面向軌道交通的人工智能課程教學(xué)案例庫建設(shè)與實(shí)踐

徐 凱, 何周陽, 徐文軒, 袁浩軒

(1. 重慶交通大學(xué) 信息科學(xué)與工程學(xué)院, 重慶 400074；2. 重慶大學(xué) 弘深學(xué)院, 重慶 401331)

1 人工智能課程教學(xué)案例庫建設(shè)背景

2017年7月,國務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》[1],明確指出新一代人工智能發(fā)展分3步走的戰(zhàn)略目標(biāo),到2030年使我國成為世界主要人工智能創(chuàng)新中心。2018年4月,教育部印發(fā)了《高等學(xué)校人工智能創(chuàng)新行動計劃》[2]。當(dāng)前,人工智能的第三次發(fā)展浪潮來勢迅猛,“四大”國家新一代人工智能開放創(chuàng)新平臺:百度的自動駕駛、阿里云的城市大腦、騰訊的醫(yī)療影像、科大訊飛的智能語音,力圖在新一輪的國際科技競爭中占據(jù)制高點(diǎn),掌握主導(dǎo)權(quán)[3]。人工智能領(lǐng)域的競爭,體現(xiàn)為人才之爭。據(jù)媒體報道,我國人工智能的人才缺口超過500萬,供求比例達(dá)到1∶10[4]。人工智能領(lǐng)域的人才缺口巨大,高等學(xué)校在人才培養(yǎng)方面責(zé)任重大[5]。

“云計算和大數(shù)據(jù)成就人工智能”[6],作為計算機(jī)科學(xué)與技術(shù)的核心課程,其特點(diǎn)如下：

(1) 知識點(diǎn)多、應(yīng)用領(lǐng)域廣。研究領(lǐng)域廣泛, 涵蓋了知識表示與推理、模式識別、機(jī)器學(xué)習(xí)、機(jī)器視覺、計算智能、智能控制、神經(jīng)網(wǎng)絡(luò)、自然語言理解、人工生命、智能機(jī)器人、知識發(fā)現(xiàn)和專家系統(tǒng)等眾多方向,幾乎每個知識點(diǎn)都可設(shè)立課程單獨(dú)講授。人工智能理論與應(yīng)用已經(jīng)滲透到工業(yè)、農(nóng)業(yè)、交通、軍事等諸多領(lǐng)域。

(2) 前沿性強(qiáng)、發(fā)展迅速。人工智能課程內(nèi)容更新快,研究熱點(diǎn)也從符號計算發(fā)展到智能計算、分布式人工智能Agent和深度學(xué)習(xí)。在基于深度學(xué)習(xí)的目標(biāo)檢測和深度學(xué)習(xí)架構(gòu)研究這兩個研究前沿中,我國離世界水平還有一定距離,國內(nèi)學(xué)者還需在該領(lǐng)域不斷奮進(jìn)[7]。

(3) 理論性強(qiáng)、內(nèi)容抽象。人工智能一般解決現(xiàn)實(shí)中的問題,這些現(xiàn)實(shí)問題須進(jìn)行形式化描述,以使其成為可以用數(shù)學(xué)方法解決的問題。這種現(xiàn)實(shí)問題一般比較抽象,較難用形式化方法描述。

這門課程的上述特點(diǎn)導(dǎo)致了教師在教學(xué)中存在如下問題:傳統(tǒng)的“教師講、學(xué)生聽”的信息單向傳輸?shù)慕虒W(xué)模式讓學(xué)生處于被動地位,壓制學(xué)生的主動性和創(chuàng)造性[8]；現(xiàn)有教材理論性強(qiáng),具體實(shí)例少,學(xué)生感覺很抽象；教學(xué)實(shí)踐與工程背景相互脫節(jié)。因此,有必要對人工智能的課程體系、教學(xué)內(nèi)容和方法進(jìn)行全方位改革。

在《高等學(xué)校人工智能創(chuàng)新行動計劃》中,明確提出了探索“人工智能+X”的人才培養(yǎng)模式[9]。鼓勵高校對照國家和區(qū)域產(chǎn)業(yè)需求布點(diǎn)人工智能相關(guān)專業(yè)。當(dāng)前各地掀起了軌道交通建設(shè)熱潮,為適應(yīng)社會對人才需求,我校在計算機(jī)科學(xué)與技術(shù)專業(yè)的研究生培養(yǎng)中,提出了強(qiáng)化軌道交通特色意識,實(shí)施特色競爭戰(zhàn)略。通過調(diào)研發(fā)現(xiàn)國內(nèi)較少有結(jié)合軌道交通開展人工智能課程案例教學(xué)法的研究。因此,以軌道交通行業(yè)為背景,在建立一套完整、規(guī)范的人工智能課程教學(xué)案例庫方面做了以下嘗試。

2 人工智能課程教學(xué)案例庫總體設(shè)計

案例教學(xué)法是一種具有啟發(fā)性和實(shí)踐性的教學(xué)方法[10]。在教學(xué)案例庫設(shè)計原則基礎(chǔ)上,開展了人工智能知識體系的教學(xué)案例庫建設(shè)。

2.1 設(shè)計基本原則

教學(xué)案例庫設(shè)計的基本原則如下:

(1) 案例的規(guī)范性與關(guān)聯(lián)性。案例選材以軌道交通為背景,內(nèi)容緊密結(jié)合人工智能領(lǐng)域相關(guān)理論和方法,突出教學(xué)中的重點(diǎn)和難點(diǎn),內(nèi)容詳實(shí)。讓學(xué)生從教學(xué)案例中有效地理解知識要點(diǎn)及其關(guān)聯(lián)性[11],達(dá)到實(shí)施案例教學(xué)的預(yù)期目標(biāo)和效果。

(2) 案例的互動性與啟發(fā)性。在案例教學(xué)過程中,教師與學(xué)生、學(xué)生與學(xué)生之間能充分互動交流。案例所反映的問題應(yīng)有深度和廣度,啟發(fā)學(xué)生主動思考和研究問題,培養(yǎng)學(xué)生形成嚴(yán)謹(jǐn)?shù)乃季S方式。

(3) 案例的前沿性與創(chuàng)新性。案例建設(shè)要精選前沿性、示范性的案例題目。案例建設(shè)過程中,教師要鼓勵學(xué)生在理論、算法上進(jìn)行大膽嘗試、創(chuàng)新。通過算法提出、過程實(shí)現(xiàn)、結(jié)果仿真、實(shí)驗(yàn)驗(yàn)證環(huán)節(jié),讓學(xué)生切身感受案例教學(xué)的實(shí)踐成果。

(4) 案例的實(shí)用性與真實(shí)性。案例要有真實(shí)的工程背景,讓學(xué)生在學(xué)習(xí)案例的過程中把握相關(guān)工程的設(shè)計規(guī)律,更接近工程實(shí)際[12-13]。案例實(shí)驗(yàn)數(shù)據(jù)來自于工程實(shí)際運(yùn)行,數(shù)據(jù)具有真實(shí)性、連貫性,充分支撐學(xué)生實(shí)踐能力的提高。

2.2 集前沿性、實(shí)用性和行業(yè)性為一體的教學(xué)內(nèi)容改革

人工智能課程的突出特點(diǎn)是研究領(lǐng)域過于寬泛，而授課課時少,因此追求授課內(nèi)容“大而全”是不切合實(shí)際的,有必要精選教學(xué)內(nèi)容。可用較少學(xué)時簡要概括一下經(jīng)典人工智能,如知識表示、搜索技術(shù)等一些基本概念和方法。我們將課程的教學(xué)重點(diǎn)放在新興且實(shí)用的人工智能技術(shù)上,如計算智能、智能控制、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)以及人工智能綜合應(yīng)用等方面。教材和參考資料選擇上應(yīng)多元化,如計算智能參考北京大學(xué)譚營教授譯英吉布雷切特的《計算智能導(dǎo)論》,機(jī)器學(xué)習(xí)參考周志華編著的《機(jī)器學(xué)習(xí)》。同時充分利用人工智能網(wǎng)絡(luò)資源,人工智能典型網(wǎng)站有:中國人工智能協(xié)會http://caai.cn、美國人工智能協(xié)會http://www.aaai.org/home.html、加拿大人工智能協(xié)會http://caiac.ca等。教師要和學(xué)生一起追蹤人工智能方面的重要會議,如AAAI和IJCAI；分析、研究與人工智能相結(jié)合的工程應(yīng)用以及軌道交通領(lǐng)域的頂級國際期刊,如Engineering Applications of Artificial Intelligence、IEEE transactions on intelligent transportation systems等,及時掌握該學(xué)科最新動態(tài),梳理出當(dāng)代人工智能結(jié)合軌道行業(yè)領(lǐng)域的研究熱點(diǎn)。

2.3 基于人工智能教學(xué)內(nèi)容的案例庫建設(shè)

案例選擇要科學(xué),具有系統(tǒng)性、真實(shí)性、典型性和趣味性等特征[14]。我們從國內(nèi)外研究文獻(xiàn)、教師科研項(xiàng)目、學(xué)生畢業(yè)論文等多種途徑,收集案例素材,精心設(shè)計并撰寫各知識要點(diǎn)的教學(xué)案例及內(nèi)容(見表1)。

表1 基于人工智能教學(xué)內(nèi)容的教學(xué)案例示例

3 人工智能教學(xué)案例分析示例

教學(xué)案例的具體設(shè)計要規(guī)范化,應(yīng)包括章節(jié)、知識重點(diǎn)和難點(diǎn)、案例名稱和內(nèi)容、案例分析過程、教學(xué)手段、思考與探究內(nèi)容等諸多方面。案例教學(xué)采用啟發(fā)式、探究式、討論式和參與式的形式[15]。下面分別對3種典型情況進(jìn)行分析討論,包括層層深入剖析案例、多種解決方案案例和綜合集成案例。

3.1 層層深入剖析案例設(shè)計

仿生智能計算中的進(jìn)化計算、粒子群、蟻群算法,在解決復(fù)雜問題優(yōu)化,特別是軌道交通中列車開行方案、列車節(jié)能運(yùn)行、列車速度曲線優(yōu)化和列車運(yùn)行調(diào)整等問題中得到廣泛應(yīng)用。這里以計算智能章節(jié)中的遺傳算法為例,介紹層層深入的剖析案例設(shè)計。

章節(jié):計算智能

知識重點(diǎn):遺傳算法、多目標(biāo)進(jìn)化理論及應(yīng)用。

知識難點(diǎn):遺傳算法基本機(jī)理、多目標(biāo)之間的支配關(guān)系、Pareto最優(yōu)邊界。

案例名稱:基于遺傳算法的地鐵列車運(yùn)行調(diào)整。

案例內(nèi)容:在地鐵列車晚點(diǎn)情況下,構(gòu)建以減少列車總晚點(diǎn)和提高列車到發(fā)均衡性為優(yōu)化目標(biāo)的列車運(yùn)行調(diào)整模型,不考慮起停的附加時分,采用遺傳算法求解該初始晚點(diǎn)情形下的列車運(yùn)行調(diào)整方案。

案例分析過程:設(shè)定線路上有10趟列車在5個連續(xù)的車站依次運(yùn)行,并給出列車在各站間區(qū)間的計劃運(yùn)行時分、計劃停站時分、最小追蹤間隔、最小發(fā)到間隔等諸多參數(shù)。列車計劃運(yùn)行圖為平行運(yùn)行圖,設(shè)定8:00從A站出發(fā)的列車因在B—C區(qū)間發(fā)生誤操作,導(dǎo)致到達(dá)C站時晚點(diǎn)120 s,采用人工智能方法求解該初始晚點(diǎn)情形下的列車運(yùn)行調(diào)整方案。

這是一個列車總晚點(diǎn)時分和到站均衡性的多標(biāo)優(yōu)化問題。在滿足列車最小停站時分、區(qū)間最小運(yùn)行時分和列車最小運(yùn)行間隔等要求約束下,用遺傳算法對上述模型進(jìn)行求解。其解決思路為:首先分析趕點(diǎn)調(diào)整模式,將其作為初始方案；在此基礎(chǔ)上,對各列車在車站的到達(dá)和車站出發(fā)時分分別增加幅值。求解初始方案時,第一列晚點(diǎn)列車以最小區(qū)間運(yùn)行時間和最小停站時間運(yùn)行,直到恢復(fù)原計劃時分為止。后行列車以第一列車趕點(diǎn)運(yùn)行時分為基準(zhǔn),在滿足約束下,求解其最早到達(dá)各車站的運(yùn)行時分,依此類推可確定初始方案。

案例教學(xué)手段:列車運(yùn)行圖調(diào)整演示。

思考與探究內(nèi)容:

(1) 思考問題:適應(yīng)度函數(shù)的設(shè)計是影響遺傳算法搜索方向的關(guān)鍵。針對列車總晚點(diǎn)時分和到站均衡性兩個優(yōu)化目標(biāo),最簡單的做法是采用加權(quán)求和方式。對構(gòu)造的兩個目標(biāo)函數(shù)采用不同權(quán)重系數(shù),將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)問題,得出不同情況下優(yōu)化后的列車運(yùn)行調(diào)整圖,計算出列車總晚點(diǎn)和均衡性指標(biāo),分析在不同權(quán)重系數(shù)下對列車總晚點(diǎn)時分和列車到發(fā)均衡性的影響。

(2) 深入探究問題1:上述采用加權(quán)求和方式來處理目標(biāo)函數(shù)雖然簡單,但存在著如下問題:兩個目標(biāo)之間的單位不一致、各目標(biāo)加權(quán)值的分配主觀性較大；由于多目標(biāo)優(yōu)化問題不存在唯一的全局最優(yōu)解,而是存在多個最優(yōu)解的集合。采用Pareto支配方式對此問題進(jìn)行研究和評價,這才是恰當(dāng)且符合當(dāng)前研究方向的,具有一定的深度和難度。

(3) 深入探究問題2:在應(yīng)用遺傳算法時,可對算法作改進(jìn),比如變異采用自適應(yīng)方式、保護(hù)優(yōu)秀的個體或使用協(xié)同式的遺傳算法后,對計算出列車總晚點(diǎn)和均衡性指標(biāo)有何提升？另外,遺傳算子在為每個個體提供了進(jìn)化機(jī)會的同時,也產(chǎn)生了退化現(xiàn)象。而生物免疫理論卻可抑制進(jìn)化過程中的退化現(xiàn)象,倘若采用免疫進(jìn)化方法來解決此問題,其性能指標(biāo)結(jié)果又會怎樣？

對上述兩個深入探究的問題,分別從多目標(biāo)函數(shù)實(shí)質(zhì)、進(jìn)化算法改進(jìn)等不同角度,分別對其進(jìn)行了層層深入的剖析。不僅訓(xùn)練了學(xué)生的計算思維和分析思維,也訓(xùn)練了學(xué)生的發(fā)散思維。

3.2 采用多種解決方案案例設(shè)計

以智能控制章節(jié)的人工神經(jīng)網(wǎng)絡(luò)原理及其控制為例,介紹高速列車定位采用多種智能解決方案的設(shè)計方法。

章節(jié):智能控制

知識重點(diǎn):人工神經(jīng)網(wǎng)絡(luò)原理及其控制。

知識難點(diǎn):人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。

案例名稱:神經(jīng)網(wǎng)絡(luò)在列車定位中應(yīng)用。

案例內(nèi)容:利用列控系統(tǒng)中應(yīng)答器提供的定位信息,采用不同種類型的神經(jīng)網(wǎng)絡(luò)來降低定位誤差。

案例分析過程:

基于應(yīng)答器實(shí)測數(shù)據(jù)的列車運(yùn)行定位基本原理:當(dāng)測得列車經(jīng)過相鄰位置報告點(diǎn)處速度后,利用速度傳感器或多普勒雷達(dá)測量得到的速度對時間的積分,就可得到列車與最近相關(guān)應(yīng)答器的相對距離,該相對距離加上最近相關(guān)應(yīng)答器的公里標(biāo),即可得到列車的絕對位置。因此利用列控系統(tǒng)中應(yīng)答器和無線消息的信息,就可建立列車位置BP前饋神經(jīng)網(wǎng)絡(luò)計算模型,然后基于所建的模型對列車定位位置的精度進(jìn)行計算和評價。

基于BP神經(jīng)網(wǎng)絡(luò)的算法流程可分為以下3步:BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建、訓(xùn)練和預(yù)測驗(yàn)證,如下圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)算法流程圖

在第一步BP神經(jīng)網(wǎng)絡(luò)構(gòu)建時,將該網(wǎng)絡(luò)設(shè)計成3個輸入、1個輸出和1個隱含層的網(wǎng)絡(luò)結(jié)構(gòu)。3個輸入分別為列車相鄰位置報告點(diǎn)處速度(Vi,j-1,Vi,j)和運(yùn)行時間(ti,j-1,j),輸出為列車在相鄰位置報告點(diǎn)之間的走行距離(Di,j-1,j)。隱含層包含8個神經(jīng)元節(jié)點(diǎn),即3-8-1的網(wǎng)絡(luò)結(jié)構(gòu),如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

在第二步神經(jīng)網(wǎng)絡(luò)訓(xùn)練中,使用歸一化處理后的輸入、輸出數(shù)據(jù),讓訓(xùn)練后的網(wǎng)絡(luò)能預(yù)測非線性函數(shù)的輸出。從樣本數(shù)據(jù)中選2/3訓(xùn)練用,剩余的1/3作為驗(yàn)證數(shù)據(jù),用于測試網(wǎng)絡(luò)的擬合性能。在第三步神經(jīng)網(wǎng)絡(luò)預(yù)測驗(yàn)證中,用第二部分訓(xùn)練好的網(wǎng)絡(luò)對函數(shù)進(jìn)行預(yù)測輸出,對預(yù)測結(jié)果進(jìn)行分析驗(yàn)證。

案例教學(xué)手段:列車定位BP網(wǎng)絡(luò)演示。

思考與探究內(nèi)容:

(1) 思考問題:結(jié)合列車定位問題,教師先介紹BP神經(jīng)網(wǎng)絡(luò)算法流程,逐步讓學(xué)生理解BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計、輸入輸出數(shù)據(jù)的預(yù)處理、初始權(quán)值設(shè)計,并通過現(xiàn)場實(shí)驗(yàn)演示和驗(yàn)證。開展課堂討論,引導(dǎo)學(xué)生對實(shí)驗(yàn)質(zhì)疑。學(xué)生在此過程中提出了很多問題:隱層神經(jīng)元個數(shù)如何確定？網(wǎng)絡(luò)訓(xùn)練過程中為什么會出現(xiàn)震蕩,如何解決？怎樣對訓(xùn)練和權(quán)值調(diào)整進(jìn)行改進(jìn)等？

(2) 多種解決方案探究:工程上常用速度平均法實(shí)現(xiàn)列車的定位,除了這里的BP神經(jīng)網(wǎng)絡(luò)計算模型外,我們還可使用徑向基函數(shù)RBF、自適應(yīng)神經(jīng)模糊推理系統(tǒng)ANFIS作為列車定位的計算模型。因此不僅可將這3種人工智能方法做橫向?qū)Ρ?還要將3種神經(jīng)網(wǎng)絡(luò)模型與速度平均法模型作比較,通過實(shí)驗(yàn)觀察使用人工智能方法,定位誤差在性能評價指標(biāo)上的提高。

另外,神經(jīng)網(wǎng)絡(luò)存在著對未經(jīng)訓(xùn)練的數(shù)據(jù)泛化能力不足的缺陷。出現(xiàn)該問題的根本原因就是神經(jīng)網(wǎng)絡(luò)只考慮了經(jīng)驗(yàn)風(fēng)險最小值,忽略了置信范圍最小化。而支持向量機(jī)SVM則是將這兩個因素同時進(jìn)行考慮,提高了泛化能力。然后引導(dǎo)學(xué)生對這些問題進(jìn)行思考,順勢引出支持向量機(jī)的內(nèi)容。提示學(xué)生能否考慮下一步建立SVM列車位置計算模型,采用在線學(xué)習(xí)策略進(jìn)行相關(guān)實(shí)驗(yàn)。

3.3 綜合集成案例設(shè)計

人工智能課程最后一章應(yīng)作總結(jié),將多種人工智能方法融合在一起,發(fā)揮各自優(yōu)勢來控制復(fù)雜的系統(tǒng),這比單獨(dú)使用一種技術(shù)更靈活、更有效。從控制工程角度看,較為合適的是將模糊、神經(jīng)網(wǎng)絡(luò)和計算智能等技術(shù)巧妙結(jié)合。例如以神經(jīng)網(wǎng)絡(luò)控制為主要骨架,通過模糊推理來調(diào)節(jié)學(xué)習(xí)方法,遺傳算法則實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)優(yōu)化。

章節(jié):人工智能綜合集成應(yīng)用

知識重點(diǎn):人工智能在軌道交通中應(yīng)用。

知識難點(diǎn):人工智能綜合集成技術(shù)。

案例名稱:地鐵列車運(yùn)行智能集成控制。

案例內(nèi)容:以人工神經(jīng)網(wǎng)絡(luò)為主控制器,分別使用模糊系統(tǒng)優(yōu)化神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù),遺傳算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò),從而實(shí)現(xiàn)列車站間運(yùn)行和定位停車控制。

案例分析過程:根據(jù)列車在不同工況下的控制目標(biāo),將列車運(yùn)行劃分為站間運(yùn)行過程和定位停車這兩個階段,并分別對這兩個階段用人工神經(jīng)網(wǎng)絡(luò)方式實(shí)施控制。

對于列車在站間運(yùn)行的控制,使用模糊推理動態(tài)調(diào)整參數(shù)的神經(jīng)網(wǎng)絡(luò)控制,可克服傳統(tǒng)BP算法訓(xùn)練時間長的缺陷,其原理見圖3。根據(jù)列車限制速度和實(shí)際速度,獲取恰當(dāng)?shù)目刂屏窟M(jìn)行列車運(yùn)行控制。首先,要獲取現(xiàn)場系統(tǒng)的測試數(shù)據(jù),利用數(shù)據(jù)驅(qū)動和人工神經(jīng)網(wǎng)絡(luò)具有逼近任意非線性函數(shù)能力,挖掘數(shù)據(jù)中隱含的列車控制規(guī)律,從而用神經(jīng)網(wǎng)絡(luò)代替人以實(shí)現(xiàn)列車控制。

圖3 基于模糊調(diào)整的列車神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

具體實(shí)現(xiàn)過程為:采用離線訓(xùn)練和在線訓(xùn)練相結(jié)合的方式；在離線訓(xùn)練中,為實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的快速收斂,在分析神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)性能的基礎(chǔ)上,讓模糊規(guī)則表記憶所獲得的啟發(fā)式知識,從而動態(tài)地推理出學(xué)習(xí)率和動量因子參數(shù),讓傳統(tǒng)靜態(tài)學(xué)習(xí)算法動態(tài)化,提高學(xué)習(xí)效率。將離線訓(xùn)練得到的權(quán)值和閾值作為在線控制的初始值；下一步進(jìn)行在線訓(xùn)練,將神經(jīng)網(wǎng)絡(luò)求得的控制量作用于列車對象,通過反傳和不斷循環(huán)、在線調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值,以實(shí)現(xiàn)列車站間的運(yùn)行控制。

而對于列車的定位停車控制,采用基于遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)控制,具體實(shí)現(xiàn)過程在此不贅述。

案例教學(xué)手段:基于人工智能的地鐵列車運(yùn)行集成控制演示。

思考與探究內(nèi)容:上述混合智能集成控制能充分調(diào)動模仿人類的模糊推理思維、神經(jīng)網(wǎng)絡(luò)逼近任意非線性函數(shù)以及遺傳算法的優(yōu)化能力,特別適合于解決信息不確定、模型不精確的問題。此時,教師可啟發(fā)學(xué)生進(jìn)一步探索并思考:此問題是否還有其他的智能集成解決方案？如何將智能集成控制與軌道交通領(lǐng)域相結(jié)合？

4 案例教學(xué)的雙循環(huán)、動態(tài)反饋模式

對所建立的案例庫應(yīng)有相應(yīng)的評價指標(biāo),同時還要有完善的質(zhì)量保障措施,這才能保證案例庫建設(shè)的質(zhì)量和教學(xué)效果。案例庫教學(xué)效果評價要素主要涵蓋以下5個方面:案例典型示范性、案例解決方案的明確性、案例理論分析完整性與算法創(chuàng)新性、案例實(shí)驗(yàn)數(shù)據(jù)的充分性及結(jié)論正確性、案例反映實(shí)際工程的真實(shí)程度。同時,應(yīng)制定各項(xiàng)質(zhì)量保障措施,如確定案例建設(shè)內(nèi)容,組織專家論證,提升案例質(zhì)量與水平。通過教師評價、學(xué)生反饋,實(shí)現(xiàn)對案例庫的進(jìn)一步完善。

在案例庫教學(xué)效果評估方面,構(gòu)建了案例教學(xué)的動態(tài)、雙循環(huán)反饋模式(見圖4)。圖4中右邊按箭頭方向是內(nèi)部循環(huán),從案例建設(shè)指標(biāo)、質(zhì)量保障措施和建設(shè)效果評估三方面來實(shí)現(xiàn)對案例庫的持續(xù)改進(jìn)和完善；圖4中左邊按箭頭方向是外部循環(huán),外部循環(huán)用來實(shí)現(xiàn)學(xué)生學(xué)習(xí)效果的跟蹤、考核和反饋,以提高案例庫建設(shè)質(zhì)量。通過案例教學(xué)的內(nèi)外循環(huán)、動態(tài)反饋模式,實(shí)現(xiàn)了對整個案例教學(xué)過程的有效監(jiān)控,保證了案例庫建設(shè)內(nèi)容的充實(shí)性和先進(jìn)性。

圖4 案例教學(xué)的動態(tài)、雙循環(huán)反饋模式

5 結(jié)語

我們進(jìn)行了集前沿性、實(shí)用性和創(chuàng)新性為一體的人工智能課程教學(xué)案例庫建設(shè),與傳統(tǒng)的案例庫建設(shè)相比較,具有典型鮮明的軌道交通行業(yè)特征。從實(shí)踐效果上看,這些教學(xué)內(nèi)容與教學(xué)模式的改革對提高教學(xué)質(zhì)量、培養(yǎng)創(chuàng)新型人才具有重要意義。

人工智能課程案例庫建設(shè)是一個復(fù)雜的過程,有很多規(guī)律需要探索和總結(jié)。案例庫的建設(shè)具有時效性,還需與時俱進(jìn)。我們要不斷對案例庫的教學(xué)方法和手段進(jìn)行探索,拓展案例庫內(nèi)容的深度和廣度,同時也要對案例本身做更進(jìn)一步的創(chuàng)新。