基于SVM的建筑學專業學生綜合設計潛力評價★

吳 蔚 吳 農

(1.南京大學建筑與城市規劃學院，江蘇 南京 210093； 2.西北工業大學力學與土木建筑學院，陜西 西安 710000)

1 概述

建筑學專業是一個跨門類、跨領域、獨立性和特殊性很強的學科。一般而言，主要涉及到兩大屬性。首先是工程類屬性，涉及到土木工程領域和建筑學方面的專業知識，包括：城市及建筑規劃、建筑設計與繪圖、建筑技術、工程施工和管理、安全以及建筑環境科學等等。而另一種就是文化藝術類屬性，如建筑語匯、文化藝術的表現力、歷史傳承、宗教信仰等方面[1]。盡管建筑學專業對本科畢業生綜合設計潛力有一系列的評審標準，但因每個高校建筑學專業在其學科實力、教學和評分標準、設計成績各因素的權重比不同而有很大差異，此外，在綜合評價方面往往存在諸多主觀人為因素的影響，從而導致對學生整體設計潛力的評價結果往往具有片面性和不準確性[2]。高校建筑學專業本科畢業生設計綜合潛力不僅可以幫助學生本人能夠更加了解和認知自己，也能讓教師客觀、準確地了解每位學生的設計潛力、優點以及不足之處，有助于提高教學質量，明確培養方向。對于用人單位而言，準確評估建筑學專業本科生綜合設計潛力可以讓他們迅速了解和預測加入團隊的新成員的設計潛力。因此建立一個較為客觀準確的綜合設計潛力評價模型，是幫助學生實現自我定位、提高教學質量以及用人單位做到人盡其才的重要保證[3]。

人工神經網絡(Artificial Neural Networks，簡稱ANN)是20世紀80年代以來人工智能領域的研究熱點，這種對人類大腦的仿真系統可以通過學習來獲取外部的知識并存貯在網絡內。ANN的學習類型分為有監督型(Supervised Learning)和無監督型(Unsupervised Learning)兩種[4]。Support Vector Machine神經網絡(簡稱：SVM神經網絡)是一種有監督型的神經網絡，是Corinna Cortes和Vapnik于1995年提出來的一種建立在統計學習理論的VC維(Vapnik-Chervonenkis dimension)理論和結構風險最小原理基礎上的機器學習方法[5]。它根據有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的推廣能力或稱泛化能力的一種方法[6]。該種方法的最大特征是：在統計樣本量較少的情況下，也能獲得良好統計規律的目的。因此被廣泛應用在對小樣本、非線性及高維數據進行模式識別、分類以及回歸分析[7]。由于對高校建筑學專業本科畢業生綜合設計潛力的評估具有上述特性，因此研究團隊嘗試建立基于SVM神經網絡的評價模型，以期能夠對建筑學專業畢業生的綜合設計潛力有一個公正、客觀的整體評價。

2 高校建筑學專業本科畢業生綜合設計潛力評價指標設定

選擇合理的評價指標因素，對高校建筑學專業本科畢業生綜合設計潛力的正確評估相當重要。然而，影響高校建筑學專業本科畢業生綜合設計潛力評價的因素多而復雜，并且是一個新近出現的、缺乏研究經驗及數據積累的課題，因而難以運用常規的客觀賦權法進行評價，為此本研究小組對包括全國建筑學專業指導委員會所印發的大量文獻資料進行了理論研究和梳理，確定了初步指標。然后通過與多個高校資深建筑學專業教師、建筑設計實踐人員及用人單位的多次咨詢與反復磋商，在確保指標體系的科學性、全面性、系統性及可實施性的基礎上，確定了3個層級，即1個目標層、2個一級指標以及13個二級指標(X1～X13)。

由于建筑學專業是藝術與技術并重的一個學科的集合，因此將二級指標定為兩大方向，即一個方向是偏重技術和應用科學的工程類屬性；另一方向是偏重文科和藝術類的文化藝術類屬性。然后每個二級指標下面，又根據建筑學專業特點和課程安排，進一步的分類。工程類屬性主要包括規劃方向的區域及建筑策劃、場地營造等，設計類主要包括建筑功能和空間布局，而建筑技術類則包括建筑結構、構造、建筑物理(建筑環境學)，此外，還包括與建筑實踐密切相關的施工與管理，最后為保證建筑的安全性，建筑防災也被納入工程類評價類的等級。而文化藝術類二級評價指標則在下面分了材料和空間表現力，以及建筑元素的創新和造型的精神感4個評價指標。

總而言之，該建筑學專業本科畢業生設計綜合潛力評價指標集的構建秉承著科學性、系統性、層次性、可比性以及可操作性五大原則，采用從宏觀到微觀，從整體到局部這種逐級深入的方法，盡可能做到全面把控和公正客觀的評價建筑學專業本科畢業生的綜合設計潛力，以保證建筑學學生經過幾年的專業學習后，能擁有較好的獨立完成規劃設計的能力。高等院校建筑學專業本科畢業生設計綜合潛力評價指標見表1。

表1 高等院校建筑學專業本科畢業生設計綜合潛力評價指標

3 基于SVM神經網絡評價模型的建構

SVM人工神經網絡從本質上避開了從歸納到演繹的傳統過程,實現了高效的從訓練樣本到預測樣本的“轉導推理”(Transductive Inference),大大簡化了通常的分類和回歸等問題,基本上不涉及概率測度及大數定律等,因此不同于現有的統計方法,是一種小樣本學習方法,其推廣能力明顯優于一些傳統的學習方法。

根據上述的潛力評價指標設定，高校建筑學專業本科畢業生設計綜合潛力等級評價的因素共13項(X1～X13)，且各因素間相互關聯，呈現明顯的非線性特性。因此，高校建筑學專業本科畢業生設計綜合潛力等級評價問題實質上屬于一個非線性的模式分類問題。

高校建筑學專業畢業生綜合設計潛力等級評價模型構建過程如圖1所示。首先根據表1所設定的評價指標集，研究小組從全國5所高校調研獲取了148名建筑學專業本科畢業生綜合設計潛力的學生數據，以及按潛力的大小等級標定為大(1)、中(2)、小(3)三個等級的對應評價結果(見表2)。然后從表2中隨機抽取118名學生作為訓練數據，建立并訓練SVM神經網絡模型。在構建好模型之后，將剩下的30名學生作為測試數據，用來驗證該模型的準確度，并進行適當調整。最后，利用上述調整好的SVM神經網絡，將待評價的某高校建筑學專業30名畢業生綜合設計潛力的新數據輸入，通過仿真輸出這些學生的分類結果[8]。

表2 建筑學專業本科畢業生綜合設計潛力的學生數據樣本及等級

4 高校建筑學專業畢業生綜合設計潛力等級評價過程

本研究采用MATLAB軟件和一個由我國臺灣大學林智仁教授開發設計的MATLAB插件“SVM算法工具箱(Libsvm)”。該工具箱對SVM所涉及的參數調節相對較少，提供了很多的默認參數。對于懲罰參數C和核函數參數選擇，由于目前國際上沒有形成一個統一的模式，只能憑借經驗、實驗對比，通過大范圍搜尋來實現，本次仿真采用了交叉驗證的辦法，在一定意義下的最佳參數圈內，最終參數選擇為C=2,g=1。整個仿真的核心步驟和主要的算法如圖2所示，首先對表2中隨機抽取其中118名的學生數據作為訓練數據，對此進行處理并輸入SVM程序，通過運行程序得到經過訓練的SVM模型，之后將剩下的30名學生數據作為測試數據來驗證訓練好的SVM的性能。經過反復調整結果見圖3，從圖3中可以看到預測的準確率可達到96.66%。

評價好網絡模型訓練后，就可以應用在新的數據模擬仿真之中。本次研究是將一組某高校建筑學專業2017年度的30名畢業生綜合設計潛力的三級指標數據輸入SVM人工神經網絡模型，通過仿真得出結果如圖4所示，這30名建筑學專業本科畢業生中綜合設計潛力大的學生編號分別是：11號、14號等7名學生為高潛力學生，中等的學生有：1號、8號等14名，剩下的均為潛力小的學生共9名。

通過回訪追蹤這些已畢業學生去向可以發現，被評為高潛力的7位學生中，所有學生都選擇從事與建筑設計相關的工作，或者就讀高一級的建筑專業學位。而被評為潛力較低的9位學生中，已經有1位學生選擇完全脫離建筑行業，4位選擇就讀研究生學位的同學都沒有選擇建筑設計方向，而是選擇城市規劃、建筑技術或建筑史的方向。在對從事建筑設計人員回訪中，70%的被評價為中、低潛力的學生都表示會在未來五年內更換工作單位。當被問及更換工作單位的原因時，僅有15%的學生表示薪金待遇出現問題，大部分反映的都是工作壓力大，不能很好跟上工作節奏等問題。當被問及將來更換工作的方向時，這些學生中大部分會選擇房地產公司、市政規劃部門這種較少參與建筑設計的崗位。由此可見，這次綜合評定的結果相當的準確可靠。

對于那些建筑學專業本科畢業生中綜合設計潛力評價較低的學生，并不能代表他們的學習能力和工作水平較低，僅是不一定適合當前的建筑設計崗位。如那位完全脫離建筑領域的學生，畢業后根據自己的興趣選擇自主創業，其發展前景相當不錯。因此有一個較為客觀準確的評價標準，可以幫助這些學生盡早的實現自我定位，也能協助用人單位做到人盡其才。

5 結語

影響高校建筑學專業畢業生綜合設計潛力的因素較多，涉及面廣且關系復雜，具有隱性與顯性難以精確劃分，定性與定量并存等特點，只有利用非線性系統才能客觀、高效地對其進行綜合評價。此外，高校建筑學專業畢業生綜合設計潛力評價是新興的研究課題，需要長期和大量的數據積累。SVM神經網絡算法能夠對小樣本、非線性及高維數據進行模式識別、分類以及回歸分析，因此能在最大程度上減少主觀評價行為和偏差愛好，從而能給每一個建筑專業畢業生的綜合設計潛力給出一個比較客觀、標準的評價。

本文嘗試將SVM人工神經網絡理論應用于高校建筑學專業畢業生綜合設計潛力等級評價體系當中，通過構建SVM神經網絡評價模型，并基于實際數據，利用MATLAB軟件和Libsvm工具箱進行仿真實證測試。研究顯示該方法較為簡潔易用，從已有的數據分析顯示出評價結果也較為客觀準確。并且該SVM評價模型可以作為一個標準，也可以重復利用和不斷地更新并補充，讓模擬的準確性不斷提高。