
按照前面的方法進行對比，對JC-10監測點進行去噪對比試驗，最終采用rigrsure 軟閾值處理、db6小波、小波分解層次為3層的去噪效果最好，數據對比曲線如圖3.9 所示。
觀測期數（次）
圖 3.9 JC-10 實測數據與去噪數據的對比圖
JC-10監測點的實測數據和去噪數據的具體對比如下表3.5所示。
表 3.5 JC-10 實測數據與去噪數據的對比表
觀測 實測數據 去噪數據 絕對誤差 觀測 實測數據 去噪數據 絕對誤差
期數 (mm) (mm) (mm) 期數 (mm) (mm) (mm)
1 -0.90 -0.84 0.06 11 -2.40 -2.76 0.36
2 -0.10 -0.43 0.33 12 -3.00 -3.20 0.20
3 -1.30 -1.42 0.12 13 -3.80 -3.43 0.37
4 -2.24 -2.09 0.15 14 -3.20 -3.31 0.11
5 -2.00 -2.09 0.09 15 -3.20 -3.17 0.03
6 -2.60 -2.66 0.06 16 -3.40 -3.33 0.07
7 -2.90 -2.79 0.11 17 -3.50 -3.57 0.07
8 -2.80 -2.93 0.13 18 -3.30 -3.72 0.42
9 -3.30 -3.06 0.24 19 -3.80 -3.92 0.12
10 -3.52 -3.27 0.25 20 -4.50 -4.19 0.31
對DB-10監測點進行多次試驗對比，最終采用rigrsure軟閾值處理、db4小波、小 波分解層次為3 層的去噪效果最好，數據對比曲線如圖3.10所示。
圖3.10 DB- 1 0實測數據與去噪數據的對比圖
DB-10監測點的實測數據和去噪數據的具體對比如下表3.6所示。
表 3.6 DB-10 實測數據與去噪數據的對比表
觀測 實測數據 去噪數據 絕對誤差 觀測 實測數據 去噪數據 絕對誤差
期數 （mm） （mm） （mm） 期數 （mm） （mm） （mm）
1 0.00 0.01 0.01 11 -6.70 -6.78 0.08
2 -1.00 -0.73 0.27 12 -8.70 -8.39 0.31
3 -0.50 -0.69 0.19 13 -8.40 -8.29 0.11
4 -1.00 -1.22 0.22 14 -8.90 -8.81 0.09
5 -2.70 -2.39 0.31 15 -8.60 -8.59 0.01
6 -3.10 -2.86 0.24 16 -8.20 -8.53 0.33
7 -2.60 -2.88 0.28 17 -8.70 -8.59 0.11
8 -4.10 -3.89 0.21 18 -8.90 -8.95 0.05
9 -4.70 -4.83 0.13 19 -8.60 -9.11 0.51
10 -5.30 -5.68 0.38 20 -11.29 -10.88 0.41
對DB-10監測點進行多次試驗對比，最終采用rigrsure軟閾值處理、db3小波、小 波分解層次為4層的去噪效果最好，數據對比曲線如圖 3.11 所示。
圖 3.11 DB- 1 1 實測數據與去噪數據的對比圖
DB-11 監測點的實測數據和去噪數據的具體對比如下表3.6所示。
表 3.6DB-11 實測數據與去噪數據的對比表
觀測 實測數據 去噪數據 絕對誤差 觀測 實測數據 去噪數據 絕對誤差
期數 （mm） （mm） （mm） 期數 （mm） （mm） （mm）
1 0.00 0.24 0.24 11 -2.30 -2.31 0.01
2 1.00 0.94 0.06 12 -2.20 -2.25 0.05
3 1.70 1.70 0.00 13 -2.56 -2.73 0.17
4 2.00 1.71 0.29 14 -2.96 -3.48 0.52
5 -0.60 -0.28 0.32 15 -4.46 -4.53 0.07
6 0.10 -0.13 0.23 16 -5.46 -5.27 0.19
7 -0.50 -0.57 0.07 17 -5.86 -5.79 0.07
8 -1.60 -1.63 0.03 18 -6.36 -5.96 0.40
9 -2.90 -2.38 0.52 19 -5.86 -5.91 0.05
10 -1.80 -1.95 0.15 20 -6.26 -6.00 0.26
從四張實測數據與去噪數據的對比圖能夠看出，去噪后的數據降低了突變點的突變 值，使去噪數據圖像較實測數據圖像更加平順光滑。從四張實測數據與去噪數據的對比 表能夠發現多數的絕對誤差在0-0.5mm之間，最大的絕對誤差為0.52,結果符合小波分 析的原理，也符合實際誤差來源。因此得出小波去噪能夠減少監測過程中的環境、設備、 人為等因素導致的噪聲信號，進一步的還原實際的建筑物沉降值和地表沉降值，為后續 神經網絡的預測分析做準備。
3.3BP 和 RBF 神經網絡模型實現
3.3.1模型算法設計
為比較BP和RBF神經網絡這兩種模型對沉降監測值的預測效果，這里使用Matlab 內置工具箱，通過編寫程序語言，設計合理的參數進行模型預測功能的實現。具體的算 法程序主要為三個部分，包含沉降數據歸一化、網絡參數設計和和訓練樣本格式［43］。
(1)沉降數據歸一化
通過代碼Data=xlsread('沉降監測數據.xls')導入表格數據，當沉降監測數據之間存在 差值過大的情況時，會影響網絡的訓練和收斂。在神經網絡訓練前對數據進行歸一化處 理，能夠提升模型的收斂速度和模型精度，然后在網絡輸出時進行反歸一化處理，得到 合理的預測值，歸一化具體表達為：
X =—匕滄一 (3.1)
2(仏-張)
在 Matlab 中將數據歸一化到 0 到 1 之間，具體的執行代碼為 mapminmax(train,0,1)； 得到的輸出結果反歸一化的執行代碼為 mapminmax('reverse',x,y)。
(2)網絡參數設計
①BP神經網絡
通過使用工具箱中的newff ()函數，調用BP神經網絡模型，具體的執行代碼為： net=newff(P_train,T_train， ［S］， {TF}， BTF， BLF， PF) 其中P_train表示沉降監測值的輸入數據；T_train表示期望預測的輸出數據；［S］表示設 置的各層神經元個數，這里我們根據前文所提的三層非線性映射神經網絡，隱含層默認 為一層，輸入層和輸出層的神經元個數可根據沉降監測數據樣本進行設定，隱含層的神 經元個數我們可以采用實驗對比的方式進行確定，或者利用經驗公式進行確定，具體表 達式為：
n = yjm1 + m2 + a (3.2)
式中mi表示輸入層神經元個數，m2表示輸出層神經元個數，a為不確定參數，一般取 值1-10； {TF}表示第i層的傳遞函數，系統默認為tansig函數；BTF表示模型訓練函數, 系統默認為trainlm函數；BLF表示權重修正的學習函數，系統默認為learngdm函數； PF表示為網絡的性能函數，系統默認為mse函數。
網絡參數設計結束后， 還需要對訓練參數進行設計。包括最大的訓練步數 net.trainParam.epochs,根據需求設置；訓練最小誤差 net.trainParam.goal, —般取值 0.001； 訓練速率net.trainParam.lr,根據需求設置。
②RBF神經網絡
通過使用工具箱中的newrb()函數，調用RBF神經網絡模型，具體的執行代碼為：
net = newrb(P_train,T_train,goal,spread,MN,DF);
其中P_train表示輸入數據構成的矩陣；T_train為輸出數據構成的矩陣；goal表示目標 的均方誤差值，用來判斷模型的精度要求，系統默認為0,常取0.001； spread表示徑向 基函數的擴張系數，是影響神經網絡的重要參數，關乎函數的近似平滑度，spread值越 大越平滑，系統默認為 1，這里需要經過大量的實驗比對，選擇最合適的擴張系數； MN 是RBF神經網絡中最大的神經元個數，默認為P_train樣本的指標數；DF為每次迭代 顯示時所添加的神經元個數，系統默認=25。
(3)數據學習形式
為了保證BP和RBF神經網絡預測效果能夠得到良好的對比，本文所對各沉降監測 點在訓練樣本輸入和輸出的形式設置上，所采用的數據學習形式需保持一致，根據所采 集的監測點數據可知，沉降數據的監測累計值實際上屬于時間變化序列，得出輸入端和
輸出端的數據學習形式(表3.7)。
表 3.7 數據學習形式
輸入數據 輸出數據
x(1)、 x(2)， ， x(k) x(k +1)
x(2)、x(3) , , x(k +1) x(k + 2)
x(〃)、x(〃 +1) , , x(〃 + k — 1) x(k + n)
為進一步展示BP和RBF神經網絡模型在Matlab工具中的實現步驟，這里通過流 程圖進行描述，如圖3.12所示。
圖 3.12 神經網絡模型實現流程圖
3.3.2預測結果分析
由章節3.2得到的去噪數據為樣本，以建筑物沉降監測點JC-09為例，在BP神經 網絡的參數設計中，根據多次實驗對比得到BP神經網絡的輸入神經元個數為5,輸出 神經元個數為1,利用經驗公式(3.2)可得n =4-13,故隱含層神經元數目的范圍為4-13 個，這里設定為6個，隱含層的傳遞函數為tansig函數，訓練函數為trainlm函數，學習 函數為learngd函數，性能函數為msereg函數，訓練的最大步數為1000,訓練最小誤差 為0.001,訓練速率為0.01。RBF神經網絡的參數設計中，設定的均方誤差值為0.001, 最大神經元個數為 1000 個， spread 值經過多次比對設為 3 效果最好。
同理，對 JC-10、 DB-10、 DB-11 監測點進行實驗比對設計參數，最終使用 Matlab 工具運用BP神經網絡模型和RBF神經網絡模型分別對JC-09、JC-10、DB-10、DB-11
圖 3.13 各監測點實測值與預測值對比圖
由于章節有限，這里取 JC-09 監測點為例，展示實測值與預測值具體的對比數據如 表 3.8 所示。
表 3.8 JC-09 監測點實測值與預測值對比表
觀測期數 實測值(mm) BP 預測值
(mm) RBF 預測值
誤差率(%) （mm） 誤差率(%)
1 -2.68 -3.0553 13.84 -2.5397 5.37
2 -3.43 -3.3601 2.14 -3.0334 11.65
3 -3.48 -3.2884 5.54 -3.5997 3.40
表 3.8 JC-09 監測點實測值與預測值對比表(續)
觀測期數 BP 預測值 RBF 預測值
(mm) 誤差率(%)
實測值(mm) (mm) 誤差率(%)
4 -3.76 -3.6709 2.41 -3.7116 1.33
5 -3.83 -3.8393 0.13 -3.8347 0.01
6 -3.89 -3.9928 2.56 -3.6929 5.14
7 -3.93 -4.4758 13.94 -3.9277 0.02
8 -4.46 -4.4860 0.66 -4.2525 4.58
9 -4.39 -4.8450 10.37 -4.3905 0.01
10 -4.57 -4.9546 8.34 -4.7735 4.38
11 -5.33 -5.5359 3.80 -5.2328 1.88
12 -5.49 -5.0511 8.03 -5.9736 8.76
13 -5.30 -5.6863 7.22 -5.1319 3.23
14 -5.40 -5.7280 6.12 -5.6301 4.30
15 -5.67 -5.9393 4.77 -5.9790 5.47
通過對監測點實測值與預測結果的誤差率分析得到各點的平均誤差率、綜合平均誤 差率，如表 3.9 所示。
表 3.9 平均誤差率分析表
BP 平均誤差率 RBF 平均誤差率
JC-09 5.99 3.97
JC-10 4.10 3.65
DB-10 6.73 3.81
DB-11 6.25 2.90
綜合平均誤差率 5.77 3.58
為了更好的展現模型預測結果的差異性，對四個監測點的實測值和預測值作差值計
算，使用相對誤差曲線表現各點誤差的振蕩變化幅度，如圖3.14所示。
(c) DB-10監測點 (d) DB-11監測點
圖 3.14 各監測點實測值與預測值相對誤差曲線圖
根據上述圖表可知，BP神經網絡和RBF神經網絡均能較好的完成累計沉降值的預 測。兩種網絡得到的預測曲線均存在突變點，BP神經網絡由于其自身的局限性，容易 造成局部極小值，故而突變點的數量較RBF更多，其最大突變點絕對誤差為0.94mm, RBF的最大突變點的絕對誤差為0.43mm。另外RBF預測結果的綜合平均誤差率為3.58 小于BP預測結果的綜合平均誤差率5.77,故而RBF神經網絡的預測能力較BP神經網 絡更加出色，得到的預測結果更加精準。
3.4房屋裂縫圖像的特征提取算子分析
3.4.1Moravec 特征提取算子
根據第二章的介紹，利用程序實現Moravec特征提取算子的運算過程，在合適的光 源下，采集具有標識符的照片，將照片進行預處理后，進行特征點的提取，通過設計不 同的參數進行對比分析。
參數設計中，初始閾值設置為 1500，根據計算窗口和選取窗口得出六組實驗，如圖
3.15所示。計算窗口的大小分別為：3x3、5x5、7x7、9x9 ,選取窗口的大小分別為:
圖3.15不同窗口下的Morave算子特征點提取效果圖對比
從圖像(a)-圖像(f)可看出，Morave算子提取的特征點數目較多，在閾值保持 不變的情況下，提取特征點數目的變化趨勢大體為計算窗口和選取窗口的大小逐漸增 大，提取的特征點逐漸變少。圖像(a)和圖像(b)中提取的特征點最多，但其中包含 大量的無效特征點，在實際戶外更為復雜的實驗條件下，會造成更多的無效特征點，增 加計算機的工作量，故不予采用。圖像(d)較圖像(c)的計算窗口變大，特征點也增
加了一部分，這里考慮到偶然誤差，而圖像(f)在保留諸多有效角點的情況下，減少 了特征點的數量，因而經過對比研判可知，在閾值不變的情況下，計算窗口為9 x 9、選 取窗口為11 x 11最合適。下一步實驗通過保持窗口的大小不變，進行閾值的對比實驗， 最終實驗結果閾值為2000最合適。
3.4.2Harris 特征提取算子
利用程序實現 Harris 特征提取算子的運算過程，利用 Moravec 特征提取算子的實驗 方法，進行給定閾值在0.5的情況下，進行不同窗口選取的對比實驗，最終得出計算窗
口為5x5、選取窗口 5x5的效果最好，下一步進行閾值選取的的對比實驗，如圖3.16所示。
(c)閾值為0.6 (d)閾值為0.7
圖 3.16 不同閾值下的 Harris 算子特征點提取效果圖對比
通過圖像可以看出， Harris 算子的提取的特征點相對較少，且容易對標識符邊線進 行特征點提取。在不同閾值下的Harris算子特征點提取效果圖差別較小，窗口固定不變 的情況下，提取特征點數目的趨勢大體上為閾值逐漸增大，提取的特征點逐漸變少。通 過圖像的綜合分析，閾值為0.6最合適。
3.4.3Forstner 特征提取算子
利用程序實現Forstner特征提取算子的運算過程，通過將不同設計參數獲取的處理 后的圖像進行對比分析，在給定閾值在0.65的情況下，進行不同窗口選取的對比實驗，
計算窗口的大小分別為：3 x 3 、5 x 5 、7 x 7 、9 x 9 ，選取窗口的大小分別為：5 x 5
圖 3.17 不同窗口下的 Forstner 算子特征點提取效果圖對比
從圖像(a)-圖像(f)可看出，Forstner算子提取的整體效果較為良好，在閾值保 持不變的情況下，提取特征點數目的趨勢大體為計算窗口和選取窗口的大小逐漸增大， 提取的特征點逐漸變少。圖像(a)出現了特征點龐集的現象，且有效角點并為增加， 說明在該窗口大小下，容易造成嚴重的多余計算量。通過圖像的綜合分析，最終計算窗 口為5x5、選取窗口為5x5最合適。下一步實驗通過保持窗口的大小不變，進行閾值的 對比實驗，最終實驗結果閾值為0.5最合適。
3.4.4三種提取算子的對比分析
本文實驗共研究了三種用于房屋裂縫監測的特征點提取算子，通過對戶外現場具有
標識符的實驗拍攝圖像進行處理，對每種算子進行參數對比實驗，分析得出每種算子最
合適的設計參數，得出每種算子的最佳提取效果圖分別如圖3.18、圖3.19、圖 3.20 所示。
圖 3.18 Moravec 算子特征點最佳提取效果圖
圖 3.19 Harris 算子特征點最佳提取效果圖
圖 3.19 Forstner 算子特征點最佳提取效果圖
可以看出 Harris 算子提取的特征值最少，且對于標識符的角點提取效果最差，整體 的提取效果不佳；Moravec算子提取的特征點較為分散，對于標識符角點的提取效果較 好,能夠識別有效特征點，但對于角點識別的精度仍有所欠缺；Forstner算子提取的特 征點較多，無效特征點較多，但對于標識符角點的提取精度較好。綜上所述，由于裂縫 監測的測量主要依據標識符角點的識別，因而本文實驗中采用Forstner特征提取算子， 最終的計算窗口為5 x 5、選取窗口為5 x 5，閾值為0.5。
3.5本章小結
本章介紹了老舊小區房屋沉降監測數據和房屋屬性數據的采集過程，以臨近工程對 老舊小區的沉降影響為例，通過實驗對比，從閾值方式的選擇、基函數的選擇和多尺度 分解進行小波分析的準備，然后對四個沉降監測點數據進行去噪分析，多方面說明由于 外部因素所造成的噪聲對于數據真實性的影響，利用小波去噪能夠減少監測誤差，提高 數據的整體性和精準性。
通過對BP網絡和RBF網絡模型的算法程序設計，分析兩種網絡在構建過程中設計 參數的迥異性，運用Matlab算法程序分別對BP網絡和RBF網絡進行仿真實驗，從模 型的預測結果可以看出RBF網絡較BP網絡的預測的相對誤差更小，預測性能更優，為 類似工程的的沉降監測提供了參考依據。
通過窗口和閾值參數調整的對比實驗，分別確定Moravec算子、Forstner算子和 Harris算子在提取特征點的最佳設計參數，包括計算窗口、選取窗口和閾值，同時經過 對比分析得出Forstner特征提取算子更適用于房屋裂縫監測的人工標識符特征點提取， 最佳的設計參數：計算窗口為5x5、選取窗口為5x5，閾值為0.5。
4BSIMS 的系統設計
4.1系統總體設計
4.1.1系統需求
系統需求是建立整個系統設計重要的一環，全面有效的需求剖析，能夠幫助建立系 統的模塊架構。對于房屋安全信息管理系統而言，需要將數據按照各種要素向管理者直 觀的展現出來，這其中涉及的房屋信息內容雜亂且分類較多，另一方面需要通過系統進 行一系列多元化的操作，能夠便捷的對數據進行編輯、查找、統計、可視化、更新等管 理功能。
城市老舊小區房屋安全信息管理系統由網頁客戶端和服務器端組成，利用計算機技 術為城市管理者提供一個高效的信息管理平臺。系統能夠通過網頁端實現對已建老舊小 區進行查詢與備案，能夠實現對老舊小區房屋的二維可視化，及時準確的記錄和反饋老 舊小區房屋的各類信息。此外，系統需要整合了危舊房屋和改造工程信息，對申請建造 和正在進行的安全鑒定工程進行查詢與把控，對臨近工程影響房屋建筑物沉降和地表沉 降進行監控，采用安全評估模型進行房屋安全評估，利用數字圖像處理技術測量房屋裂 縫病害，并通過百度地圖API的地理信息資源補充系統數據庫。
為實現城市老舊小區房屋安全信息科學高效的管理，按照系統的功能性需求總結出 五個系統模塊，如圖 4.1 所示。
圖 4.1 系統功能性需求模塊圖
同時，系統還需要滿足一些非功能性需求，主要指的系統在滿足功能性業務需求以 外的一系列特性，如系統的易用性、安全性、可靠性等，具體內容如下：
（1）易用性：客戶端操作簡單易懂，用戶界面美觀，房屋安全監管的各部門人群 廣泛，要使多數人能夠在短時間之內學習使用，保證系統的易學習性。
（2）安全性：通過劃分系統角色進行用戶權限控制，在用戶對系統進行訪問后存
儲操作記錄。
（3） 可靠性：用于存儲數據的表格和字段必須滿足信息化規范，并且將系統的故 障率保持一定水平之下，當系統發生錯誤時，不影響用戶的行為和使用，如斷網的情況， 能夠做到關鍵數據的本地保存。
（4） 模塊性：當某一類業務的流程重復變多，將系統功能模塊化，通過靈活配置， 一定程度上減少開發工作量。
4.1.2系統需求分析
（1）系統菜單模塊
系統菜單模塊主要為用戶提供從注冊到登錄的操作，根據用戶情況設置操作權限， 有管理員和普通用戶兩種，這里根據用例圖進行描述，如圖 4.2。管理員具有管理普通 用戶的權限，能夠對系統各個模塊進行操作和管理；普通用戶只能夠簡單的瀏覽系統數 據，對系統數據并無編輯的權限。第一次登入系統的用戶可以采用郵箱進行注冊，在錄 入一些基本信息和驗證碼后登陸，在系統菜單欄中可以進行密碼修改，后臺數據庫會存 儲最新的賬號密碼，保證用戶的安全性。
圖 4.2 系統菜單模塊用例圖
（2） 基礎信息管理模塊 基礎信息管理模塊能在瀏覽器端對房屋識別數據、房屋安全屬性數據、改造工程數
據、危舊房屋數據進行便捷的操作和顯示，每一個子模塊都具有數據列表展示、信息錄 入、信息編輯、信息刪除、批量上傳文件、打包下載列表信息、根據關鍵詞查詢等功能， 以此達到對各子模塊數據進行統計和管理的目的。
（3） 安全監測管理模塊 安全監測管理模塊指的是能對安全鑒定申請、安全鑒定結果和日常巡查管理進行管
理的功能模塊，除了跟基礎信息管理模塊具有一樣的通用功能以外，還需要在查詢安全 鑒定結果和日常巡查結果的列表中具有下載附件文檔的功能，以方便用戶查看完整的安 全鑒定結果和鑒定巡查記錄。
（4）輔助功能模塊
輔助功能模塊包含沉降安全監測、房屋安全評估和房屋裂縫監測三個子模塊。沉降 安全監測模塊是根據歷史沉降監測數據在訓練好的模型預中預測未來的沉降值，通過數 據圖表的瀏覽器端展示，更好的查看累計沉降的軌跡圖；房屋安全評估模塊可通過建立 好的房屋安全評估模型幫助決策者對房屋安全進行定量化的評估，最終得到一個具有參 考價值的安全評定等級和安全等級系數；房屋裂縫監測是通過數字圖像處理技術，利用 圖像上標識符的角點進行裂縫的測量，得出裂縫的累計變化情況。
（5）GIS 地理信息模塊
GIS 地理信息模塊包含通用地址的搜索、地圖導航和歷史記錄的功能，通過將一定 區域內的老舊小區房屋數據在地圖中進行信息化展示，既有房屋屬性的基本信息，又有 項目小區的真實照片，并能夠對地圖上的標注點對進行添加和編輯操作，增加用戶管理 的便捷性。
4.1.3系統架構設計
我國信息化建設的不斷推進，老舊小區房屋信息將面臨全國聯網的趨勢，海量數據 的存儲，系統的安全時效性要求高，傳統的 C/S 模式系統已不能滿足需求。本文系統采 用B/S［44］ （Brower/Server,瀏覽器/服務器）模式作為系統的邏輯基礎，這是一種Web 服務興起后的網絡結構模式。 Web 服務是一種現代的、輕量級的分布式計算方法，其被 定義為“一種旨在支持網絡上可操作的機器對機器交互的軟件系統”。 Web 服務的組件可 以跨越不同的設備，通過封裝某些功能，讓其他應用程序可以通過適當的接口利用 Internet 訪問這些功能，運用預先設定好的查詢語法， Web 服務可以從 Web 上檢索用戶 的特定信息或使用Web上可用的資源來完成指定任務。采用B/S模式能夠將系統功能 實現的核心部分集中在服務器上，通過瀏覽器發送請求，服務器響應需求并執行 html 文件呈現到用戶界面，這種工作模式能夠使用戶在任何地方只需要一臺能上網的電腦或 手機連接系統進行操作，不需要安裝任何其他專門的軟件，將原本需要復雜專用軟件編 碼才可以實現的強大功能用瀏覽器就實現了，簡化了系統的開發和運維成本［45,46］。
系統以B/S模式為基礎，以MVC體系作為邏輯架構，減少系統承載壓力，增加用 戶使用體驗，提高Web項目的開發速度，其具體的架構分為界面層、核心組件層和數 據資源層［47］，如圖 4.3。
接入層 用戶 管理者
表現層 老舊小區房屋安全管理系統網站
業務層 信息管理模塊 安全檢測模塊 查詢模塊
數 據 資 源 層
圖 4.3 系統總體架構圖
（1）界面層
界面層是瀏覽器端的顯示層，這一層是系統業務的用戶直觀體驗層，是用戶與系統 交互的樞紐。這里包含接入層和表現層，接入層用于接受用戶輸入的數據，后臺通過處 理指令響應到前端，表現層主要以 html 為主進行前端展示，通過用 JavaScript 腳本語言 和 Ajax 技術完成動態顯示。
（2） 核心組件層 核心組件層是界面層和數據資源層的橋梁，包含業務層和應用層，主要目的就是為
了實現驗證、計算、運行業務規則等業務邏輯，通過與數據資源層進行數據交互，將實 現的業務邏輯結果傳遞給瀏覽器端，從而完成各模塊和各系統功能的實現。
（3） 數據資源層
數據資源層包含數據庫和基礎設施，數據庫層存儲了系統的所有數據，基礎設施是 作為底層硬件支持。這一層實現對數據的刪除、修改、增加和查詢，通過將數據庫中的 數據轉接給核心組件層，核心層再反饋到界面層通過瀏覽器端進行顯示，同時將核心組 件層處理的數據及時的存儲到數據庫中，完成三層架構的層層交互。
4.1.4系統解決方案
系統整體采用前后端分離結構［48-51］。系統前端采用 Jquery 技術，將請求于服務器的 動態數據返回至網頁上進行效果呈現，整體界面采用 DIV+CSS 方式進行布局，頁面樣 式包括：Html+Bootstrap（基礎樣式框架）+Font awesome（字體及圖表庫，集成于bootstrap 中）+layer（彈出層插件）；系統后端框架采用SpringBoot+ SpringMVC+MyBatis技術，利 用SpringBoot實現底層框架的自動配置，使用SpringMVC作為MVC框架承載Web項 目，采用Java語言進行編程；數據庫以公共地理信息數據和百度地圖API地理信息數 據為基礎，采用開源的 MySQL 數據庫建立老舊小區房屋安全信息數據庫， MySQL 數 據庫建立以后與后臺程序進行有效鏈接，增強系統的數據管理與數據分析能力。由于系 統內數據龐大，網頁采用Ajax技術進行局部更新請求，這樣可以使Ajax訪問網絡得到 json 數據，使用 JavaScript 操作，在網頁追加元素后動態的顯示出來，從而減少網頁與 服務器的交互量。系統利用百度地圖API為接口形成的GIS系統，以網頁端百度地圖為 底圖的展示平臺，構建交互性強、地理信息可視化的管理系統，從而通過對老舊小區的 相關數據進行監控、統計和管理，以滿足房屋安全管理人員的使用需求。
本文主要的系統設計軟件為IntelliJ IDEA2018,其作為全世界最好的Java開發工具 之一，具有強大的整合能力、提示功能的快速便捷、提示功能的范圍廣泛、好用的代碼 模板、精準搜索等優勢，能夠幫助開發者更好的進行項目管理和系統開發。系統設計的 用戶層結構如圖4.4,其中系統前端展示代碼存儲在html文件中，數據庫表結構存儲于 sql 文件中。
H Project ▼ ◎壬 0 —
? Bi mybatis
課 msystem.sql
▼H static
?Bi css
?ES excel
?Di fonts
?Hjs
?Bi resources 器 bpinputhtml 器 editMap.html 聞 favicon.ico 盤 inbound.html 皚 map.html
需 settlingModel.html 器 test html 磊 type.html 盤 updatePwd.html
▼Bl templates
皚 index.html 盤 login.html register.html 蠱 users.html
圖 4.4 系統設計用戶層結構圖
4.2系統開發環境
本文所開發的城市老舊小區房屋安全信息管理系統，根據前面的系統結構設計和功 能模塊選擇合適的系統開發環境，如表 4.1 所示，并依次介紹開發環境中的重要技術。
表 4.1 老舊小區房屋安全信息管理系統開發環境表
工具 說明
Windows7 操作系統
IntelliJ IDEA 2018、Matlab2018a 開發平臺
Java、Html、Javascript、CSS 開發語言
SpringBoot、SpringMVC、MyBatis、百度地圖 API、Ajax 技術工具
MySQL、 Navicat 數據庫及管理工具
1)Spring 框架
Java在誕生之后憑借其諸多優點迅速攀升到編程語言的使用率前列，而后基于Java 實現的各類服務、應用與框架層出不窮，但隨之帶來了一些復雜性問題，如形成“侵入 性”編程、非功能性模塊重復等問題，針對開發者輕量化的需求，歷史最終選擇了開源 組件Spring框架。這是一種開源的包含眾多服務模塊的輕量級應用程序框架，最早由羅 賓•約翰遜于2000年提出。雖然減少了開發者輕量化的需求，但依然存在繁雜的配置工
作，隨后在Spring的基礎上發展出更簡易輕量級的基礎框架 SpringBoot框架［52,53］。
在 SpringBoot 基礎框架中，包含開發過程中經常使用的各類子框架，如 Tomcat、JMS 框架、緩存框架等，由于其耦合了 Spring 框架，能夠使用 Spring 框架中如依賴注入與 控制反轉的功能。傳統的 Spring 框架需要對各種 XML、JavaConfig、hin 進行處理配置， 使用 SpringBoot 框架開發，只需在 Maven、Gradle 的配置文件基礎上添加少量的配置， 就可以在編碼中使用所需要的各類模塊，簡化到幾乎是零代碼、零 XML 配置，能夠做 到開箱即用，讓項目設置變得更為容易，提升 Spring 開發者的效率和體驗，更加專注于 Web 項目的業務邏輯的開發。
目前大多數Web應用程序中使用MVC (Mode-View-Controller)體系模式［54］。MVC 體系模式將用戶界面、控件和數據模型分離，模塊化的將系統接口和核心功能之間耦合 分開。 MVC 架構的三個主要組成部分是模型、視圖和控制器，如圖 4.5 顯示了 MVC 體 系架構不同組件之間的交互流程。 MVC 體系架構的優點包含：應用程序模塊之間的耦 合度低和內聚性高，不同的操作編碼具有多個視圖，清晰的應用程序設計過程，更好的 可伸縮性以及易于維護的應用程序。因而在實際開發中通常使用支持 MVC 的框架進行 Web 應用程序開發。
圖 4.5 MVC 架構交互流程圖
①模型：模型是應用程序的核心功能。它主要負責執行計算，與數據庫建立連接， 通過執行、查詢并處理事務進行管理。控制器將請求發送到模型，然后在處理請求后將 結果返回給控制器。
②視圖：視圖是應用程序的用戶界面。數據在視圖中呈現，由視圖將模型數據展示 給用戶，而用戶與視圖的交互信息傳輸給控制器，通過視圖處理用戶界面上的信息進行 數據及相關樣式的表達，以實現應用程序的功能。
③控制器：控制器處理應用程序中數據交互的部分。用戶的請求從視圖讀取至控制 器中，由控制器處理用戶活動，通過控制器創建對象并調用模型以執行功能，最終將數 據更新到相應的視圖中顯示結果。
Spring 框架具有各種模塊來支持結構化的應用程序開發，例如核心模塊、數據訪問 模塊、對象關系映射模塊和Web模塊。其中Spring框架的Web模塊被稱為SpringMVC[55], 其利用MVC架構的優勢，協助開發人員進行Web應用程序的開發和維護。SpringMVC 采用請求驅動，使用中央的前置控制器來控制應用程序內的請求流，圖 4.6 顯示了 SpringMVC 中的請求流程。
圖 4.6 SpringMVC 請求流程圖
如圖所示，用戶請求被發送到被稱為 SpringMVC 核心的前置控制器，它主要包含 處理器、頁面控制器和視圖解析器的交互。前置控制器將請求轉發到處理器，處理器調 用模型的相關類，執行業務邏輯將返回的數據模型轉發回前置控制器；前置控制器同時 將請求轉發到頁面控制器，映射用戶請求以執行相關組件；前置控制器通過請求視圖解 析器進行渲染，視圖解析器將邏輯視圖解析成具體的視圖，并返回給前置控制器；前置 控制器定位視圖中的jsp或html傳遞模型信息，最終生成界面結果響應用戶請求，到此 一個流程結束。
SpringMVC 提供了一種前后端耦合的方式來開發 web 應用，把復雜的 web 應用分 成邏輯清晰的幾部分，分工明確且可以很容易擴展，能夠支持各種視圖技術，支持各種 請求資源的映射策略，而不僅僅局限于JSP。通過支持注釋以簡化代碼，消除配置文件 并提高代碼可重用性，改善了代碼結構并降低了復雜性，具有自定義的綁定、更好的安 全性和性能改進的優點，從而進一步簡化程序開發，減少出錯頻率。
( 2)Java 技術
Java是一種優秀的跨平臺、面向對象程序設計(Object Oriented Programming)語言 [56,57]，是本文系統設計主要的后臺編寫語言，其作為目前最熱門的編程語言之一，具有 眾多突出的特點，主要有：
①面向對象：Java語言是完全的面向對象，不是C語言那樣面向過程的程序設計語 言。通過將數據封裝于類，結合類的封裝性、繼承性的特點，可以使程序代碼單次編譯。 利用類的特性反復使用，使程序設計簡潔且易于維護，從而將主要精力放到類和接口的 單繼承和多實現機制的設計與應用上。Java繼承了對象的諸多優點，如代碼擴展和代碼 復用，并且Java對各類函數支持動態綁定，而C語言僅對虛函數支持動態綁定。
②語法簡單：Java語言的語法結構類似C和C++,繼承了變量聲明、參數傳遞、控 制流等使用傳統，但拋棄了 C中難懂的運算符重載、多重繼承等一系列復雜概念，不使 用C和C++語言中的最容易產生錯誤數據類型的指針，Java中是沒有指針這一概念的， 并且Java提供了自動內存管理和垃圾回收，有效防止因誤操作而導致的錯誤，使系統資 源得到更好的利用。
③安全性高： Java 語言尤其強調安全性，這種安全性可以分為四類：語言本身安全 性、編譯安全性、程序運行安全性和代碼執行安全性。為了防止程序出現非法訪問資源 的可能，Java對程序提供了安全管理器，會在每次程序運行之前對代碼進行安全性檢查, 進一步確保程序在網絡傳播運行的安全。
④平臺無關性：指Java能運行于不同的平臺，通過引入Java虛擬機(JVM)建立 在 Windows 系統和硬件之上，對設計的程序代碼進行二進制解釋并執行，通過將不同的 平臺接口進行統一化操作，使Java編寫的程序運行于不同的系統平臺，完成平臺無關性, 加速了網絡化的應用開發。
⑤支持多線程：指Java能在操作系統中進行多線程運行。Java提供的繼承Thread 類、實現 Runnable 接口和 Callable 接口的三種創建多線程方法，能夠保證各線程對共享 數據的無誤操作，將所有的多線程代碼用單線程的方式來實現，最大程度的利用 cpu 的 資源，提高程序的執行效率。
(3)MySQL 數據庫
MySQL 是一款研究和商業領域中代表性的開源關系數據庫管理系統。其最早由瑞 典的MySQLAB公司創建開發，隸屬于Oracle旗下產品，是目前最好用的關系型數據 庫管理系統之一，在Internet上的中小型網站的開發中被廣泛應用。如果將數據庫看成 一個存儲數據對象的容器，其中表作為存儲數據的實體，是最基本的數據對象。當數據 庫被創建以后，才可以創建表及其他的數據對象(視圖、觸發器、存儲過程等)，在
MySQL 中將數據存儲在不同的表內，讓所有數據對象放在相應容器內，這樣可以增加 數據存儲的速度和靈活性［58,59］。
MySQL 為網絡提供更為安全快捷的數據庫服務，其具有以下幾個優點：
①快速性：MySQL的核心線程使用完全的多線程，利用多處理器系統工作，提高 處理速度；擁有多種編碼語言的接口（API）,包括C、C++、Java、Python等，并與 PHP相結合，增強網絡數據庫的優越性能；擁有優化的SQL （結構化查詢語言）查詢算 法，能夠有效地提高查詢速度。
②廣泛支持性：MySQL既能在B/S網絡環境中作為單獨的應用程序，也能作為一 個數據庫應用于其他軟件中，在其中提供多語言支持，常見的如GB2312、BIG5作為數 據表名和列名；現有的幾乎所有的系統平臺，均有其對應的版本；能夠支持多種列類型， 如 1-8 字節長度的有符號或無符號的整數、 VARCHAR、 TEXT、 DATE 等；能夠提供 TCP/IP、 JDBC、 ODBC 等多種數據庫連接途徑。
③穩定性：MySQL采用多層結構和獨立模塊進行編寫，每一個模塊不同且穩定， 包含MylSAM表處理器、標準客戶程序、ISAM表處理器和基本SQL函數系統等，通 過對不同模塊進行標準穩定性測試，能夠得出所有的模塊都具有良好的穩定性； MySQL 提供的數據庫操作管理工具，能夠對數據庫進行管理、檢查、優化，以此提高數據庫系 統的穩定性。
（ 4）百度地圖 API
百度地圖API是為開發者免費提供的基于百度地圖的應用程序接口［60］。2005年， 百度發布了第一個百度地圖API，使用戶能夠利用百度地圖中的資源進行用戶自身的 Web程序開發。開發人員可以使用腳本語言（例如JavaScript）將百度地圖集成到自己 設立的外部網站中，訪問百度地圖的服務和數據，使用其提供的海量地理信息、基本地 圖展示、地圖查詢、位置定位、地圖標注和路線規劃等功能，從而構建交互性強、地理 信息可視化的地圖應用程序。百度地圖API支持移動端和PC端瀏覽器的開發，具有開 發簡單、免費開源、可訪問性強和大量實用程序功能等優點，因而被眾多知名的物流、 電商和通信公司運用接口進行合作共建地圖生態。
4.3系統數據庫設計
數據庫設計是指在開發系統的過程中，將存在一定聯系和相關規范格式的數據進行 有效存儲，從而構建最優數據庫及其應用系統，以滿足開發者和用戶的各種數據讀寫需 求。本文所采用的開源關系型數據庫為MySQL，下面根據開發流程的順序，包含數據 庫設計前期階段的實體對象進行E-R模型的概念設計，到轉化為關系型結構的邏輯設 計，最后具體數據庫表的物理設計。
4.3.1概念設計
這里引用概念模型，一種描述數據庫內容的概念型結構，在數據庫設計的初始階段， 拋去計算機系統和數據管理系統(Database Management System, DBMS)的一些技術問 題，純粹考慮數據與數據之間的聯系，通過信息世界的建模，言簡意賅的表達應用中的 各種語義知識，構建一個清晰簡單的“說明書”，通常我們用E-R模型中的E-R圖[61](實 體-聯系圖)描述系統各模塊數據實體之間的聯系，如圖 4.7 所示。
圖 4.7 系統 E-R 概念設計圖
4.3.2邏輯設計
前面用E-R模型展現了各數據實體之間的聯系，而為了設計老舊小區房屋安全信息 數據庫，需要將概念型結構轉化為關系型結構，變成同時面對用戶和數據管理系統所支 持的數據模型，數據庫的邏輯模型設計如圖 4.8 所示。
maps： 搜索百
度api的
詳細數據
hourses:根據
搜索得
到的經緯度等
數據在
地圖上標岀的
小區數據
圖 4.8 邏輯模型設計圖
4.3.3 物理設計
數據庫的物理設計過程就是對數據庫的進行物理結構模型的搭建，這是一種面向計 算機物理表示的設計過程，將概念模型設計中的實體關系轉化為存儲于實際數據庫中的 數據表，不僅描述了數據在存儲介質上的存儲結構與存取方法，同時描述了關系型數據 庫上各個字段的關系。
本文使用的數據管理平臺為navicat,進入軟件后連接選擇MySQL新建連接，本地 默認的主機名為localhost, MySQL的默認端口為3306,輸入默認的用戶名和密碼創建
圖 4.9 navicat 新建數據庫
創建數據庫后，通過數據庫概念設計和邏輯設計的完成，按照網站需求進行msystem 中表的設計，最終物理設計所涉及的表有11 個,如圖4.10所示。包括：用戶管理表users、 房屋識別數據表 houses、 房屋安全屬性數據表 housing_safe 、 改造工程數據表 modification＞危舊房屋數據表dilapidated_house、安全鑒定申請表safe_apply、安全鑒定 結果表safe_result、日常巡查管理表house_search、房屋安全評估表safe_evaluation、沉
降安全監測表 settling、 GIS 地理信息表 maps。
在根據系統提前、檔案查詢、外業調查等方式對數據進行采集后，通過前端信息錄 入功能或數據庫直接錄入的方式將數據寫入對應的表中，并可以用navicat工具對任一 數據進行管理，如圖4.11、圖4.12。
圖 4.11 數據庫管理界面( houses)
圖4.12數據庫管理界面(settling)
在對數據庫進行物理設計的過程中，需定義數據庫、表及字段的命名規范，為設計
表中的字段選擇合適的數據類型，下列對 11 個表的結構進行簡要說明。
(1)用戶管理表，用來存儲用戶的賬戶信息和登錄操作，其結構如下表4.2。
表4.2用戶管理表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id bigint 20 NOT NULL 用戶 id
name varchar 100 NOT NULL 用戶名
password varchar 100 NOT NULL 用戶密碼
email varchar 100 NOT NULL 用戶郵箱
表 4.2 用戶管理表（續）
字段名稱 數據類型 最大長度 是否允許為空 字段含義
status tinyint 4 NOT NULL 用戶狀態
userType tinyint 4 YES 用戶類型
other varchar 50 YES 保留字段
2）房屋識別數據表，用來存儲老舊小區房屋的識別性數據，其結構如下表4.3。
表 4.3 房屋識別數據表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id int 6 NOT NULL 編號
village_name varchar 100 YES 小區名稱
village_address varchar 255 YES 小區地址
village_gis varchar 100 YES 小區 gis
village_type varchar 50 YES 結構類型
village_purpose varchar 20 YES 房屋用途
village_area varchar 20 YES 建筑面積
village_year varchar 50 YES 建造年份
village_floor varchar 10 YES 層數
village_form varchar 50 YES 平面形式
create_time datetime 60 YES 創建時間
village_source varchar 100 YES 信息來源
user id bigint 20 NOT NULL 錄入的用戶 id
（3）房屋安全屬性數據表，用來存儲關于老舊小區房屋詳細的安全屬性數據，其 結構如下表 4.4。
表 4.4 房屋安全屬性數據表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id int 11 NOT NULL 編號
village_name varchar 100 YES 項目小區名稱
zone varchar 255 YES 區位
address varchar 100 YES 地址
structure_type varchar 50 YES 結構類型
build_time varchar 50 YES 建造年份
responsibility varchar 255 YES 五方責任主體
design life varchar 50 YES 設計使用年限
表 4.4 房屋安全屬性數據表（續）
字段名稱 數據類型 最大長度 是否允許為空 字段含義
anti_knock varchar 100 YES 抗震設防烈度
fire_rating varchar 100 YES 建筑防火等級
is_elevator varchar 100 YES 是否有電梯
foundation varchar 100 YES 地基基礎
bearing_structure varchar 100 YES 上部承重結構
building_envelope varchar 100 YES 圍護結構
roof varchar 100 YES 屋面
Identification_level varchar 100 YES 安全鑒定級別
message_source varchar 100 YES 信息來源
user id bigint 20 NOT NULL 錄入的用戶 id
（4）改造工程數據表，用來存儲轄區內老舊小區已完成改造工程的歷史數據，其 結構如下表 4.5。
表 4.5 改造工程數據表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id int 11 NOT NULL 編號
village_name varchar 100 YES 項目小區名稱
zone varchar 255 YES 區位
address varchar 100 YES 地址
structure_type varchar 50 YES 結構類型
build_application varchar 50 YES 建筑用途
build_area varchar 100 YES 建筑面積
build_time varchar 100 YES 建造年份
households varchar 100 YES 戶數
floor varchar 100 YES 層數
plate_form varchar 100 YES 平面形式
modification_time varchar 100 YES 改造時間
modification_content varchar 255 YES 主要整治改造內容
message_source varchar 100 YES 信息來源
user id bigint 20 NOT NULL 錄入的用戶 id
（5）危舊房屋數據表，用來存儲轄區內使用年限過長、安全鑒定等級鑒定為C級 以下的的危舊房屋數據，其結構如下表 4.6。
表 4.6 危舊房屋數據表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id int 11 NOT NULL 編號
zones varchar 100 YES 區位
community varchar 100 YES 社區
building_name varchar 100 YES 建筑名稱
build_area varchar 50 YES 建筑面積
build_time varchar 50 YES 建造年份
households varchar 100 YES 戶數
floor varchar 100 YES 層數
rating_level varchar 50 YES 評定等級
authenticate_level varchar 100 YES 鑒定等級
report_number varchar 100 YES 報告編號
remarks varchar 100 YES 備注
message_source varchar 100 YES 信息來源
user id bigint 20 NOT NULL 錄入的用戶 id
6）安全鑒定申請表，用來存儲轄區內安全鑒定申請的歷史數據，其結構如下表
4.7。
表 4.7 安全鑒定申請表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id int 11 NOT NULL 編號
project_name varchar 100 YES 項目名稱
address varchar 255 YES 項目地址
build_time varchar 100 YES 建造年份
structure_type varchar 50 YES 結構類型
floor varchar 20 YES 層數
plate_form varchar 100 YES 平面形式
entrust varchar 100 YES 委托單位
authenticate varchar 100 YES 鑒定單位
goal varchar 255 YES 鑒定目的
create_time varchar 50 YES 鑒定日期
remarks varchar 1000 YES 備注
user id bigint 20 NOT NULL 錄入的用戶 id
(7)安全鑒定結果表，用來存儲轄區內經批準實施的安全鑒定工程的相關數據， 其結構如下表 4.8。
表 4.8 安全鑒定結果表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id int 11 NOT NULL 編號
project_name varchar 100 YES 項目名稱
address varchar 255 YES 項目地址
entrust varchar 100 YES 委托單位
authenticate varchar 100 YES 鑒定單位
create_time varchar 100 YES 鑒定日期
question varchar 255 YES 目前狀況及存在問題
reason varchar 255 YES 損壞原因分析
attachment varchar 1000 YES 附件地址
user id bigint 20 NOT NULL 錄入的用戶 id
8)日常巡查管理表，用來存儲房屋日常巡查管理的相關數據，其結構如下表4.9。
表 4.9 日常巡查管理表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id int 11 NOT NULL 編號
zones varchar 100 YES 區位
village_name varchar 100 YES 項目小區名稱
address varchar 100 YES 地址
search_type varchar 100 YES 巡查類型
search_time varchar 100 YES 巡查時間
search_person varchar 100 YES 巡查人
phone varchar 100 YES 聯系方式
type_safety_hazard varchar 100 YES 主體結構安全隱患
use_safety_hazard varchar 100 YES 使用安全隱患
fire_safety_hazard varchar 100 YES 消防安全隱患
other_safety_hazard varchar 100 YES 其他安全隱患
handling varchar 255 YES 處理情況
attachment varchar 255 YES 附件地址
user id bigint 20 NOT NULL 錄入的用戶 id
(9)房屋安全評估表，用來存儲安全評估模型進行房屋安全評估的相關數據，其 結構如下表 4.10。
表 4.10 房屋安全評估表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id int 11 NOT NULL 編號
village_name varchar 100 YES 項目小區名稱
address varchar 100 YES 地址
system_weight varchar 100 YES 結構承重系統權重
system_scores varchar 100 YES 結構承重系統分值
attachment_weight varchar 100 YES 非承重系統及附屬物權重
attachment_scores varchar 100 YES 非承重系統及附屬物分值
usage_weight varchar 100 YES 使用狀況權重
usage_scores varchar 100 YES 使用狀況分值
safety_rating varchar 100 YES 安全等級系數
safety_level varchar 100 YES 安全等級
user id bigint 20 NOT NULL 錄入的用戶 id
(10)沉降安全監測表，用來存儲監測的沉降累計值和沉降監測模型的相關數據， 其結構如下表 4.11。
表 4.11 沉降安全監測表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id int 11 NOT NULL 編號
village_id int 100 YES 小區編號
village_name varchar 100 YES 小區名稱
point varchar 100 YES 檢測點
type varchar 100 YES 沉降類型
create_time varchar 100 YES 監測時間
user id bigint 20 NOT NULL 錄入的用戶 id
(ll)GIS地理信息表，用來存儲老舊小區房屋的地理信息數據，其結構如下表4.12。
表 4.12 GIS 地理信息表
字段名稱 數據類型 最大長度 是否允許為空 字段含義
id bigint 20 NOT NULL 主鍵 id
userId bigint 20 NOT NULL 所屬用戶
表4.12 GIS地理信息表（續）
字段名稱 數據類型 最大長度 是否允許為空 字段含義
keyCode varchar 255 YES 搜索時的關鍵字
lat double (20,10) YES 緯度
lng double (20,10) YES 經度
province varchar 20 YES 省
city varchar 20 YES 市
area varchar 20 YES 區
address varchar 255 YES 詳細地址
name varchar 50 YES 具體名稱
street_id varchar 255 YES 百度 api 返回的街道 id
uid varchar 255 YES 百度 api 返回的用戶 id
insertTime datetime 60 YES 插入時間
根據設計表的物理設計和邏輯設計的數據模型圖，生成MySQL數據庫模式定義語
言(DDL),部分腳本代碼如下：
CREATE TABLE 'housing_safe' (
'id' int(11) NOT NULL AUTO_INCREMENT, 'village_name' varchar(100) DEFAULT NULL COMMENT '項目小區名稱', 'zones' varchar(100) DEFAULT NULL COMMENT '區位', 'address' varchar(100) DEFAULT NULL COMMENT '地址', 'structure_type' varchar(50) DEFAULT NULL COMMENT '結構類型', 'build_time' datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP
COMMENT '建造年份',
'responsibility' varchar(255) DEFAULT NULL COMMENT '五方責任主體', 'design_life' varchar(50) DEFAULT NULL COMMENT '設計使用年限', 'anti_knock' varchar(100) DEFAULT NULL COMMENT '抗震設防烈度', 'fire_rating' varchar(100) DEFAULT NULL COMMENT '建筑防火等級', 'is_elevator' varchar(50) DEFAULT NULL COMMENT '是否有電梯', 'foundation' varchar(100) DEFAULT NULL COMMENT '地基基礎', 'bearing_structure' varchar(100) DEFAULT NULL COMMENT '上部承重結構', 'building_envelope' varchar(100) DEFAULT NULL COMMENT '圍護結構', 'roof' varchar(100) DEFAULT NULL COMMENT '屋面', 'Identification_level' varchar(100) DEFAULT NULL COMMENT '安全鑒定級別',
'message_source' varchar(255) DEFAULT NULL COMMENT '信息來源',
'user_id' bigint(20) DEFAULT NULL,
PRIMARY KEY ('id')
) ENGINE=InnoDB AUTO_INCREMENT=17 DEFAULT CHARSET=utf8;
4.4本章小結
本章主要介紹了 BSIMS的總體設計方案。根據系統功能性需求和非功能需求，得 出系統的各模塊功能；對系統的總體架構進行設計，三層架構層層交互，實現對系統的 運行；確定解決方案進行系統開發，并列舉系統開發環境，針對開發過程重要技術的特 點進行介紹，包括Spring家族中SpringMVC和SpringBoot相結合便捷性，以及百度地 圖API技術和MySQL數據庫的優勢。成熟的系統運行往往伴隨著海量數據的讀寫，針 對老舊小區房屋的信息特征，完成對底層數據庫的搭建，分別從概念設計、邏輯設計到 物理設計的三個階段剖析數據庫的整個設計過程；同時為提高系統的可靠性和安全性， 通過編碼為數據庫添加了本地保存和還原功能。
5BSIMS 的功能實現
本章從系統實現的應用層進行研究，對BSIMS的功能實現進行詳細介紹，最終設
圖 5.1 系統功能模塊介紹圖
5.1系統菜單模塊
（1）用戶登錄
用戶登錄是用戶使用系統功能的第一步，在整個網站設計中至關重要。在 IntelliJ IDEA進行網站的發布后，用戶可通過系統入口進行訪問，如圖5.2所示，登錄界面包 含賬號、密碼和驗證碼三欄。在輸入系統管理員的賬號信息和動態驗證碼后點擊登錄按 鈕，系統將使用存儲于后端 MySQL 數據庫中的用戶數據來驗證用戶名和密碼，當用戶 名和密碼均正確時，跳轉到主體功能窗口，當輸入的用戶名信息有誤時，彈出窗口“此 用戶未注冊，請注冊”，當輸入的密碼有誤時，彈出窗口“密碼不正確”。
進行登入操作過程中，為了防止密碼被外部人員運用程序進行暴力破解［62］，需要輸 入驗證碼右側顯示的數字進行登入，驗證碼功能由服務端生成提供，使用java.awt工具 包畫出。具體執行步驟為：前端調用獲取驗證碼圖片的網絡接口，需要在驗證碼端添加 一個隨機數，并防止瀏覽器產生緩存；服務端接到請求后，先隨機生成一個四位數的隨 機字符串(字母數字可自定)，生成后保存到當前的會話session中；生成字符串后使用 awt工具畫出驗證碼的圖片流，將其放入http響應response中；前端獲取響應后，由瀏 覽器展示出驗證碼，用戶按照驗證碼來填寫數字；用戶點擊登錄按鈕，調用登錄接口， 登錄接口中會先校驗驗證碼，把用戶填寫的驗證碼和session中的驗證碼進行比對，若 一致則繼續運行，若不一致則返回錯誤信息給用戶。具體執行代碼如下:
public void getRandcode(HttpServletRequest request, HttpServletResponse response) { HttpSession session = request.getSession();
// Bufferedlmage類是具有緩沖區的Image類,I mage類是用于描述圖像信息的類 BufferedImage image = new BufferedImage(width, height,
BufferedImage.TYPE_INT_BGR);
Graphics g = image.getGraphics();// 產生 Image 對象的 Graphics 對象,改對象可 以在圖像上進行各種繪制操作
g.fillRect(O, 0, width, height);//圖片大小
g.setFont(new Font("Times New Roman", Font.ROMAN_BASELINE, 22));//字體 大小
g.setColor(getRandColor(110, 133));//字體顏色
// 繪制干擾線
for (int i = 0; i <= lineSize; i++) {
drowLine(g);
}
// 繪制隨機字符
String randomString = "";
for (int i = 1; i <= stringNum; i++) {
randomString = drowString(g, randomString, i);
}
log.info(randomString);
〃將生成的隨機字符串保存到session中
// System.out.println(” 驗證碼:"+session.getId());
session.removeAttribute(RANDOMCODEKEY); session.setAttribute(RANDOMCODEKEY, randomString); g.dispose();
try {
// 將內存中的圖片通過流動形式輸出到客戶端
ImageIO.write(image, "JPEG", response.getOutputStream());
} catch (Exception e) {
log.error(”將內存中的圖片通過流動形式輸出到客戶端失敗〉>>> ",e);
(2)用戶管理 對于第一次使用系統的普通用戶，可以注冊賬號進行登錄，用戶注冊界面如圖 5.3。
注冊功能需要前端提供用戶注冊相關信息，然后調用注冊接口，由服務端保存到數據庫 中，具體執行步驟為：用戶填寫注冊信息(賬戶郵箱，用戶名，密碼，驗證碼)；前端通 過Ajax請求把注冊信息發送至后端服務器；校驗驗證碼和密碼后，使用MyBatis框架 調用數據庫，執行保存命令，保存到 msystem 庫的 users 表中；保存用戶后會生成一個 user對象，此時user對象擁有一個增加的id，此id會保存到當前會話session中，以方 便登錄；最后重新定向傳輸到主頁面上，過濾器會查看當前session中時候是否包含id 這個鍵值，若包含會被過濾器攔截請求，若不包含就會強制跳轉到登錄頁面，此時已完 成 id 的注冊，可以進行正常登陸。
老舊小區安全管理系統
毀 am
SMiffitt
用戶名
圖 5.3 用戶注冊界面
系統的用戶權限分為系統管理員和普通用戶。系統管理員劃分原理是通過后臺 MySQL數據庫設置特定id為0，把權限劃為管理員所屬組群，剩下的賬號均為普通用 戶。只有系統管理員賬號admin有權限操作用戶管理功能，且管理員賬戶信息僅能通過 后臺數據庫進行修改，不能自行添加，以此保證系統的安全性。系統管理員擁有對所有 普通用戶進行賬號及權限的一系列設置，能夠查看所有普通用戶的用戶昵稱、注冊郵箱、 所屬組群、目前賬號狀態和初始注冊時間，可以對違規賬戶可以進行停用操作，將賬號 使用權限進行封停。當出現由于用戶的使用不甚導致登入密碼忘記時，可點擊重置按鈕 進行密碼復位，默認密碼設置為 123456，具體用戶管理界面如圖 5.4 所示。
圖 5.4 用戶管理界面
5.2基礎信息管理模塊
本模塊及5.3章安全監測管理模塊依照第三章對XX市老舊小區房屋基本數據和房 屋安全屬性數據的采集，以及近些年轄區內房屋改造工程、危房普查數據的整理，參考 中華人民共和國住房和城鄉建設部頒布的《民用建筑可靠性鑒定標準》（GB50292-201 5）、《危險房屋鑒定標準》（JGJ125-2016）等規范，按照所得數據格式和城市管理者 功能性需求將該模塊分為房屋識別數據、房屋安全屬性數據、改造工程數據和危舊房屋 數據四個子功能模塊。
（ 1 ）房屋識別數據
房屋識別數據是關于老舊小區房屋識別數據的管理模塊，主體界面如圖5.5所示， 該模塊具備一些其他子模塊均有的通用功能，包括搜索查詢、信息錄入、信息編輯和刪 除、 excel 文件批量上傳、數據打包下載。
圖 5.5 房屋識別數據界面
下面對通用功能進行詳細的介紹：
①搜索查詢
為了增加城市管理者的管理效率，系統添加了搜索查詢功能，如圖 5.6。搜索的核 心是后臺數據庫檢索，通常搜索過程的重點不是關注數據在數據庫里存儲在什么位置以 及如何存儲的，而是把關鍵的技術放在搜索條件的選擇上。在數據庫的設計前期中，通 過對字段的設置以滿足查詢的需要，比如把需要記錄的特征設置為主鍵（primary key）， 根據情況設置索引（mdex）列［50］。字段的設置要盡量簡化檢索條件，按照一個或幾個字 段的限制來進行搜索，在不涉及字段之間的相互關系，小區房屋信息的檢索條件比較明 顯，一般是設置一個或幾個字段。整個搜索查詢過程為：前端輸入需要查詢的內容，如 圖選取編號、項目小區名稱、結構類型三個關鍵查詢字段的其中一個，其中編號和項目 小區名稱為精確查詢，結構類型為模糊查詢，然后使用Ajax請求調用查詢接口，服務 端接收到需要查詢的內容，使用MyBatis調用數據庫查詢語句select查詢，查詢結果返 回給前端進行展示。
圖 5.6 搜索查詢功能界面
②信息錄入 隨著城鎮化進程的不斷推進，城市管理者可以結合住建局、房屋權屬檔案、城建規 劃檔案和物業公司等部門單位保存的已建房屋信息進行數據采集，也可以通過外業調查 等方式進行數據采集。在信息獲取后，使用信息錄入功能進行數據錄入，如圖 5.7 所示。 根據老舊小區房屋的主要特征，將房屋識別數據劃分為項目小區名稱、小區地址、小區 GIS 坐標、結構類型、房屋用途、建筑面積、建造年份、層數、平面形式和信息來源（系 統提前、檔案查詢、外業調查）。將各輸入欄的信息填好以后，點擊添加按鈕，新增的 數據保存到后臺 MySQL 數據庫的房屋識別數據表 houses 中，并將結果返回至前端數據 列表欄中。
圖 5.7 信息錄入功能界面
③信息編輯和刪除
城市老舊小區房屋年代跨度大，資料多數為紙質文件容易遺失，在實際數據的收集 中，有的因為資料獲取的準確度不足，有的因為實際建筑物的拆遷，房屋數據不需要儲 存于系統，有的因為工作人員在實際過程中的工作疏忽，因而需要對已錄入信息進行編 輯操作或者刪除操作。當點擊編輯按鈕時，返回至信息錄入的功能界面，通過后臺數據
庫保存的數據上傳到信息錄入界面的每一欄填入框，然后根據實際的編輯需求進行修改 操作；當點擊刪除按鈕，會彈出提示框“您確定要刪除嗎？”，點擊確定即可刪除此欄信 息，根據指令刪除后臺數據庫表中對應數據，隨后更新前端界面。
④Excel批量上傳
信息錄入功能可以一條一條進行錄入操作，但隨著數據的不斷采集，城鎮老舊小區 房屋的數據逐漸龐大，需要更加便捷的錄入方式，為此系統添加了 excel批量上傳的方 式，利用配置好的excel數據模板，下載模板后使用模板進行數據編輯，然后進行批量 上傳，如圖5.8。具體的執行步驟為：利用input框的type=file類型等按鈕提供上傳按鈕 和下載模板按鈕，點擊“下載模板”按鈕，下載房屋識別數據模板表，隨后進行excel表 格錄入；用戶選擇好相應的excel文件后點擊上傳按鈕調用上傳服務，上傳過程使用流 文件的格式傳輸，服務端接收到文件流后會按照文件的格式來處理文件，因本文使用 excel 文件格式導入數據，這里使用 apache 的 poi 工具來處理 office 文件，按照定好的格 式獲取excel中的數據，生成list對象并導入數據庫中，關鍵的執行代碼如圖5.9所示。
rjujLl;
for (int i = 1;皇 <=sheet. getLastRowNufn(); i++} {
Row row = sheet.getRowfi);//獲取索引為i的行，以0開始
String
String
Strin呂
String
String
String
String
String
String _ _ _ _ . _ …
//獲取所有 hour Al i st 中
hourse = new Hourses(villageName? villageAddressvillageGisvillageType^ villagePurpose, villageArea» villageYear_» villageFloor» villageForm」 userid);
hoursesList.add(hourse)i
wb. close。；
} catch (IOException e) {
Log.error(“下載出錯，原因為{}", e.getMessage()); } return hoursesList;
圖 5.9 excel 批量上傳執行代碼
⑤數據下載
隨著數據的不斷錄入，為了方便城市管理者的查閱需求，可以通過網站進行信息的 瀏覽，同時也增加了一鍵下載列表數據的功能，如圖 5.10。在瀏覽器端點擊下載按鈕請 求響應，當服務器端接收以后從數據庫中查詢出需要下載的內容，創建一個臨時的文件 temp.xlsx，使用poi工具把查詢出的數據寫入temp.xlsx中，把temp.xlsx生成文件并命 名為“小區數據”，將文件傳給前端由瀏覽器來下載此文件。
房屋安全屬性數據模塊是關于老舊小區房屋的安全屬性數據的管理，通過第三章介
紹的數據采集方法，增添更多房屋安全屬性的信息，房屋安全屬性數據界面如圖 5.11。 通過五方責任主體確定責任權屬單位；通過設計使用年限，初步判斷建筑物不需要進行 大修即可安全使用的年限，并對臨近使用年限的房屋進行重點排查；通過抗震設防烈度 確定抗震設防等級，重點關注抗震設防等級低的建筑；通過建筑防火等級判斷建筑物的 燃燒性能和耐火極限；其他關于房屋安全屬性的指標，由專業的安全鑒定人員進行現場 監測，如地基基礎的不均勻沉降狀況，上部承重結構、圍護結構、屋面的安全狀況等； 若建筑物進行過安全鑒定，可對安全鑒定結果進行錄入，若沒有進行安全鑒定，可填無。
該模塊的基本操作功能與房屋識別數據模塊類似，數據采集人員對房屋安全屬性數 據進行錄入的過程中，在錄入界面不僅可以使用填入框手動填寫，也可以進行點擊右側 的預選框錄入，通過在前端設置預選框點擊相應的選項自動保存至填入框中，減少信息 錄入的時間，從而增加錄入數據的效率，房屋安全屬性數據錄入界面如圖 5.12 所示。
（3）改造工程數據 隨著老舊小區的年限不斷增加，為滿足房屋的使用功能和使用壽命，確保居民的生 活質量和建筑物的安全可靠，每年政府都會在小區的加固改造上投入大量的財力物力， 如對建筑立面的粉刷、建筑外墻整治、小區樓道院墻出新、更換落水管、修復破損道路、 小區綠化提升、雨污分流、清淤疏通現狀管網和架空線纜整治等。本模塊是針對轄區內 小區房屋的加固改造工程的數據管理，界面如圖 5.13 所示。
圖 5.13 改造工程數據界面
4)危舊房屋數據
危舊房屋是指結構承載力和穩定性已經達不到安全使用的標準，其中使用年限過長 的危舊房屋更是房屋安全主管部門的重點關注對象。通常在判斷某一建筑是否為危房， 由政府下屬的危房鑒定辦公室委托有資質的鑒定公司對老舊房屋結構進行結構安全鑒 定，同時危房鑒定辦公室也會得出一個危房鑒定結果，得到安全鑒定報告、評定等級和 鑒定等級。當安全等級鑒定為 C 級以下時，說明部分承重結構的承載力已經不能滿足正
常使用要求，局部出現險情，該建筑被列為危房，需要政府部門的持續跟進，盡快落實 加固維修措施，具體界面如圖 5.14。
圖 5.14 危舊房屋數據界面
5.3安全檢測管理模塊
（1）安全鑒定申請 房屋安全鑒定是對老舊小區危舊程度判斷的重要鑒定措施，為了讓城市管理者更方 便的掌握轄區內的安全鑒定申請歷史，通過該模塊對被鑒定房屋的基本信息、委托單位、 鑒定單位、鑒定目的和鑒定時間進行統計和管理，安全鑒定申請界面如圖 5.15 所示。安 全檢測管理的通用功能與基礎信息管理模塊一致，同樣具有對數據進行查詢搜索、編輯、 刪除、信息錄入、打包下載和 excel 批量上傳的功能。
圖 5.15 安全鑒定申請界面
（2）安全鑒定結果 為便于統計，在安全鑒定申請模塊中得到批準的項目工程，單獨列出一個子模塊進 行安全鑒定工程的統計與管理，功能界面如圖 5.16。對項目名稱、委托單位、鑒定單位、 工程地址、鑒定日期、目前狀況及存在問題和損壞原因分析進行記錄，詳細的電子版安 全鑒定報告通過信息錄入功能的添加附件按鈕進行上傳，如圖 5.17 所示。
圖 5.16 安全鑒定結果界面
（3）日常巡查管理 根據國家多地的規章條例得知，區房屋主管部門應當同街道辦事處、鄉（鎮）人民 政府對危險房屋開展安全巡查，督促房屋安全責任人及時排除房屋安全隱患；當發現重 大安全隱患的，應當及時向區人民政府和市房屋主管部門報告［63］。老舊小區房屋的安全 隱患排查是按照政府機構進行逐級排查的，具體的日常巡查流程如圖 5.19。工作人員將 巡查結果錄入到系統中，對包含區位、項目小區名稱、地址、巡查類型、巡查時間、巡 查人、聯系方式、主體結構隱患、使用安全隱患、消防安全隱患、其他安全隱患、處理 情況、錄入時間和巡查結果附件下載共 14小項的信息進行統計與管理，日常巡查管理 界面如圖 5.18 所示。日常巡查管理的信息錄入與安全鑒定結果一樣，在信息錄入界面也
圖 5.19 日常巡查流程圖
5.4輔助功能模塊
5.4.1沉降安全監測
（1）數據去噪
將 Matlab 所構建的執行代碼轉化為 function 函數并保存，在命令行輸入 deploytool ， 彈出窗口選擇Library Compiler選項，在Java Package條件下添加Matlab程序代碼的.m 文件，如圖 5.20。在運用 Package 生成 jar 包后，可以與 Java 語言進行混合編程［64］。
圖 5.20 Matlab 導出 jar 包
如圖 5.21，在錄入原始的監測數據后，通過界面下方的下拉框選取小區、監測點和 小波函數，點擊去噪處理按鈕，調用后臺小波去噪模型進行去噪處理，在界面的右側三 欄，分別顯示累計沉降值、去噪值和兩者的差值。
其中利用IDEA工具調用Matlab封裝的jar包具體的代碼如下：
class1 = new Denoise.Class1();
Object[] objects = class1.Denoise(1, doubles); MWNumericArray d = (MWNumericArray)objects[0]; double[] data = d.getDoubleData();
double[] result = new double[data.length];
for (int i = 0; i < data.length; i++)
{result[i] = new BigDecimal(data[i]).setScale(4, BigDecimal.ROUND_HALF_UP).doubleValue();}
圖 5.21 數據去噪功能界面
（2）沉降監測
①沉降監測模型的搭建 沉降監測模型具體的搭建步驟已在第三章進行詳細的介紹，并通過具體工程實例進 行分析。主要的搭建過程是：將小波去噪處理后的數據選用合適的輸入和輸出學習形式， 采用實驗對比和經驗公式等方法得出合適的模型參數，使用Matlab工具箱調用RBF神 經網絡進行模型搭建并完成對沉降累計值的預測。
②功能實現
這部分的功能實現原理與數據去噪功能一致，將執行代碼轉化為function函數，利 用Java Package導出jar包，使用IDEA工具進行模型的調用。在進行往期數據的輸入過 程中，可下載指定模板，通過文件上傳功能進行沉降累計值的批量錄入，通過后臺處理 保存至數據庫的settling表中，數據批量上傳如圖5.22。
圖 5.22 沉降監測數據批量上傳 在預測模型界面中，能夠通過前兩個下拉框選擇指定小區的監測點查詢歷史監測數 據。同時，在選擇好小區、監測點和RBF模型后，根據數據學習形式確定輸入點個數, 點擊預計按鈕，后臺調用jar包進行預測，如圖5.23。
輸出結果：
預測中…
圖 5.23 預測模型界面
其中具體的調用代碼如下：
public void dpNetwork(@RequestParam Double[] inputs) throws MWException
{ Class1 clazz = new Class1();
if (inputs.length != 20) {this.writeFailToResponse("輸入值數量錯誤")；}
Object[]result= clazz.settling(1, inputs, inputs);
MWNumericArray array = new MWNumericArray(result[0])； this.writeSuccessToResponse(array.getDouble())； } 利用神經網絡訓練模型預計下一個日期的沉降值，在界面下方的輸出結果處顯示預 測的累計沉降值，在界面上方顯示往期的沉降監測值，具體如圖 5.24。
輔助決策管理:沉降安全刪
碌號 小因6號 小區名稱 鑒漢點 累計況劇I
1 1 南京老1刖雀 JC-09 2019-08-0119:28:35 -5,66905
2 1 南京老舊小區 JC-09 2019-07-17 19:28:35 -539774
3 1 南京老舊小區 JC-09 2019-07-0219:2&3 5 -5.3033
4 1 南京老舊小區 JC-09 2019-06-17 19:28:35 -5,49225
5 1 南京老IE小區 JC-09 2019-06-0219:28:35 -5,33299
6 1 南京老H小區 JC-09 2019-05-1815:28:35 ■4.5645
7 1 南京老舊小區 JC-09 2019-05-03 19:28:35 ■4.3866
8 1 南京老田小區 JC-09 2019-04-18 19:28:35 -4,45665
9 1 南京老1日小區 JC-09 2019-04-03 19:28:35 -3,92835
10 1 南京老舊小區 JC-09 2019-03-1919:28:35 -3.9115
11 1 南京老田小區 JC-09 2019-03-0419:28:35 -3.8593
12 1 南京老舊小區 JC-09 2019-02-1719:28:35 -3.7995
13 1 南京老陽小區 JC-09 2019-02-02 19:2835 -3.5348
14 1 南京老舊小區 JC-09 2019-01-1819:28:35 -3.4437
15 1 南京老舊小區 JC-09 2019-01-03 19:28:35 -2.7466
上一頁1/2下一貢
輸出結果：
-6.056240939133546
圖 5.24 沉降值數據顯示界面
為了更加直觀的看到沉降變化的動態走向，該模塊增加了數據圖表的子功能。選擇 觀測的小區、監測點后點擊繪制按鈕，通過服務端使用MyBatis查詢出數據庫中的監測 點的累計沉降和時間數據，并使用orgjfree工具繪制折線圖，最后將繪制生成的圖片放 入響應中返回給前端進行展示，如圖5.25所示。
5.4.2房屋安全評估
（1）安全評估分析
系統的安全評估的功能以第二章的AHP-模糊綜合評價理論為基礎，主要分五個步 驟實現：①建立老舊小區房屋層次模型。小區房屋安全狀況評估層次結構第二章的圖 2.9，這里通過影響房屋安全的主要因素建立三層兩級的層次評估模型，三層次包括目標 層、準則層和指標層，兩級是將房屋建筑的安全性評估分為一級指標和二級指標，為了 方便評估調查，每級指標不超過5個影響因素。②確定指標權重系數。權重系數的確定 是層次分析中將定性問題轉化為定量問題的重要步驟，通過兩兩比較獲得各指標的相對 重要權重值，構建指標的判斷矩陣，隨后進行一致性檢驗。③構建指標集和評價集。這 里的評價集指的是對房屋安全等級由好到差進行評估分析及相關說明，將各評價等級定 量化，以求得最終的安全評估系數。④隸屬度矩陣的確定。針對影響房屋安全的二級指 標，調查確定指標隸屬度矩陣。⑤模糊綜合評估。對二級指標進行一級模糊綜合評估和 二級模糊綜合評估，結合評價集得到最終的評估結果。
現以XX市XX小區為例，通過現場情況調查和咨詢有關房屋安全專家，結合已有 研究文獻［35,37］，采用 1-9 比例的標度方法得到判斷矩陣群，如表 5.1-表5.4所示；以及各 評價指標隸屬度，如表5.5 所示。
表 5.1 總體權重關系調查表
結構承重系統 非承重系統及附屬物 使用狀況
結構承重系統 1 6 4
非承重系統及附屬物 1/6 1 1/2
使用狀況 1/4 2 1
表 5.2 結構承重系統權重關系調查表
地基基礎 上部承重結構 主體材料強度 裂縫與變形
地基基礎 1 2 5 5
上部承重結構 1/2 1 3 3
主體材料強度 1/5 1/3 1 1
裂縫與變形 1/5 1/3 1 1
表 5.3 非承重系統及附屬物權重關系調查表
非承重圍護 建筑附屬物
非承重圍護 1 2
建筑附屬物 1/2 1
表 5.4 使用狀況權重關系調查表
出生狀況 已使用年限 裝修改造歷史 周圍環境 設施設備
出生狀況 1 1/2 3 3 2
已使用年限 2 1 6 6 4
裝修改造歷史 1/2 1/6 1 1 1/2
周圍環境 1/6 1/4 1 1 1/2
設施設備 1/2 1/4 2 2 1
表 5.5 評價指標隸屬度
評價指標 指標隸屬度 安全等級
地基基礎 (0.1,0.8,0.1,0) b
結構承重系統 上部承重結構 (0.3,0.6,0.1,0) b
主體材料強度 (0.3,0.5,0.2,0) b
裂縫與變形 (0.2,0.8,0,0) b
非承重系統及附屬物 非承重圍護 (0.1,0.9,0,0) b
建筑附屬物 (0.2,0.8,0，0) b
出生狀況 (0,0.2,0.7,0.1) c
已使用年限 (0,0,0.9,0.1) c
使用狀況 裝修改造歷史 (0.8,0.2,0,0) a
周圍環境 (0.9,0.1,0,0) a
設施設備 (0,0.1,0.7,0.2) c
根據表中的判斷矩陣群，可以得到A、Ai、A?、A3，以結構承重系統為例:
_ 1 2 5 5_
1/2 1 3 3
A1 = 1/6 1/3 1 1
1/6 1/3 1 1
根據公式AW = ^maxW1，計算得到2max=4.0042，—致性指標為：
2 — n
CI = ——=0.0014
n—1
根據表2.2得RI =0.90,檢驗系數CR = C =0.0016<0.1,則A1矩陣滿足一致性要求, 則對應的特征向量W1 = [0.5184 0.2838 0.0989 0.0989『，對應著表中地基基礎、上部承 重結構、主體材料強度和裂縫與變形的權重。
依照例中方法，得到剩下的矩陣計算結果，見表5.6-表5.9。
表 5.6 總體權重計算結果
結構承重系統 非承重系統及附屬物 使用狀況
計算結果 2max=3.0092， CI =0.0046， RI =0.58， CR =0.0079
最終權重 0.7009 0.1062 0.1929
表 5.7 結構承重系統權重計算結果
地基基礎 上部承重結構 主體材料強度 裂縫與變形
計算結果 Amax =4.0042， CI =0.0014， RI =0.90，CR =0.0016
最終權重 0.5184 0.2838 0.0989 0.0989
表 5.8 非承重系統及附屬物權重計算結果
非承重圍護 建筑附屬物
計算結果 Amax =2， CI =0， RI =0
最終權重 0.6667 0.3333
表 5.9 使用狀況權重計算結果
出生狀況 已使用年限 裝修改造歷史 周圍環境 設施設備
計算結果 Amax =5.1168， CI =0.0292， RI =1.12，CR =0.026
最終權重 0.237 0.4731 0.0821 0.0744 0.1334
進行一級模糊綜合評估： 地基基礎(0.1,0.8,0.1,0)，該房屋建筑沉降已基本穩定，但存在部分不均勻沉降， 根據歷史資料和現場勘查，認為其“地基基礎”的分項傾向于等級b；上部承重結構
(03,0.6,0.1,0),等級b：上部承重結構基本滿足承載力；主體材料強度(0.3,0.5,0.2,0), 等級b：材料強度值小于原設計要求，但小于的范圍在5%內；裂縫與變形(0.2,0.8,0,0)， 等級b：裂縫和變形值在設計規范標準和危房鑒定標準之間。根據A = (a1,a2,a3,a4) =
( 0.5184 ，0.2838 ，0.0989， 0.0989)得
同理可得
B2 = A2。R2 = (0.6667,0.3333 )。0.1 0.9 °
2 2 0.2 0.8 0
0 0.2 0.7 0.1
0 0 0.9 0.1
B3 = A3。R3 = ( 0.237,0.4731,0.0821,0.0744,0.1334 )。 0.8 0.2 0 0
0.9 0.1 0 0
0 0.1 0.7 0.2
=(0.1326,0.0846 ,0.6851 ,0.0977 )
進行二級模糊綜合評估：
_ B1 _ _0.1864 0.7136 0.1 0 _
R= B 2 = 0.1333 0.8667 0 0
一 B 3 一 0.1326 0.0846 0.6851 0.0977
0.1864 0.7136 0.1 0
B = A。R = ( 0.7009,0.1062 ,0.1929)。0.1333 0.8667 0 0
0.1326 0.0846 0.6851 0.0977
= (0.1704,0. 6085,0.202 2,0.0188)
得到的綜合評判結果向量B根據最大隸屬度原則，方,中最大的值對應的評價集pn 就是模糊綜合評估最終得到的小區房屋安全評價等級，即評價等級為Bu，其中結構承重 系統的評定等級為b，非承重系統及附屬物的評定等級為b，使用狀況的評定等級為C。 具體的得分S = £ xibi，xi分別為表2.3的定量取值，得安全等級系數為：
i =1
51= 90 x 0.1864 + 70 x 0.7136 + 50 x 0.1 + 30 x 0 = 71.728
52= 90 x 0.1333 + 70 x 0.8667 + 50 x 0 + 30 x 0 == 72.666
53= 90 x 0.1326 + 70 x 0.0846 + 50 x 0.6851 + 30 x 0.0977 = 55.042
S = 90 x 0.1704 + 70 x 0.6085 + 50 x 0.2022 + 30 x 0.0188 = 68.605
(2)系統功能實現
利用AHP-模糊綜合評價法確定房屋安全等級系數和安全等級，通過系統對各指標 的權值、分數、總體的安全等級系數和安全等級進行顯示，同時也具備通用的信息錄入、 查詢、編輯和刪除的功能，左下角提供excel批量上傳和安全評估數據的下載功能，如 圖 5.26 所示。
<-T G 命 ◎必 122.51.149.214/index/index.html
圖 5.26 房屋安全評估界面
點擊房屋安全評估界面中的評估計算按鈕，頁面轉至評估計算界面，界面上方的下 拉框提供了房屋結構類型的選擇，通過選取各指標的下拉框選項，在輸入指標的權重關 系后，根據矩陣計算輸出結果，如圖 5.27。
具體實現是通過調用解決方案層的Eigutil.jar，關鍵的執行代碼如圖5.28。
try {
classl - new EigUtil.Classi();
MWNumericArray data = new MNNtj meric Ar ray (array, la s sID, DOUBi. t);
Object[] objects - classl.EigUtil( : 2j data);
MWNuniEricAirry v = (MWNurrteritzArray)objects[0];
eigv 二 w.tostringO ;
MWNum®ricArray d = (MWNumericArray)obj電
eigo = d,tostrine()；
} catch (MWException e) {
thsw nt?w MsysteirtException(M£ystemException,DfF4L/J ,pit ")；
圖 5.28 評估計算執行代碼
5.4.3房屋裂縫監測
（1）房屋裂縫監測軟件的結構設計 房屋裂縫監測的原理和具體實現已在第二章進行詳細的介紹，并從第三章得知，采 用 Forstner 特征提取算子最適合實驗中圖像的處理，本文的測量采用線性流程，具體的 實現步驟如下圖 5.29。
圖 5.29 裂縫監測軟件實現流程圖
（2）功能實現 進入裂縫監測模塊，在對圖像進行預處理后，網頁端獲取房屋裂縫監測的實時圖像， 利用前端設計劃定每個觀測標志所在的圖像區域，具體功能界面如圖 5.30 所示。其中左 側為圖像的展示區域，角點的選取均需在展示區域進行，界面的下方為選取角點的像素 坐標（x』），總共選取四個角點。界面的右側為功能區，載入圖片按鈕進行圖像的傳輸, 利用后臺數據庫進行圖像的存儲。清除控制點按鈕為重置角點的選取，以方便程序的反 復利用。在右側下拉選擇對象中選擇該像素標定邊的兩個角點，分別以像素標定邊為單 位，在下側填寫該邊的實際距離，程序運算出轉換比例〃，最終計算出測量結果。
圖 5.30 房屋裂縫監測功能界面
具體實現是通過調用解決方案層的pixeljs,關鍵執行代碼如圖5.31。
5.31 評估計算執行代碼 通過戶外實驗對圖像進行周期性采集，利用軟件計算后存儲于數據庫，通過后臺 excel的導出，得出角點1、角點3的測量結果，如圖5.32角點1-角點3為累計變化量 示意圖。
5.5GIS 地理信息模塊
GIS 地理信息模塊包含地址搜索、地圖導航、其他功能三個子模塊。
(1 )地址搜索
調用百度地圖API接口的前置條件是獲取一個百度地圖API的密鑰，其中JavaScript
API 在 v1.5 版本后開始使用 申請 ak 機制， 在登錄百 度 開放服務平臺
(http://developer.baidu.com/user/reg)后，按提示申請ak密鑰，申請完密鑰后進行開發 調用，以下為前端百度地圖調用的具體步驟：
首先頁面引入百度api所需要的js模塊
<script type="text/javascript"
src="http://api.map.baidu.com/api?v=2.0"></script>
//創建地圖實例
varmap = new BMap.Map("allmap")
//初始化進入,設置地圖的中心點坐標和級別
map.centerAndZoom(city, 13)
//添加地圖類型控件
map.addControl(new BMap.MapTypeControl({
mapTypes : [ BMAP_NORMAL_MAP,BMAP_HYBRID_MAP]
}));
map.enableScrollWheelZoom(true); //開啟鼠標滾輪縮放
map.addEventListener("click", popLayer);
//添加點擊地圖并在此添加標記的監聽事件
在添加百度地圖API接口后，可以使用百度地圖提供的豐富控件和類，利用百度地
圖集成到系統前端界面中，訪問百度地圖的服務和數據，調用其提供的海量地理信息。
在搜索框中輸入關鍵字“小區”，搜索查閱轄區內小區的地理信息情況，如圖5.33 所示。 當選擇切換成特定城市搜索時，可以使用“關鍵字&城市”的格式進行搜索，得出名稱、 地址、所屬地區、經緯度四欄信息，對于查詢到有用的結果可以點擊保存按鈕，通過后
臺處理，保存到其他功能子模塊的數據中。
2）地圖導航
傳統的房屋安全信息管理系統多采用 GIS 平臺進行二維化展示，雖然具有空間分析 能力強、數值分析能力強的優點，但也存在開發難度大、建設周期長和運營價格不菲的 缺點。通過前期調研，發現城市管理者對所在轄區老舊小區房屋安全的二維顯示，并不 需要多么強大的渲染能力和數值分析，需要的是具體地點顯示和良好的底圖，這方面百 度地圖更加適合，它提供了基本的底圖，免去了很大一部分底圖數據的維護和制作，在 點的顯示上更具優勢。
通過搜索具體的項目小區，點擊地圖上的地理位置后顯示出一個輸入框，利用百度 地圖的 GIS 數據庫自動獲取該點坐標，隨后備注該點的其他識別信息，包含編號、項目 小區名稱、地址、結構類型、建造年份、層數和平面形式，同時可上傳該點老舊小區的 圖片，方便管理者查看項目實際圖景。具體實現步驟為：在前端使用 JavaScript 的事件 監聽機制（事件捕獲），通過監聽事件監聽地圖上的點擊事件，當地圖上有點擊事件后彈 出一個輸入框用來輸入此地的相關信息；在前端調用百度地圖的執行代碼中的popLayer 方法，就是監聽器發現點擊事件后彈出輸入框的方法，輸入框中確定按鈕綁定了服務器 中的保存功能，點擊確定后數據會保存到數據庫中［65］。
為了能夠讓城市管理者方便的在地圖上查閱轄區內老舊小區的具體信息，點擊地圖
上的紅色標注點時查看該點小區的基本信息，以此增加了管理的便捷性，地圖導航具體 的功能界面如圖 5.34 所示。
（a）標注點信息錄入 （b）標注點信息查看
圖 5.34 地圖導航功能主界面
（3）其他功能 其他功能模塊是根據地圖搜索、地圖導航兩個子模塊的關鍵字搜索得到的歷史記錄 信息，界面如圖 5.35 所示。
GIS地理信息:其他功能
扁號 關鍵宇 i&tit 所屆地區 融度 地圖
1 小區 銅冠花園（撫江二離 銅陵帀銅官區朝陽路412號 安“銅陵市-銅官區 緯 E：30.933315|gJg 吐 17.81_07m 童看
2 小區 觀湖東苑小區 安磁菅銅陵市義安區五松鎮觀湖大道中段觀湖東苑 安躺-銅陵市-義安區 緯 g:30.95901 |gje：117.802025 查看
3 <1嘔 揚村閔 TWL38 號 安密菅榻陵市-銅官區 緯&30.94779|@g：117.83378
4 小區 霸花苑 安徽首裾陵市銅官區泰山大道庸居花苑幼兒園 安勲首銅陵市-銅官區 ^g：30.97869L|gJg：117.83834 童看
5 小區 上峰上城 衣平湖路與天山大道南段交叉口西站傑 安隸育-麗陵市-銅官區 緯 g:30.95078|gE117.84853 «
6 小區 壽江花月 安如洞陵市銅官區舂江花月（長江西路南） 安徽胃榻陵市-銅官區 緯 度:30.943243| 經度:11 了.79755 «
7 小區 萬悻新城 銅陵市石城大道中段876號 安徹首銅陵市搦官區 緯壹：30,94 了222| 經度：31了,8 刃 32
8 小區 五環國際 安數首銅陵市銅官區石城大道與舉湖二8交匯處 安做首墟陵市搦官區 緯 £：30.96 5288| 經度：117,84528
9 小區 逵佳苑小區 安徴首銅陵市銅官區守20碉大翱 熾 安如搦陵市-銅官區 韓度:30.948291 經度:i!7.86096
10 小區 石城新村小區 篦二人民醫院注室 安隸苜榻陵市-銅官區 緯度:30.939152|SJS：117.82581
上一^ 1/10下一頁
圖 5.35 其他功能主體界面
5.6本章小結
本章針對城市老舊小區房屋安全信息管理系統的各模塊的實現進行詳細的論述和 界面展示。
（1）系統菜單模塊：以B/S模式為基礎的系統通過登入界面到系統主界面，使用 驗證碼功能進行隨機字符串的生成增加系統的安全性，新用戶可以根據注冊界面進行賬 號申請，同時為了滿足管理者的需求，通過用戶權限的管理，細分瀏覽權限和管理權限。
(2)基礎信息管理模塊和安全檢測管理模塊：介紹了各模塊通用的搜索查詢、信 息錄入、編輯、刪除、excel文件批量上傳(需要使用下載的模板)和數據打包下載的 功能實現，滿足用戶對于系統日常使用的需求，同時展示了各子模塊功能的實現和系統 數據管理側重點，運用 MySQL 數據庫的優勢，對房屋基礎信息和安全監測信息進行高 效的讀取與輸出。
(3)輔助功能模塊：包括沉降監測功能、安全評估和房屋裂縫監測功能。在利用 第三章的實例分析結果，使用Matlab工具搭建jar包導出至Java開發平臺進行混合編程， 對錄入到網站的沉降累計值進行去噪處理，并預測下一個日期的沉降值，利用 org.jfree 工具在瀏覽器上畫出時間-沉降累計值的折線圖。通過演示房屋安全評估案例，運用AHP- 模糊綜合評價法得到安全評估等級和安全評估系數，進而完成對房屋安全評估功能的系 統實現。通過裂縫監測原理在軟件端的開發，在對具有標識符的現場監測圖像進行預處 理后，選取的指定角點進行測量計算，從而得出房屋裂縫的累計變化值。
(4)GIS 地理信息模塊：包括地址搜索、地圖導航和其他功能。充分利用百度地 圖 API 的海量地理數據，通過在地圖上選擇標注點進行房屋信息的編輯和圖片的上傳， 使房屋信息的空間管理更加便捷。
6總結與展望
6.1 總結
我國城鎮化的逐步推進對現役老舊小區的房屋安全信息管理提出更高的要求。本文 結合某市房屋安全管理部門所得的實際數據，對城市老舊小區房屋安全信息管理技術進 行研究與分析，并開發出一套有效的綜合管理系統，實現了老舊小區房屋數據的錄入、 監測數據采集與模型處理、數據統計分析、圖表輸出、GIS可視化的綜合一體化作業， 能夠較好的滿足政府部門信息化管理需求。
整個系統的研發過程漫長且繁瑣，設計者首先需要對老舊小區房屋的基本理論進行 了解，對房屋安全的相關模型進行學習，結合實際數據分析系統需求，對系統的解決方 案和開發環境進行合理選擇，針對性的掌握開發軟件和編程語言，通過溝通調研進一步 理解用戶需求，從而開發出一套人性化、高效的管理系統。
本文的主要工作和成果如下：
(1)老舊小區房屋安全信息管理系統中的沉降監測模型、房屋安全評估模型和房 屋裂縫監測需要充分的理論支持得以實現，在本文的第二章中對沉降監測數據的預處 理、沉降預測模型、房屋安全評估和房屋裂縫的理論進行分析探究。利用小波分析良好 的時頻域和多尺度分辨的優點，使用工程中常用的閾值法小波去噪消除實際監測過程中 產生的噪聲誤差；沉降預測模型概述了神經網絡中的BP網絡和RBF網絡的網絡算法； 房屋安全評估理論介紹了層次分析法(AHP)和模糊綜合評價法結合構建評估模型的實 現步驟；依據數字圖像處理技術，利用經典圖像特征提取算子，對房屋裂縫監測的實現 原理和實現步驟進行探究。
(2)針對系統需求對數據進行實地采集，包括南京市某地鐵明挖段工程引起周邊 小區建筑物沉降和地表沉降監測數據，以及老舊小區房屋屬性數據、房屋安全數據，并 實例分析去噪模型和沉降預測模型的實現。沉降監測數據的降噪，選用軟閾值處理、 ri grsure 閾值和 dbN 小波基函數進行多尺度分解和重構，選取四個沉降監測點進行去噪處 理與分析，得出多數的絕對誤差在0-0.5mm之間，小波去噪能夠有效減弱噪聲的干擾。 在Matlab工具中分別使用BP網絡和RBF網絡進行仿真實驗，得出RBF網絡預測的綜 合平均誤差率為3.58小于BP網絡預測的綜合平均誤差率5.77，在本文的實例中，RBF 網絡穩定性和精準度等方面均優于BP網絡，更加適用系統功能的實現。通過對Morav ec算子、Forstner算子和Harris算子進行參數設計的對比實驗，得出Harris算子角點提 取效果最差，Forstner算子對于標識符角點的提取精度較好，實驗選用Forstner算子， 并得出最佳設計參數為：計算窗口為5x5、選取窗口為5x5，閾值為0.5。
(3)對BSIMS進行系統設計，包括系統總體設計、系統開發環境分析和系統數據 庫設計。系統總體設計分析了系統的設計需求、系統的架構設計和系統的解決方案。系 統開發采用前后端分離結構，系統前端采用Jquery、Html等技術，界面采用DIV+CSS 方式進行布局，系統后端框架采用SpringBoot+SpringMVC+MyBatis技術，以Java為主 要的編程語言，運用百度地圖API接口實現老舊小區管理的空間展示；系統開發環境中 重點介紹在系統解決方案運用到的關鍵技術；系統數據庫使用開源的 MySQL 數據庫， 展示從概念設計到邏輯解讀，最終物理實現的數據庫設計過程，以此提高加房屋信息資 源的開發利用效率。
(4)研發出一套城市老舊小區房屋安全信息管理系統，各模塊包括：系統菜單模 塊、基礎信息管理模塊、安全檢測管理模塊、輔助功能模塊和GIS地理信息模塊。其中 輔助功能模塊演示了房屋沉降監測、房屋安全評估和房屋裂縫監測實例，利用模型導出 進行系統功能的實現，完成Matlab與Java的混合編程。同時結合數字圖像處理技術進 行程序開發，利用人工標識符的角點進行測量，達到對房屋裂縫進行監測效果。系統采 用B/S (瀏覽器/服務器)模式較于傳統的C/S (客戶端/服務器)模式的管理系統，在 系統的開發和使用上更為經濟、便捷。
6.2展望
本文完成老舊小區房屋安全信息管理系統的初步建設，基本滿足城市管理者對進行 瀏覽器端的操作和日常管理，但由于時間和自身編程能力等多方面的限制，系統多少存 在一些不足的地方，很難滿足更高的要求，希望能夠在今后加以修改和完善，具體有如 下幾方面的不足。
(1)由于系統所得數據和需求主要來源于中小城市，故系統的設計理念和功能模 塊可能不完全滿足某些大城市的要求，應而需要不斷增加系統功能模塊。
(2)系統的輔助功能模塊均是在瀏覽器上完成，不能對老舊小區房屋運行過程中 的突發狀況作出反應，可以預裝監控設備在房屋的重要節點上，通過物聯網技術將采集 到的數據反饋到終端設備，對小區房屋進行實時監測。
致謝
時光荏苒，三年的求學時光真的是轉瞬即逝，回顧過去三年的研究生生活，有太多 太多的人在背后默默的幫助我、支持我。在這期間我飽嘗生活的酸甜苦辣，經歷過壓力， 遭受過傷病的侵蝕，在床上躺過兩個月；有過失意，嘗過欣喜，見過凌晨兩點教研室的 燈火通明，也見過美麗校園的四季交替。在這離別的畢業季，拒絕悲傷，將我對未來的 憧憬烙印在這篇論文的字里行間，漸漸地，仿佛感覺他有了心跳一般。
這篇論文是在導師石杏喜副教授的悉心指導之下完成的。從還沒入學選導師到畢業 這整整三年以來，導師博聞強識的專業知識，嚴謹科學的態度，精益求精的工作作風， 樸實無華、平易近人的人格魅力均對我影響深遠。導師不僅授我以文，而且教我做人， 石老師會在每一次的師兄弟在場的組會過程中，無私的分享自己的人生心得和表達對我 們的祝福，雖歷時三載，卻賦予我終生求進學習之道。本論文從選題到完成，每一步都 是在導師的認真指導下完成的，傾注了導師大量的心血，在此我由衷的向我的導師石杏 喜副教授表示深切的謝意與誠摯的祝福。
感謝研一時候教授我各門課的老師們，每一位老師在臺上孜孜不倦講課的身影我都 歷歷在目，感謝土木工程系的諸位老師們，感謝你們三年來的授業解惑，祝你們身體健 康，事業順利，闔家幸福。
感謝教研室的師兄弟們和同屆的小伙伴們，他們每一個人都是那么的誠摯可愛，共 同構建了 110 教研室良好的學習氛圍和今生難忘的時光。
感謝我的父母，他們早出晚歸供我讀書，助我成長，我需要用這輩子的時間去報答 他們。
感謝所有指導過、審閱過我論文的評審專家，感謝你們的寶貴意見與建議!我會認 真修改我的論文，望今后在寫作方面，取得更大的努力。
感謝所有關心、愛護和幫助過我的人們！
參考文獻
[1]盧端芳.中國住宅工業化的早期發展：歷史回顧與反思J].建筑學 報,2018,(12):50-55.
[2]張新磊.城市房屋使用安全管理現狀分析與對策研究J].房地產導刊,2016,(11):146. ⑶ 姚金偉,蔣云龍.城鎮老舊房屋安全性調查研究[J].建筑工程技術與設
計,2015,(36):2459.
[4]曾漢武.論我國城市既有建筑物管理存在的問題及對策[J].住宅科 技,2011,31(z1):10-12.
[5]王萍.城鎮房屋建筑物使用安全性能評價及管理體系研究[D].浙江大 學,2014:13-24.
⑹ 清華大學.房屋建筑物安全管理制度與技術標準[M].北京:清華大學出版 社.2011:26-36
[7]陸玨. 我國 既有 房屋信息化管理現狀及對策研究 [J]. 中 國 建設信息 化,2018(08):75-77.
[8]徐善初，李惠強.關于既有民用建筑定期安全檢測與維修問題的探討J].安全與環 境工程,2003(02):67-69.
[9]關淋元.基于實用鑒定法和SuperMap GIS的房屋安全鑒定研究[J].測繪與空間地理 信息,2013,36(S1):155-157.
[10]史春樂,陳可君.公共建筑房屋健康檔案管理系統研究與應用[J].工程質 量,2015,33(02):44-47.
[11]王圓圓城市既有建筑信息管理系統設計研究[D].河南:鄭州大學,2016:3-31.
[12]李靜.城市房屋安全管理信息系統研究[D].南京工業大學2015:5-6.
[13]繆秀誠.基于WebGIS的城市危舊房屋監管系統研究與實現[D].浙江工業大 學,2018:58-68.
[14]李睿.國內外房屋建筑物管理制度的比較和借鑒[D].清華大學,2008.59-61.
[15]王謙.既有房屋安全健康檔案信息化管理研究與應用[D].浙江:浙江工業大 學,2010:14-15.
[16]Andrzej Muczynski,Agnieszka Dawidowicz,Ryszard Zrobek. The information system for social housing management as a part of the land administration system — A case study ofPoland[J]. Land Use Policy,2019,86.
[17]肖冰鈺，時宜.向日本建筑抗震學些什么？[N].中國建設報，2013(4).
[18]Jeon, Young-Woo, Choi, Byoung-Suk. IT-based tunneling risk management system(IT-TURISK) - Development and implementation[J]. Tunneling and Underground Space Technology,2009,21(2):190-202.
[19]羅烈.小波變換在變形監測數據去噪和信息提取中的應用研究[D].四川:西南交通 大學,2017.11-12.
[20]Wang P, Yan Y, Tian H. New Method of Image Denoising Based on Fractional Wavelet Transform[J]. Lecture Notes in Electrical Engineering, 2013, 236: 603-609.
[21]黃祿文.基于小波神經網絡理論的建筑物基礎沉降預測研究與應用[D].遼寧:遼寧 工程技術大學,2015:17-18.
[22]王慧琴主編.小波分析與應用[M].北京:北京郵電大學出版社.2011:129-131.
[23]陶珂.小波去噪質量評價方法研究[D].湖南:中南大學,2012:15-16.
[24]Ma, Junhai,Meng, Xiaolei. The Research on Development Path, Mode and Feasibility Based on the Complex Network and the BP Neural Network[J]. Journal of Convergence Information Technology,2012,7(9).
[25]牛志娟基于人工神經網絡預測與分類的應用研究[D].山西:中北大學,2016:10-11.
[26]張澤旭編著.神經網絡控制與MATLAB仿真[M].哈爾濱：哈爾濱工業大學出版 社.2011:5-9.
[27]ZHU Ying.Study on the model of demand forecast-ting based on artificialneural network[C]. The 9th International Symposium on Distributed Computingand Applications to Business, Engineering and Science.Hong Kong,2010:382-386
[28]查天宇，成樞，呂磊.基于灰色BP神經網絡組合模型的深基坑沉降預測J].測繪與空 間地理信息,2019,42(9):212-215.
[29]Liang BoGao. Improved BP Neural Network Model Applied in Settlement Analysis[J] . Applied Mechanics and Materials,2014,3307.
[30]潘文嬋,劉尚東.BP神經網絡的優化研究與應用[J].計算機技術與發 展,2019,29(5):74-76,101.
[31]P. Zakian. An efficient stochastic dynamic analysis of soil media using radial basis function artificial neural network[J]. Frontiers of Structural and Civil Engineering,2017,11(4).
[32]錢旭升.RBF神經網絡的優化設計及應用[D].江蘇:蘇州大學,2017:19-25.
[33]李長冬，唐輝明,胡斌,李東明，倪俊.小波分析和RBF神經網絡在地基沉降預測中的 應用研究[J]巖土力學,2008(07):1917-1922.
[34]梁紅洲.基于AHP-模糊綜合評價法的文旅特色小鎮綜合效益評價研究[D].廣西大 學,2019:41-47.
[35]鐘興潤.既有房屋建筑物安全性評價及其管理研究[D].西安建筑科技大 學,2010:18-20.
[36]Khader M. Hamdia,Mohammed Arafa,Mamoun Alqedra. Structural damage assessment criteria for reinforced concrete buildings by using a Fuzzy Analytic Hierarchy process[J]. Underground Space,2018.
[37]王英,蔡樂剛.既有房屋安全模糊綜合評估方法[J].結構工程師,2016,32(02):92-98.
[38]陳乃炯.鋼筋混凝土結構房屋的可靠性評價與加固方案比選研究[D].南昌大 學,2017:27-29.
[39]Clarke,T.A.1994,An analysis of the properties of targets used in digital close range photogrammetric measurement,Videometrics III.SPIE Vol.2350.Boston.pp.251-262
[40]楊鋼,吳建超,喬岳強,胡慶,湯勇.基于圖像處理技術的房屋裂縫寬度變化實時監測 研究[J].四川建筑科學研究,2018,44(04):13-18.
[41]張劍清，潘勵，王樹根編著.攝影測量學[M].武漢：武漢大學出版社.2009:128-131.
[42]孫向陽.數字圖像特征點的檢測及匹配算法研究[D].太原理工大學,2012:27-31
[43]劉金琨著.RBF神經網絡自適應控制及MATLAB仿真[M].北京：清華大學出版 社.2018:15-26.
[44]王虎基于B/S模式的信息管理平臺[D].天津大學,2018:15-17.
[45]Andy K.D. Wong， Rong Zhang. Implementation of web-basedconstruction project management system in China projects by Hong Kong developers[J]. Construction Innovation,2013,13(1):76-78.
[46]高仁忠，張玉峰.略論Web應用系統的發展[J].情報學報,1999,18(6):483-488. DOI:10.3969/j.issn.1000-0135.1999.06.001.
[47]薛召.快速WEB開發的整合框架的設計與實現[D].北京郵電大學,2013:12-15.
[48]徐雯，高建華.基于Spring MVC及MyBatis的Web應用框架研究[J].微型電腦應 用,2012,28(07):1-4.
[49]王歸航.基于Java的Web開發技術的探討[J].信息系統工程,2018(07):95.
[50]張軍，周玉紅主編.城市規劃數據庫技術[M].武漢：武漢大學出版社.2011:74-90.
[51]Shaparev N,Yakubailik O.Usage of Web Mapping Systems and Services for Information Support of Regional Management[J].2016,79:01081.
[52]張峰.應用SpringBoot改變web應用開發模式[J].科技創新與應用,2017(23):193-194.
[53]SpringBoot研究和應用.王永和，張勁松,鄧安明.信息通信.2016(10): 91-92
[54]Xiaopei Liu， Hui Zou， Tang Fei．Design and implementati on of CIN system based on MVC framework[J] . 2012 9th International Conference on Fuzzy Systems and Knowledge Discovery， 2012， (29)：2656—2664.
[55]葛萌,黃素萍，歐陽宏基.基于Spring MVC框架的Java Web應用[J].計算機與現代 化,2018,(8):97-101.
[56]于靜編著.Java Web應用開發教程[M].北京：北京郵電大學出版社.2010:21-33.
[57]趙鵬.計算機軟件java編程特點及其技術應用[J].科技資訊,2019,17(24):28,30.
[58]ANCA MEHEDINTU,CERASELA PtRVU,CRISTI ETEGAN. INDEXING STRATEGIES FOR OPTIMIZING QUERIES ON MYSQL[J]. Annals of the University ofPetrosani : Economics,2010,X(4).
[59]何元清，魏哲.MySQL數據庫程序設計[M].北京:中國鐵道出版社.2018:16-18.
[60]沈崢，凌鏨岳,胡鐵玲.基于百度地圖的特種設備地理信息系統開發[J].電腦編程技 巧與維護,2016(01):84-86.
[61]楊睿娜.數據庫設計過程中E-R圖向關系模型的轉換[J].硅谷,2009(11):32+48.
[62]潘 勇 .Java Web 網 站 通 用 圖 形 驗 證 碼 的 實 現 [J]. 電 腦 編 程 技 巧 與 維 護,2012,(18):78-79.
[63]李峰.城市居民危舊房屋信息管理系統研究與實現[D].武漢工程大學,2016:69.
[64]周 濤 .Matlab 與 Java 混 合 編 程 的 算 法 復 用 模 型 及 實 現 [J]. 計 算 機 應 用,2017,37(z2):259-262.
[65]李曉飛.公共地理信息發布平臺設計與實現 基于百度地圖API和LightSwitch
開發技術[D].湖北大學,2016:13-18.
下一篇：沒有了
相關標簽:
