前言：寻找写作灵感？中文期刊网用心挑选的建筑学专业学生综合设计潜力评价探析，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
1概述
建筑学专业是一个跨门类、跨领域、独立性和特殊性很强的学科。一般而言，主要涉及到两大属性。首先是工程类属性，涉及到土木工程领域和建筑学方面的专业知识，包括:城市及建筑规划、建筑设计与绘图、建筑技术、工程施工和管理、安全以及建筑环境科学等等。而另一种就是文化艺术类属性，如建筑语汇、文化艺术的表现力、历史传承、宗教信仰等方面［1］。尽管建筑学专业对本科毕业生综合设计潜力有一系列的评审标准，但因每个高校建筑学专业在其学科实力、教学和评分标准、设计成绩各因素的权重比不同而有很大差异，此外，在综合评价方面往往存在诸多主观人为因素的影响，从而导致对学生整体设计潜力的评价结果往往具有片面性和不准确性［2］。高校建筑学专业本科毕业生设计综合潜力不仅可以帮助学生本人能够更加了解和认知自己，也能让教师客观、准确地了解每位学生的设计潜力、优点以及不足之处，有助于提高教学质量，明确培养方向。对于用人单位而言，准确评估建筑学专业本科生综合设计潜力可以让他们迅速了解和预测加入团队的新成员的设计潜力。因此建立一个较为客观准确的综合设计潜力评价模型，是帮助学生实现自我定位、提高教学质量以及用人单位做到人尽其才的重要保证［3］。人工神经网络(ArtificialNeuralNetworks，简称ANN)是20世纪80年代以来人工智能领域的研究热点，这种对人类大脑的仿真系统可以通过学习来获取外部的知识并存贮在网络内。ANN的学习类型分为有监督型(SupervisedLearning)和无监督型(UnsupervisedLearning)两种［4］。Sup-portVectorMachine神经网络(简称:SVM神经网络)是一种有监督型的神经网络，是CorinnaCortes和Vapnik于1995年提出来的一种建立在统计学习理论的VC维(Vapnik-Cher-vonenkisdimension)理论和结构风险最小原理基础上的机器学习方法［5］。它根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力或称泛化能力的一种方法［6］。该种方法的最大特征是:在统计样本量较少的情况下，也能获得良好统计规律的目的。因此被广泛应用在对小样本、非线性及高维数据进行模式识别、分类以及回归分析［7］。由于对高校建筑学专业本科毕业生综合设计潜力的评估具有上述特性，因此研究团队尝试建立基于SVM神经网络的评价模型，以期能够对建筑学专业毕业生的综合设计潜力有一个公正、客观的整体评价。
2高校建筑学专业本科毕业生综合设计潜力评价指标设定
选择合理的评价指标因素，对高校建筑学专业本科毕业生综合设计潜力的正确评估相当重要。然而，影响高校建筑学专业本科毕业生综合设计潜力评价的因素多而复杂，并且是一个新近出现的、缺乏研究经验及数据积累的课题，因而难以运用常规的客观赋权法进行评价，为此本研究小组对包括全国建筑学专业指导委员会所印发的大量文献资料进行了理论研究和梳理，确定了初步指标。然后通过与多个高校资深建筑学专业教师、建筑设计实践人员及用人单位的多次咨询与反复磋商，在确保指标体系的科学性、全面性、系统性及可实施性的基础上，确定了3个层级，即1个目标层、2个一级指标以及13个二级指标(X1～X13)。由于建筑学专业是艺术与技术并重的一个学科的集合，因此将二级指标定为两大方向，即一个方向是偏重技术和应用科学的工程类属性;另一方向是偏重文科和艺术类的文化艺术类属性。然后每个二级指标下面，又根据建筑学专业特点和课程安排，进一步的分类。工程类属性主要包括规划方向的区域及建筑策划、场地营造等，设计类主要包括建筑功能和空间布局，而建筑技术类则包括建筑结构、构造、建筑物理(建筑环境学)，此外，还包括与建筑实践密切相关的施工与管理，最后为保证建筑的安全性，建筑防灾也被纳入工程类评价类的等级。而文化艺术类二级评价指标则在下面分了材料和空间表现力，以及建筑元素的创新和造型的精神感4个评价指标。总而言之，该建筑学专业本科毕业生设计综合潜力评价指标集的构建秉承着科学性、系统性、层次性、可比性以及可操作性五大原则，采用从宏观到微观，从整体到局部这种逐级深入的方法，尽可能做到全面把控和公正客观的评价建筑学专业本科毕业生的综合设计潜力，以保证建筑学学生经过几年的专业学习后，能拥有较好的独立完成规划设计的能力。高等院校建筑学专业本科毕业生设计综合潜力评价指标见表1。
3基于SVM神经网络评价模型的建构
SVM人工神经网络从本质上避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预测样本的“转导推理”(TransductiveInference)，大大简化了通常的分类和回归等问题，基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法，是一种小样本学习方法，其推广能力明显优于一些传统的学习方法。根据上述的潜力评价指标设定，高校建筑学专业本科毕业生设计综合潜力等级评价的因素共13项(X1～X13)，且各因素间相互关联，呈现明显的非线性特性。因此，高校建筑学专业本科毕业生设计综合潜力等级评价问题实质上属于一个非线性的模式分类问题。高校建筑学专业毕业生综合设计潜力等级评价模型构建过程如图1所示。首先根据表1所设定的评价指标集，研究小组从全国5所高校调研获取了148名建筑学专业本科毕业生综合设计潜力的学生数据，以及按潜力的大小等级标定为大(1)、中(2)、小(3)三个等级的对应评价结果(见表2)。然后从表2中随机抽取118名学生作为训练数据，建立并训练SVM神经网络模型。在构建好模型之后，将剩下的30名学生作为测试数据，用来验证该模型的准确度，并进行适当调整。最后，利用上述调整好的SVM神经网络，将待评价的某高校建筑学专业30名毕业生综合设计潜力的新数据输入，通过仿真输出这些学生的分类结果［8］。
4高校建筑学专业毕业生综合设计潜力等级评价过程
本研究采用MATLAB软件和一个由我国台湾大学林智仁教授开发设计的MATLAB插件“SVM算法工具箱(Libsvm)”。该工具箱对SVM所涉及的参数调节相对较少，提供了很多的默认参数。对于惩罚参数C和核函数参数选择，由于目前国际上没有形成一个统一的模式，只能凭借经验、实验对比，通过大范围搜寻来实现，本次仿真采用了交叉验证的办法，在一定意义下的最佳参数圈内，最终参数选择为C=2，g=1。整个仿真的核心步骤和主要的算法如图2所示，首先对表2中随机抽取其中118名的学生数据作为训练数据，对此进行处理并输入SVM程序，通过运行程序得到经过训练的SVM模型，之后将剩下的30名学生数据作为测试数据来验证训练好的SVM的性能。经过反复调整结果见图3，从图3中可以看到预测的准确率可达到96．66%。评价好网络模型训练后，就可以应用在新的数据模拟仿真之中。本次研究是将一组某高校建筑学专业2017年度的30名毕业生综合设计潜力的三级指标数据输入SVM人工神经网络模型，通过仿真得出结果如图4所示，这30名建筑学专业本科毕业生中综合设计潜力大的学生编号分别是:11号、14号等7名学生为高潜力学生，中等的学生有:1号、8号等14名，剩下的均为潜力小的学生共9名。通过回访追踪这些已毕业学生去向可以发现，被评为高潜力的7位学生中，所有学生都选择从事与建筑设计相关的工作，或者就读高一级的建筑专业学位。而被评为潜力较低的9位学生中，已经有1位学生选择完全脱离建筑行业，4位选择就读研究生学位的同学都没有选择建筑设计方向，而是选择城市规划、建筑技术或建筑史的方向。在对从事建筑设计人员回访中，70%的被评价为中、低潜力的学生都表示会在未来五年内更换工作单位。当被问及更换工作单位的原因时，仅有15%的学生表示薪金待遇出现问题，大部分反映的都是工作压力大，不能很好跟上工作节奏等问题。当被问及将来更换工作的方向时，这些学生中大部分会选择房地产公司、市政规划部门这种较少参与建筑设计的岗位。由此可见，这次综合评定的结果相当的准确可靠。对于那些建筑学专业本科毕业生中综合设计潜力评价较低的学生，并不能代表他们的学习能力和工作水平较低，仅是不一定适合当前的建筑设计岗位。如那位完全脱离建筑领域的学生，毕业后根据自己的兴趣选择自主创业，其发展前景相当不错。因此有一个较为客观准确的评价标准，可以帮助这些学生尽早的实现自我定位，也能协助用人单位做到人尽其才。
5结语
影响高校建筑学专业毕业生综合设计潜力的因素较多，涉及面广且关系复杂，具有隐性与显性难以精确划分，定性与定量并存等特点，只有利用非线性系统才能客观、高效地对其进行综合评价。此外，高校建筑学专业毕业生综合设计潜力评价是新兴的研究课题，需要长期和大量的数据积累。SVM神经网络算法能够对小样本、非线性及高维数据进行模式识别、分类以及回归分析，因此能在最大程度上减少主观评价行为和偏差爱好，从而能给每一个建筑专业毕业生的综合设计潜力给出一个比较客观、标准的评价。本文尝试将SVM人工神经网络理论应用于高校建筑学专业毕业生综合设计潜力等级评价体系当中，通过构建SVM神经网络评价模型，并基于实际数据，利用MATLAB软件和Libsvm工具箱进行仿真实证测试。研究显示该方法较为简洁易用，从已有的数据分析显示出评价结果也较为客观准确。并且该SVM评价模型可以作为一个标准，也可以重复利用和不断地更新并补充，让模拟的准确性不断提高。
作者:吴蔚 吴农 单位:南京大学建筑与城市规划学院 西北工业大学力学与土木建筑学院
