摘要：模式識別是智能科學與技術本科專業(yè)的專業(yè)基礎選修課程之一，屬于信息、控制和系統(tǒng)科學的范疇。這門課程要求學生掌握模式識別的基本概念、原理、方法和應用等，了解模式識別的研究現(xiàn)狀和發(fā)展趨勢，對已有成果展開分析與討論，為進一步的學科探索打好基礎。本文介紹了國內(nèi)外的教學內(nèi)容、授課方式和學生評價方式，在此基礎上對模式識別課程的教學內(nèi)容、授課方式和評價方式進行了探索。
　　關鍵詞：模式識別；教學內(nèi)容；授課方式；評價方式
　　
　　
　　模式識別是60年代迅速發(fā)展起來的一門學科，該技術用于自動將物理對象或抽象的多維模式分類到已知或可能未知的類別。目前，市場已經(jīng)存在一些能進行字符識別、手寫體識別、文檔分類、指紋分類、語音和說話人識別、白細胞分類以及其他軍事目標識別的商業(yè)模式識別系統(tǒng)。低成本、高分辨率傳感器(如CCD攝像機、麥克風和掃描儀)和互聯(lián)網(wǎng)上共享的數(shù)據(jù)為我們提供了關于文本、語音、圖像和視頻的巨大數(shù)字化資源庫，對這些資源進行有效的歸檔和檢索，極大推動了模式識別算法在新領域的應用，例如文本、圖像和視頻檢索，生物信息學和面部識別等。
　　由于模式識別是一門理論與實踐緊密結合的學科，理論基礎涉及高等數(shù)學、線性代數(shù)、數(shù)理統(tǒng)計、小樣本統(tǒng)計學習理論、模糊數(shù)學等學科，因此該課程具有一定的抽象性和難度，學生不容易理解所學內(nèi)容。為了使學生從抽象中理解具體，更好地、自主地、創(chuàng)新地學習，教師要在知識的傳授過程中注重學習方法的傳授，故教學探索成為模式識別課程中重要的研討內(nèi)容之一。隨著社會的發(fā)展、國際交流的頻繁及網(wǎng)絡技術的完善，如何借鑒先進的國外教學理念，更好地培養(yǎng)具有創(chuàng)新能力的學生，也成為教學探索的一個主要問題。
　　1國內(nèi)外教學比較
　　下面就從教學內(nèi)容、授課方式和學生評價方式三個方面來闡明國內(nèi)外模式識別教學。
　　1.1教學內(nèi)容
　　模式識別領域的國內(nèi)外研究者和學者已編著了大量優(yōu)秀教材，由于篇幅關系，下面僅對部分教材進行簡要介紹。
　　Richard O. Duda等編寫的《Pattern Classification》清晰地闡明了模式識別的經(jīng)典方法和新方法[1]。Sergios Theodoridis編寫的《Pattern Recognition》全面闡述了模式識別的基礎理論、最新方法以及各種應用[2]。Andrew R. Webb編寫的《Statistical Pattern Recognition》對統(tǒng)計模式識別的基本理論和技術作了全面且詳盡的介紹[3]。J.P.Marques de Sá編寫的《Pattern Recognition：concepts，methods，and applications》詳細介紹了有關模式識別的概念和方法，并附加多個領域的實際應用案例[4]。M.Narasimha Murty等編寫的《Pattern Recognition：An Algorithmic Approach》講解了模式識別在算法中應用的主要原則，并對模式識別的概念和最近取得的進步進行了詳細介紹[5]。Brian D.Pipley編寫的《Pattern recognition and neural networks》對模式識別和神經(jīng)網(wǎng)絡進行了介紹，并給出了模式識別領域的許多實際例子[6]。Satoshi Watanab編寫的《Pattern recognition：human and mechanical》為模式識別提供了一個統(tǒng)一的標準，并介紹了該學科的廣闊前景[7]。Robert J.Schalkoff編寫的《Pattern Recognition：statistical，structural，and neural approaches》探究了模式識別的核心概念、方法和應用[8]。Keinosuke Fukunaga編寫的《Introduction to statistical pattern recognition》，每章都含有大量習題[9]。
　　清華大學的邊肇祺教授等編寫的《模式識別》主要討論了統(tǒng)計模式識別理論和方法，還介紹了人臉識別、說話人語音識別及字符識別等應用實例[10]。干曉蓉教授編寫的《模式識別》主要內(nèi)容包括貝葉斯決策理論、概率密度估計、線形判別函數(shù)、無監(jiān)督學習和聚類、特征選擇與提取、模糊模式識別、人工神經(jīng)網(wǎng)絡、線形代數(shù)、多維隨機變量[11]。王碧泉教授等編寫的《模式識別：理論、方法和應用》介紹了特征選擇、聚類和判別等方面的常用模型和算法，模式識別在地震學、數(shù)字圖像處理和決策管理等領域中的應用[12]。楊光正教授等編寫的《模式識別》介紹統(tǒng)計識別方法和句法方法的基本理論[13]。張學工教授編寫的《模式識別》系統(tǒng)地討論了模式識別的基本概念和代表性方法[14]。齊敏教授等編寫的《模式識別導論》按照統(tǒng)計模式識別、句法模式識別、模糊模式識別法和神經(jīng)網(wǎng)絡模式識別法四大理論體系來組織全書[15]。蔣先剛教授編寫的《數(shù)字圖像模式識別工程軟件設計》介紹圖像模式識別的基礎理論和程序?qū)崿F(xiàn)技術，從工程應用的角度全面介紹了圖像模式識別應用軟件設計的基本方法和實用技術[16]。孫即祥教授等編寫的《模式識別》系統(tǒng)地論述了各類經(jīng)典的模式識別的理論與方法，較全面地反映了本學科的新近科技成果[17]。
　　2.2授課方式
　　國外的授課方式往往注重內(nèi)容的學習、知識的掌握和學生獨立思考。課堂教學理念重參與性、積極性、創(chuàng)造性和靈活性。課堂相對活躍，講授和討論相輔相成，學生能積極地參與到課堂教學中，學生參與發(fā)問或發(fā)表個人意見，課堂上的參與往往是學期分數(shù)的一部分，被認為是評估學生所學習的知識的方法，并注重學生是否有能力與教師和同學進行知性的對話。
　　國內(nèi)的課堂教學主要以教師講授為主，學生被動接受，留給學生的自主空間較狹窄，課堂教學理念注重系統(tǒng)性、完整性、邏輯性、生動性、計劃性。課堂相對平靜，討論較少，學生加入到課堂教學中的情況不多，學生參與發(fā)問或發(fā)表個人意見少。
　　2.3評價方式
　　國外對學生的培養(yǎng)重經(jīng)驗、過程、體驗和運用。學生的學習過程只是其成長的一部分，教師評價學生時十分注重多渠道收集學生在校、在家和參加社會活動的情況，通過綜合分析，對學生進行全方位的、細化的評價，其中不僅有教師對學生的評價，還包括學生的自評、學生之間的互評、家長的評價和學生參加社會活動獲得的評價。
　　國內(nèi)的教學目標是追求知識、結果、記憶和會考試。由于教學中以教師為主，往往只注意知識的傳授，忽略了學生能力和全面素質(zhì)的培養(yǎng)。學生能牢固地掌握知識，但知識運用能力差，主動和創(chuàng)新能力欠缺。教師對學生的評價注重期中、期末考試，忽略了學生參加社會活動的情況。
　　3教學探索
　　基于如下的研究結果：有效教學本質(zhì)上取決于教師建立能夠?qū)崿F(xiàn)預期教育成果的學習經(jīng)驗的能力，而每個學生都參與教學活動是實施有效教學的前提[18]，我們從教學內(nèi)容、授課方式、評價方式三個方面進行模式識別課程的教學探索。
　　3.1教學內(nèi)容
　　教學內(nèi)容的安排應與本科學生的學習特點和目前所掌握的知識程度相吻合，才能使學生牢固掌握知識。借鑒國內(nèi)外教學內(nèi)容情況，我們的模式識別課程的教學內(nèi)容共分9個章節(jié)，分別介紹模式識別綱要、貝葉斯決策理論、極大似然估計和貝葉斯參數(shù)估計、隱馬爾可夫模型、統(tǒng)計語言模型、支持向量機、最大熵模型、人工神經(jīng)網(wǎng)絡、決策樹。
　　
　　第1章 通過提出問題“智能科學與技術專業(yè)的學生為什么要學習模式識別”和“應當怎樣學習模式識別課程”展開，具體介紹內(nèi)容包括模式、模式識別、有監(jiān)督的分類、無監(jiān)督的分類、模式識別的主要方法和模式識別系統(tǒng)。
　　第2章 “貝葉斯決策理論”介紹了在概率結構都知道的理想情況下的模式分類問題。雖然這種情況在實際中很少出現(xiàn)，但它為我們提供了一個能夠與其他分類器進行對比的評價依據(jù)，即“最優(yōu)貝葉斯分類器”，幫助我們預測推廣到新模式時的最小誤差率。
　　第3章 主要圍繞“極大似然估計和貝葉斯參數(shù)估計”來展開。在先驗概率和類條件概率密度已知的情況下，我們可使用“貝葉斯決策理論”來設計最優(yōu)分類器。但是在實際應用中，通常不能得到和問題相關的全部概率結構知識，因此我們利用已有的信息，對問題中涉及的先驗概率和條件概率函數(shù)進行估計，并把估計結果當做實際的先驗概率和條件概率，再來設計分類器。
　　第4章 “隱馬爾可夫模型”在解決一些與時間序列相關的問題，即某一過程隨著時間的流逝而進行，而且某個時刻發(fā)生的事件受到前一時刻發(fā)生事件的直接影響中得到了很好的應用，隱馬爾可夫模型在語音識別領域的應用是最成功的例子。
　　第5章 “統(tǒng)計語言模型”是用來計算句子概率的模型，在很多自然語言處理的任務，如機器翻譯、語音識別、印刷體或手寫體識別、拼寫糾錯、漢字輸入中都有廣泛的應用。在獨立假設的前提下，句子的概率公式可被簡化，并被計算出來。
　　第6章 “支持向量機”的基本思想是尋找一個能夠?qū)維空間的樣本數(shù)據(jù)準確地分為兩個類別的超平面。但是，由于樣本數(shù)據(jù)經(jīng)常是不可以被線性分割的，所以通過引入核函數(shù)，將樣本數(shù)據(jù)映射到一個可以線性分割這些數(shù)據(jù)的高維特征空間。而將數(shù)據(jù)映射到這樣的一個空間，通常會引起計算和過度適應問題，但是支持向量機在高維空間中不需要直接處理，這就消除了前面提到的顧慮。并且支持向量機不像神經(jīng)元網(wǎng)絡等其他的學習算法，很難衡量其學習的性能，我們能夠清楚地計算出其在未知數(shù)據(jù)集上的VC維。
　　第7章 “最大熵模型”在對一個隨機事件的概率分布進行預測時，滿足全部已知的條件，而對未知的情況不進行任何主觀假設。因為在這種情況下，概率分布最均勻，預測的風險最小，概率分布的信息熵最大，所以被稱為最大熵模型。
　　第8章 “人工神經(jīng)網(wǎng)絡”是在現(xiàn)代神經(jīng)科學研究的基礎上提出的，它并沒有完全真正反映大腦的功能，只是對生物神經(jīng)網(wǎng)絡進行某種抽象、簡化和模擬。人工神經(jīng)網(wǎng)絡中的信息處理是通過神經(jīng)元之間的相互作用來實現(xiàn)的，知識與信息的存儲表現(xiàn)為網(wǎng)絡元件互連分布式的物理聯(lián)系，各種神經(jīng)元連接權系數(shù)的動態(tài)演化過程決定了人工神經(jīng)網(wǎng)絡的學習和識別。
　　第9章 “決策樹”是一種廣泛應用的歸納推理算法，它采用逼近離散值函數(shù)的方法，具有很好的健壯性，能根據(jù)訓練數(shù)據(jù)學習出析取表達式。決策樹學習方法通過搜索一個完整表示的假設空間，從而避免了受限假設空間的不足。
　　3.2授課方式
　　遵循學生的認知規(guī)律和和學習特點，結合作者從事的模式識別課程教學，我們對模式識別的授課方式給出了如下建議。
　　首先，教師將不再單純地講解，而是引導學生進行學習和組織學生進行課堂活動，使學生由原來的單純聽講、被動接受灌輸轉(zhuǎn)變?yōu)橹鲃訁⑴c課堂教學，親自去發(fā)現(xiàn)結論和規(guī)律，使學生學會思考和善于思考，培養(yǎng)學生分析和解決問題的能力。通過教師和學生互相提問和共同討論，來發(fā)揮學生的主動性，使兩者在教學過程中相互聯(lián)系和作用，教學過程成為雙方主動介入的過程。由于模式識別具有一定的抽象性和難度，因此教師講解時要盡可能通過實例引出問題，讓學生親睹實例，增加感性認識，通過圖像、動畫和視頻的生動畫面和聲音吸引學生的注意力，將抽象的理論形象化，使學生印象深刻而又便于理解。
　　其次，教師在傳授知識的同時也應該力所能及地幫助學生解決在生活、學習過程中遇到的疑問，對他們提出的問題給予認真、耐心的解答，幫助他們克服困難。教師在教學過程中留出一定的時間，以朋友的身份和學生交流，了解他們的想法，從中獲得一些好的意見和建議。
　　再次，在講解理論部分時，教師應該理論聯(lián)系實際，注重學生實踐能力的培養(yǎng)。適當引入一些實際生活的例子，幫助學生理解所學知識，如介紹最大熵模型，可使用“投資時不要把所有的雞蛋放在一個籃子里，這樣可以降低風險”的例子，使學生對模型的認識不再抽象。簡要告訴學生下次課的內(nèi)容，鼓勵學生課后查閱相關資料，并對遇到的問題進行分析和解決，帶著問題參與下一次的課堂教學。針對每一章的授課內(nèi)容，教師應精心設計和安排相關實驗，加深和鞏固學生所掌握的知識。
　　
　　3.3評價方式
　　模式識別是智能科學與技術專業(yè)的一門重要專業(yè)基礎選修課，對學生將來的學習、工作都起著非常重要的作用。該課程不僅僅是讓學生掌握知識，更重要的是培養(yǎng)學生的能力。因此，教師應該積極鼓勵學生多參加社會實踐，評價時應從多渠道和多方面收集學生在校和參加社會活動的信息，通過綜合分析，對學生做出全方位的、細化和合理的評價，促進學生全面素質(zhì)的培養(yǎng)，最終提高學生的創(chuàng)新能力。
　　4結語
　　模式識別是一門理論與實踐緊密結合的學科，教與學的方式值得我們研究和探索。在今后的教學工作中，我們要多從模式識別理論涉及的學科廣泛，而本科生目前還沒有完全掌握這些知識等特點出發(fā)，不斷改革、實踐和創(chuàng)新。同時，教師也要不斷提高自身素質(zhì)和業(yè)務水平，不斷提高課堂教學質(zhì)量，為國家培養(yǎng)更多合格的應用型本科人才。
　　
　　參考文獻：
　　[1] Richard O. D