基于樽海鞘算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的藝術(shù)教學評價研究

趙順

摘 要： 為了提高藝術(shù)設(shè)計類專業(yè)教學質(zhì)量，激發(fā)老師的教學積極性以及學生學習動力和熱情，提高學生的能力和素質(zhì)，從課堂實驗教學評價、項目創(chuàng)作與研究實踐評價、實習（寫生、采風）評價和畢業(yè)設(shè)計（論文）評價4個方面建立了一套藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價體系。針對BP神經(jīng)網(wǎng)絡(luò)的預(yù)測性能受其初始權(quán)值和閾值選擇的影響，樽海鞘群算法優(yōu)化BP模型的初始權(quán)值和閾值，提出了一種基于SSA-BP的藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價模型。與RBF和BP對比發(fā)現(xiàn)，SSA-BP可以有效提高藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價的效果，為藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價提供了新的參考。

關(guān)鍵詞： 樽海鞘算法; 神經(jīng)網(wǎng)絡(luò); 藝術(shù)教學; 實踐教學; 評價體系

中圖分類號： J 523; TP 391 ? ? ?文獻標志碼： A

Abstract： In order to improve the teaching quality of art and design majors， stimulate teachers enthusiasm in teaching， students motivation and enthusiasm in learning， so as to improve students ability and quality， a set of teaching evaluation of art and design majors has been established from four aspects： classroom experiment teaching evaluation， project creation and research practice evaluation， practice （sketching， collecting style） evaluation and graduation design （thesis） evaluation system. Considering that the prediction performance of BP neural network is affected by the selection of its initial weights and thresholds， Salp Swarm Algorithm （SSA） is used to optimize the initial weights and thresholds of BP model， and a teaching quality evaluation model of art design specialty is put forward based on SSA-BP. Compared with RBF and BP， SSA-BP can effectively improve the effect of teaching quality evaluation of art design specialty， and provide a new method for teaching quality evaluation of art design specialty.

Key words： Salp Swarm Algorithm; neural network; art design; practical teaching; evaluation system

0 引言

隨著我國高等教育的快速發(fā)展，目前我國高等教育已經(jīng)進入大眾化教育階段，藝術(shù)設(shè)計類專業(yè)也得到迅猛發(fā)展[1]。藝術(shù)設(shè)計類專業(yè)的課程核心是實踐教學，實踐教學質(zhì)量的好壞直接影響學生的實踐能力、創(chuàng)新能力以及綜合素質(zhì)，直接關(guān)系學生畢業(yè)后是否可以快速進入職業(yè)狀態(tài)[2]。為合理客觀地評價藝術(shù)設(shè)計類專業(yè)教學質(zhì)量，建立一套涉及課堂實驗教學評價、項目創(chuàng)作與研究實踐評價、實習（寫生、采風）評價和畢業(yè)設(shè)計（論文）評價的藝術(shù)設(shè)計教學質(zhì)量評價體系[3]。本研究針對前饋神經(jīng)網(wǎng)絡(luò) （back propagation neural network，BP）預(yù)測性能受其初始權(quán)值和閾值選擇的影響，運用樽海鞘群算法[4]（Salp Swarm Algorithm，SSA）進行BP模型的初始權(quán)值和閾值優(yōu)化，并將SSA-BP應(yīng)用于藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價。與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（radius bias function neural network，RBF）和BP對比發(fā)現(xiàn)，SSA-BP可以有效提高藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價的效果，為藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價提供了新的參考。

1 樽海鞘算法

1.1 初始化種群

3 基于SSA-BP的藝術(shù)設(shè)計教學評價

3.1 藝術(shù)設(shè)計教學質(zhì)量評價體系

藝術(shù)設(shè)計專業(yè)是實踐性很強的學科，其教學質(zhì)量的評價首先必須注重實踐性，反映學生的創(chuàng)新能力、綜合素質(zhì)等。其次，需要注重客觀性原則，要實事求是，從多角度方位審視和評價藝術(shù)設(shè)計教學的各個環(huán)節(jié);再次，就是可操作性原則，便于實踐操作，并且具有較高的效率;最后，就是激勵性原則，要求藝術(shù)設(shè)計教學評價可以提高教學質(zhì)量，激發(fā)老師的教學積極性以及學生學習動力和熱情，從而提高學生的能力和素質(zhì)。本研究在參考文獻[10-11]的基礎(chǔ)上，構(gòu)建一套涉及課堂實驗教學評價、項目創(chuàng)作與研究實踐評價、實習（寫生、采風）評價和畢業(yè)設(shè)計（論文）評價的藝術(shù)設(shè)計教學質(zhì)量評價體系，詳細的藝術(shù)設(shè)計教學質(zhì)量評價指標，如表1所示。

由圖3、圖4和表3可知，與RBF和BP相比，在評價指標RMSE和MAE上，SSA-BP進行藝術(shù)設(shè)計教學質(zhì)量評價具有更小的評價誤差和更高的評價精度。主要是因為通過SSA算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進行了優(yōu)化選擇，在保證藝術(shù)設(shè)計教學質(zhì)量評價誤差最小的前提上，確定BP神經(jīng)網(wǎng)絡(luò)模型的最佳性能參數(shù)。

5 總結(jié)

為提高藝術(shù)設(shè)計類專業(yè)教學質(zhì)量，激發(fā)老師的教學積極性以及學生學習動力和熱情，本文從課堂實驗教學評價、項目創(chuàng)作與研究實踐評價、實習（寫生、采風）評價和畢業(yè)設(shè)計（論文）評價4個方面建立了一套藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價體系，提出一種基于SSA-BP的藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價模型。與RBF和BP對比發(fā)現(xiàn)，SSA-BP可以有效提高藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價的效果，為藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價提供了新的參考。雖然本研究取得了有一定效果，然而藝術(shù)設(shè)計類專業(yè)教學質(zhì)量評價可能存在不夠全面的缺點，影響到模型的適應(yīng)性，后續(xù)將研究更多評價指標對教學質(zhì)量評價結(jié)果的影響，提高模型的適用性和覆蓋面。

參考文獻

[1] 吳蓓. 論計算機輔助設(shè)計在藝術(shù)設(shè)計專業(yè)教學中的應(yīng)用[J]. 電子測試， 2017（1）：112-115.

[2] 楊育紅， 范明亮， 徐彬. “寬口徑、厚基礎(chǔ)、精專業(yè)、重實踐”——高職藝術(shù)設(shè)計專業(yè)實踐教學體系研究[J]. 時代教育， 2017（3）：9-10.

[3] 慕云舒. 地方院校應(yīng)用型本科人才校企合作培養(yǎng)模式可持續(xù)發(fā)展研究——以榆林學院藝術(shù)學院藝術(shù)設(shè)計專業(yè)為例[J]. 現(xiàn)代裝飾（理論）， 2017（1）：266-267.

[4] Sayed G I， Khoriba G， Haggag M H. A novel chaotic Salp Swarm Algorithm for global optimization and feature selection[J]. Applied Intelligence， 2018（5）：1-20.

[5] Hegazy A E， Makhlouf M A， El-Tawel G S. Feature Selection Using Chaotic Salp Swarm Algorithm for Data Classification[J]. Arabian Journal for Science and Engineering， 2018（6）：1-16.

[6] 姚遠遠， 葉春明. 考慮節(jié)能的改進多目標樽海鞘群算法TFT-LCD面板陣列制程調(diào)度問題[J]. 中國機械工程， 2019， 30（24）：2994-3003.

[7] 劉彬， 范瑞星， 劉浩然， 等. 基于混合樽海鞘-差分進化算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習算法[J]. 通信學報， 2019（7）：151-161.

[8] 張彤， 張飛云. BP神經(jīng)網(wǎng)絡(luò)在賽事風險預(yù)警體系設(shè)計中的應(yīng)用[J]. 自動化技術(shù)與應(yīng)用， 2019（8）：184-186.

[9] 黃敏， 路飛， 李曉磊， 等. 基于IHDR算法和BP神經(jīng)網(wǎng)絡(luò)復(fù)合框架的機器人服務(wù)自主認知和發(fā)育系統(tǒng)[J]. 機器人， 2019， 41（5）：609-619.

[10] 李淑珍， 周永凱， 田紅艷， 等. 藝術(shù)設(shè)計類專業(yè)實踐教學質(zhì)量評價體系構(gòu)建與實踐[J]. 實驗技術(shù)與管理， 2012（3）：242-247.

[11] 陳巍. 藝術(shù)設(shè)計類專業(yè)實踐教學及其體系的構(gòu)建[J]. 湖南科技學院學報， 2007， 28（5）：184-186.

[12] 夏晉. 藝術(shù)的實驗與實驗的藝術(shù)——高等院校藝術(shù)設(shè)計專業(yè)實驗教學體系的界定與解讀[J]. 設(shè)計， 2017（18）：114-116.

[13] 孫平. 高職藝術(shù)設(shè)計專業(yè)校外實訓(xùn)基地構(gòu)建研究——基于校企合作模式[J]. 管理觀察， 2017 （5）：149-150.

[14] 胡涓華.基于產(chǎn)教融合的藝術(shù)設(shè)計專業(yè)校企合作平臺構(gòu)建研究[J]. 林區(qū)教學， 2017（5）：19-20.

[15] 王少文. 從認知方式角度探索的獨立學院藝術(shù)設(shè)計類基礎(chǔ)教學模式[J]. 新課程研究（中旬刊）， 2017（1）：86-88.

[16] 傅婧. 藝術(shù)設(shè)計專業(yè)創(chuàng)新能力培養(yǎng)的多維實踐平臺建設(shè)研究[J]. 景德鎮(zhèn)高專學報， 2017， 32（3）：68-71.

（收稿日期： 2020.03.11）