汴京堪舆录
方法图解页

系统方法图解

关键公式、变量字典与流程图示在同一页并排展开,对应资料包、双图建模、规则控制、约束协调与修复流程。

系统推演总流程图

本页围绕五个问题展开

  1. 模型解决的核心问题和目标是什么。
  2. 创新优化了什么。
  3. 具体的算法实现方法是什么。
  4. 系统如何检验结果是否可靠。
  5. 最后形成了什么能力。
公式教学卡

从变量到图示,把方法讲透

每张卡片依次给出公式、变量和图示位置,对应系统中的对象、关系与优化步骤,使符号与页面内容一一对应。

公式教学卡

场景状态表示

\[\mathbf{Z}=\{(b_i,c_i,a_i,x_i,r_i)\}_{i=1}^{N}\]

我们不是把历史空间理解为一张静态图片,而是把每个对象写成一组可推理、可优化的状态变量。

\(b_i\)对象的二维 footprint 与边界盒,用来表示平面占据。
\(c_i\)对象类别,如门、院、厅、桥、水岸、摊铺。
\(a_i\)对象属性,如置信度、功能标签、空间等级。
\(x_i\)连续几何参数,决定位置、尺度、朝向与相对偏移。
\(r_i\)对象之间的语义关系,如 front_back、access、near_water。
场景状态表示

网页图示把对象、关系和几何状态拆成可计算单元,说明系统为什么能同时处理建筑、道路、水体与礼序关系。

公式教学卡

证据驱动提案

\[\hat{\mathbf{Z}}^{(0)} = f_{\theta}\!\left(\mathcal{G}^{\mathrm{evid}}\right)\]

证据图首先给出一个初始提案,说明从公开资料出发,模型会先构造出怎样的候选空间结构。

\(\mathcal{G}^{\mathrm{evid}}\)证据图,承接文本、图像、考古与地图片段。
\(f_{\theta}\)证据提案网络,输出对象存在性、关系初值与几何草案。
\(\hat{\mathbf{Z}}^{(0)}\)初始空间提案,是后续规则协调与修复的起点。
证据驱动提案

图中由证据节点汇聚到场景草案,说明“提案”并不是最终答案,而是待协调的起点。

公式教学卡

双图建模

\[\mathcal{G}^{\mathrm{evid}}=(\mathcal{V}^{\mathrm{evid}},E^{\mathrm{evid}},\mathbf{u}^{\mathrm{evid}}),\quad \mathcal{G}^{\mathrm{prior}}=(\mathcal{V}^{\mathrm{prior}},E^{\mathrm{prior}},\Pi)\]

这套系统最关键的做法,是把证据和文化先验拆成两张图,而不是直接混成一团。

\(\mathcal{V}^{\mathrm{evid}}\)证据节点,代表对象候选、证据片段或空间锚点。
\(E^{\mathrm{evid}}\)证据边,表示共现、邻接或同源关系。
\(\mathbf{u}^{\mathrm{evid}}\)证据来源可靠度与不确定性向量。
\(\mathcal{V}^{\mathrm{prior}}\)先验节点,代表中轴、门阈、围合、水体等规则对象。
\(\Pi\)规则库,承接建筑风水文化与传统营建秩序。
双图建模

图示把“证据链”和“文化规则链”明确分开,直观显示系统真正处理的是两类信息的协调问题。

公式教学卡

规则优先级控制器

\[\alpha(c)=[\alpha_1(c),\ldots,\alpha_R(c)],\qquad \alpha_r(c)\in[0,1]\]

不同场景并不共享同一套固定规则权重,控制器会根据上下文决定哪些规则更重要。

\(c\)当前场景上下文,包含场景类型、证据密度和不确定性。
\(\alpha_r(c)\)第 r 条规则在当前场景中的优先级。
\(R\)规则总数。
规则优先级控制器

图示显示院落、桥关、水岸和市街三类场景会激活不同的规则强度,这正是系统区别于固定模板拼装的地方。

公式教学卡

主能量函数

\[\mathcal{E}(\mathbf{Z})=\lambda_{\mathrm{evidence}}E_{\mathrm{evidence}}(\mathbf{Z})+\sum_{r=1}^{R}\alpha_r(c)\phi_r(\mathbf{Z})+\gamma\,\Psi(\mathbf{Z},\hat{\mathbf{Z}}^{(0)})\]

这个能量函数把证据一致性、文化一致性和对初始提案的偏移控制放进同一个优化目标里。

\(E_{\mathrm{evidence}}\)证据一致性项,要求结果不能脱离公开资料。
\(\phi_r\)第 r 条规则的惩罚项,反映礼序、围合、水体关系等要求。
\(\Psi(\mathbf{Z},\hat{\mathbf{Z}}^{(0)})\)偏离初始提案的成本,控制修改幅度。
\(\lambda_{\mathrm{evidence}}, \gamma\)证据与偏移两类目标的权重。
主能量函数

图示把三股力量画成汇聚于同一目标的流线,说明系统既不盲从规则,也不盲从证据。

公式教学卡

硬约束与修复

\[h_j(\mathbf{Z})=0,\ g_k(\mathbf{Z})\le 0,\qquad \mathbf{Z}^{\mathrm{repair}}=\arg\min_{\mathbf{Z}\in\Omega} C_{\mathrm{edit}}(\mathbf{Z},\hat{\mathbf{Z}})+\beta\sum_{r\in\mathcal{R}_{\mathrm{soft}}}w_r\phi_r(\mathbf{Z})\]

修复不是后期美化,而是在满足硬约束的可行空间中做最小编辑,让结果更稳定,也更便于解释与展示。

\(h_j, g_k\)硬约束,负责非重叠、可达、门阈顺序、围合边界等条件。
\(\Omega\)满足全部硬约束的可行域。
\(C_{\mathrm{edit}}\)编辑代价,越小表示修改越克制。
\(\mathbf{Z}^{\mathrm{repair}}\)最终用于展示与讲解的修复结果。
硬约束与修复

图示把“提案”“协调”“修复”三阶段并列展示,能直接看见为什么最后一版更能通过规则检验。

公式教学卡

训练目标

\[\mathcal{L}=\mathcal{L}_{\mathrm{box}}+\mathcal{L}_{\mathrm{orient}}+\mathcal{L}_{\mathrm{height}}+\mathcal{L}_{\mathrm{priority}}\]

训练阶段并不是一句“把模型训好”就结束,而是让提案网络和优先级控制器分别学会几何预测与规则强度判断。

\(\mathcal{L}_{\mathrm{box}}\)对象平面几何回归损失。
\(\mathcal{L}_{\mathrm{orient}}\)朝向预测损失。
\(\mathcal{L}_{\mathrm{height}}\)体量高度预测损失。
\(\mathcal{L}_{\mathrm{priority}}\)规则优先级预测损失。
训练目标

图示把网络训练拆成四个目标,方便说明“模型究竟学到了什么”。

方法叙事

按照系统流程把方法讲完整

内容沿着“问题、创新、算法、验证、结果”五条主线展开,使方法说明与案例、指标和知识页面保持同一语义。

模型解决的核心问题和目标是什么

这套系统面对的是一个典型的数字人文难题:历史都城往往只有零散证据,没有直接可复原的完整蓝图。目标不是制造一张看起来很古风的图片,而是把公开资料、传统建筑秩序和建筑风水文化转写为一条可解释的空间推演流程。

  • 输入是异质的公开资料:文本、图像、考古报道、地理片段。
  • 输出不是黑箱,而是“提案—协调—修复—展示”的完整链路。
  • 结果必须同时回应证据、规则和展示教学三类需求。

创新优化了什么

最核心的创新,是把“证据”和“文化先验”拆成两张图,并用规则优先级控制器在场景级上下文中动态调节它们的权重。这使系统既不会被某一条史料牵着走,也不会被僵硬规则压死。

  • 双图建模让证据与先验解耦,避免信息污染。
  • 优先级控制器让不同场景激活不同规则强度。
  • 最小编辑修复让结果在满足规则的同时保持证据忠实。

具体的算法是怎么运转的

系统先把资料整理成统一的场景资料包,再根据证据图生成一版初始空间草图。随后,规则控制器读取场景上下文,决定中轴、门阈、围合、水体关系等规则在当前案例里该有多强。最后进入约束协调和最小编辑修补,得到可展示的结果。

  • 证据图负责收纳文本、图像、考古与地图线索。
  • 优先级控制器负责按场景重新分配规则强度。
  • 协调与修补负责把冲突压平,同时尽量少改动原始证据。

系统如何验证结果是否可靠

站点里的案例不是随意摆放的效果图,而是经过指标和规则同时检查的场景结果。每个案例都保留证据一致性、文化一致性、规则满足率和编辑代价等信息,便于判断它到底是“像”,还是“有根据”。

  • 证据一致性看结果离原始资料有多远。
  • 文化一致性看礼序、围合、水体与门阈逻辑是否完整。
  • 规则满足率看硬约束是否全部通过。

最后形成了什么能力

最重要的结果不是一张漂亮图片,而是一套可以被阅读、被解释、被比较、被提问的历史空间展示系统。页面既能看图,也能沿着公式、术语、地图和知识页一路追到每个判断背后的依据。

  • 页面结构同时服务展示、教学与复核。
  • 不同类型的历史场景可以放在同一套尺度上比较。
  • 传统建筑与风水文化被落实为空间知识,而不是停留在抽象标签。

具体的算法实现方法是什么

算法实现由五步组成:资料包结构化、证据图提案、规则优先级判断、约束协调优化、最小编辑修复。网页中所有指标、图谱与三阶段图像都围绕这五步展开。

  • 先把场景整理成 Scene Packet,统一对象、关系、来源与证据项。
  • 再用提案网络输出对象、关系与几何初值。
  • 通过约束优化和修复得到最终可展示结果。

系统如何检验结果是否可靠

系统先用合成 packet 训练提案网络与控制器,再在 6 个公开资料 packet 上做推理、评测和可视化。站点同时保留 evidence-only、uniform-prior、no-repair 和 full-model 四类结果,用于最小对比展示。

  • 训练集是合成结构化 packet,保证基本几何与关系可学。
  • 测试集是公开资料扩包后的真实案例包。
  • 评测指标由证据一致性、文化一致性、规则满足率和编辑代价构成。

最后形成了什么能力

当前系统在公开案例集上的 repaired 结果已经实现 FR=1.0,说明所有硬约束都能通过;同时 CC 保持较高水平,证明文化先验确实在提升空间秩序。网页端把这些结果进一步转化为教学图谱、案例对比和知识讲解,以服务展示和传播。

  • FR=1.0 表示当前公开案例都满足硬约束。
  • CC 明显高于 evidence-only,说明规则协调带来了结构提升。
  • 最终输出不仅能看,还能讲、能教、能被质疑和复核。