案例结合课堂学术报告的研究生模式识别课程改革与实践

李兆飞 熊兴中 王小刚

摘  要： 目前模式识别课程存在教学内容不完善、教学模式局限和考评机制单一等问题，无法支撑研究生培养质量的需求。为此，对该课程进行了课内、课外立体化的改革和实践，从教学内容、教学模式和教学考核机制等方面着手，构建了开放式案例结合课堂学术报告以及案例复现的研究生模式识别课程。实践证明，该教学模式能有效地提高研究生的学习兴趣和学习效果。

关键词： 研究生; 模式识别; 案例教学; 教学改革; 课程建设

中图分类号：TP399          文献标识码：A     文章编号：1006-8228（2021）12-109-04

Abstract： At present， there are some problems in the pattern recognition course， such as imperfect teaching content， limited teaching mode and single evaluation mechanism， which cannot meet the needs of postgraduate training quality. Therefore， the three-dimensional reform and practice of the course in and out of class are carried out. Starting from the aspects of teaching content， teaching mode and teaching assessment mechanism， a postgraduate pattern recognition course with open cases， classroom academic reporting and case recurrence is constructed. Practice proves that the teaching mode can effectively improve post graduate students' learning interest and learning effect.

Key words： postgraduate student; pattern recognition; case teaching; teaching reform; course construction

0 引言

人工智能技術的迅速发展将深刻改变人类社会生活。我国已成为全球人工智能的发展中心之一。模式识别作为人工智能的重要组成部分，是一门前沿的信息处理科学且引领着学科方向。模式识别，是在给定的任务下，让机器对事物的信息进行自动分析和处理，在错误概率最小的条件下，由机器使识别的结果与客观事实相符合，讨论机器认识事物的基本属性、基本方法及其实现情况。目前大热的DL（Deep Learning，深度学习）神经网络俨然成为了人工智能的代名词。

近十几年来，模式识别一直是信息处理领域的研究热点，无论是理论研究还是应用实践，都有很多进展。目前，模式识别理论和方法已经应用到各个领域，并在智能控制、计算机视觉、自适应滤波和信号处理、非线性优化、自动目标识别、连续语音识别、声纳信号的处理、知识处理、传感技术与机器人、生物医学工程、土木、交通、测绘工程等方面取得了很大的进展。因此，模式识别技术的发展和应用水平在一定意义上是一个国家和社会现代化程度的重要标志之一，也是人工智能相关学科的必修学位课程。

1 模式识别课程建设现状

1929年，Tauschek发明了能阅读0～9数字的阅读机开始，标志着模式识别学科的诞生，该领域的研究逐渐吸引了国内外高校和研究机构的关注。此后，国内外绝大多数高校中信息类学科的硕士和博士研究生阶段都开设了该课程，其中，斯坦福大学和麻省理工学院在上世纪四十年代最早开设相关课程。教材建设方面，西奥多里迪斯（希腊）所著的《Pattern Recognition》，现已是第四版;Richard O.Duda所著的教材《Pattern Classification》;C.M.Bishop所著的教材《Pattern Recognition and Machine Learning》都是国外经典的模式识别课程教材，也有相应的中译本[1]。当前，斯坦福大学模式识别课程名称为“机器学习”，课程代码CS229，由国际知名的机器学习科学家Andrew Ng主讲，并发布于著名的Coursera平台供全球学习者学习及下载。

国内的清华大学从1981年获得“模式识别与智能系统”硕、博士点开始，就为研究生开设了模式识别课程，随后1988年编写了模式识别教材（国家精品课程教材），到目前为止已经是第三版。国内清华大学、中科院的模式识别研究处于国际国内领先行列。目前，很多学校甚至还资助经费将模式识别课程建设成了精品课程及双语课程，清华大学的“模式识别基础”课程在2007年被评为国家级精品课程[2]。此外，国防科技大学的蔡宣平团队采用孙即祥所著教材《现代模式识别》（国内经典教材之一）已建成模式识别国家级精品课程，这些都为该课程的教学和应用研究做出了显著贡献。虽然有很多的教材、精品课程和网络慕课资源可以借鉴学习，但是模式识别课程所涉及的理论及算法太多，对学生来说难于掌握理解;不同的高校有不同的研究方向和应用领域;目前最新的教材也滞后于模式识别研究的新成果和领域的新发展。

我校从2004年开始为模式识别与智能系统、控制科学与工程学科的研究生开设了与模式识别相关的智能计算课程，并且作为专业的必修课程。2008年开始，开设了模式识别课程，并且作为研究生的学位课程。

2 模式识别课程建设存在主要问题

由于模式识别课程涉及到的数学理论（主要涉及概率论及线性代数等）及模型结构复杂、繁多，对很多研究生来说都感觉非常枯燥，难以理解，呈现出“老师难教，学生难学”的课程特点，严重影响相关学科研究生培养目标的实现，也成为各高校研究生培养所面临的共同问题，归纳起来，主要有以下几点[3-6]。

⑴ 模式识别课程教学内容及实践教学案例简单、有助于单个知识点的理解，缺乏对整体模式识别体系方法相关性的把握;也缺少前沿最新算法的案例及典型应用。

⑵ 课堂教学与课外项目研究实践缺少衔接。课程进行了课堂理论及简单案例教学，但是课后一般是布置一些简单的计算题目，没有和研究生有关课题研究进行对接，呈现出课程学习和项目研究脱节现象。

⑶ 模式识别课程测评手段单一。该课程目前仍然以期末閉卷考试或者写课程报告等传统形式为主，缺乏多样化、个性化的综合课程学习考评机制。

3 模式识别课程改革及实践

综上，为提高研究生的学科视野、软件开发能力，核心算法的实验仿真能力，与研究生客体研究做到无缝对接。在团队多年研究及教学的基础上，构建了开放式案例教学演示及课后案例复现扩展的课堂研讨式课程课内、外立体式教学改革方案及具体实施方式。

3.1 教学内容的专题模块化构建及实践

通过团队成员对该课程多年的教学及相关学术研究的基础上，团队构建并实践了该课程内容的专题模块[6-7]，所构建的专题模块如图1所示。在图1中，课程对控制科学与工程及电子信息专业学位研究生基于统计决策方法作为理论基础，共分为监督学习、非监督学习、特征提取与特征选择、模式识别系统的评价共四个大的专题模块组，各专题模块以统计决策方法作为前后衔接。每一专题模块组又分为多个单元模块，单元模块又包含相应单元的具体模式识别算法。通过这样一个专题模块，单元模块，到具体算法的内容构建使学生掌握模式识别课程的基本内容及脉络，讲授课件也从表格、模式识别算法模型、插图等多方面着手，突出重点，将抽象难懂的内容图示化、形象化，强化教学效果。

3.2 案例内容的单元模块化构建及实践

通过对课程内容专题模块化建设，每一专题模块又包含多个单元模块组，每一单元模块组又包含多个具体的算法模型。在课程内容构建的基础上，课程构建相应的开放式案例库，案例库中的案例由教师科研项目成果分解出的和由往届学生参与设计的可完成某特定任务的模块化程序。案例分为若干单元模块组，分别与课程讲授内容专题模块相对应。案例是开放式的基本模块，可由学生进一步扩展优化，便于培养学生的学术创新能力及与科研项目的无缝对接。比如用深度神经网络进行人脸识别，其程序包括人脸特征信号的提取、预处理、深度网络结构的设计、在Matlab环境下的仿真实验以及实验结果分析几个功能模块。课程案例单元模块化架构如图2所示。

案例模块的建设中，目标描述是完整描述案例的处理对象，输入数据结构，处理流程，处理方法和要达到的目标;方法对比分析是课程中相关方法的对比分析，这是案例的重要功能，通过对比分析，使学生了解各种模式识别模型的思想脉络及学习过程和应用特点;问题归纳由师生共同完成对实验和研讨的归纳总结，结论以实验数据为依据，介绍最新研究成果。所有案例都采用Matlab（课堂）进行图形化结果仿真演示、评讲及课堂研讨，主要采用鸢尾花数据集和人脸数据集进行分类识别，所建设的案列均以直观的方式嵌入到各专题配套课件理论介绍之后，从而升华学生对模式识别课程相关内容的理。

3.3 案例课后扩展复现及翻转课堂研讨的教学模式建设及实践

⑴ 案例课后扩展复现

课程改革及实践中，除了启发式讲解专题模块化内容并采用Matlab对相关专题算法通过案例编程实现及教学研讨，加深学生对相关专题知识的理解和掌握外，课程的另一个建设内容是对相关案例以研讨小组为单位通过Python（要求学生通过Google公司的基于Python语言的开源平台Tensorflow实现深度学习案例，简单案例通过Python语言的集成平台Anocoda编写代码）在课后进行复现作为作业并进一步扩展，加深对相关专题案例的理解和应用。因Python大多通过调用不同的包就能实现相关程序，有助于引导学生对案列进一步的应用，理解模式识别基本算法，并能夯实Python编程知识。

⑵ 翻转课堂研讨

此外，课程改革的另一部分建设内容是采用翻转课堂的研讨式教学，课程设计在第一次开课时将班级同学分成多个学习研讨小组，每个小组6～8人左右，开课之初就会布置给学生相应的自学内容（与模式识别相关专题或前沿进展），要求学生按小组进行分组讨论学习，并在第四次课程开始按小组顺序结合PPT在课堂进行学术小报告，并要求全体学生进行讨论。项目已设计学生自学研讨的内容主要有：距离及其表示;统计模式识别中非参数估计的案例设计及实现;深度学习的最新发展综述;强化学习、迁移学习、联邦学习的概念及实现案例;模糊C均值算法原理及Matlab案列等，自学研讨的内容也可以是学生自由选题与课程内容相关的知识。这样翻转课堂式的课堂学术小报告不仅能培养学生的团队合作精神，也能培养学生的自学、演讲及掌握相关知识的能力，加大了同学们学习课程相关知识理解的深度，营造了很好的课程学习氛围。实践结果是学生有很大的参与热情，营造了浓郁的课题学习及学术研究热情。

3.4 模式识别系统的综合设计报告建设及实践

课程结束时，要求学生以研讨小组为单位提交一份与模式识别课程相关的课程综合设计报告，报告内容可以是课程相关案例及知识的扩展，也可以是参与实施的导师科研项目。报告中必须包含设计目的，数据来源及形式，模型原理，算法编程实现，算法结果可视化展示及效果评价等方面[8]。该综合设计报告可以强化学生对模式识别算法相关知识理解及实际掌握，实现从理论到实践的知识转化，加强对学生自主及个性学习、实践创新以及创业探索能力的培养，最终培养学生对实际工程项目的协作及学术论文的写作能力。

3.5 课程学习成果的合理教学质量考评机制建设及实践

由于模式识别在控制科学、电子信息类专业学位研究生培养的特殊地位，也是当前人工智能的研究前沿和热点。因此，对课程学习成果的考核及评价不能简单的采用传统考试给分的方式进行。经过多年的实践，采用了多样化的课程成绩评定与研究生导师反馈评价相结合的考评机制。

⑴ 课程成绩评定 该课程在研究生培养体系中属于考试必修课，因此，课程成绩的评定我们采用出勤占5%、课堂学术报告占15%、课后案例复现占15%、综合设计报告占15%、期末半开卷考试占50%的综合、多样化的课程成绩评定方式，最终课程成绩评定=出勤×5%+课堂学术报告×15%+课后案例复现×15%+综合设计报告×15%+期末半开卷考核成绩×50%。其中课堂学术报告根据研讨小组成员贡献大小及讲解内容和效果依次给分，最高分15分;课后案列复现及综合设计报告根据研讨小组团队成员自己给出的贡献率并结合完成效果及完成情况依次给分，最高分15分;期末半开卷考试：期末考试一般基础题（选择、填空及判断）30分，简答题30分，计算及编程改错题40分。考试只允许学生携带一张自己总结了相关课程内容知识的A4纸，我们称这种形式为“半开卷”考试。

⑵ 课程教学质量评价 课程以掌握基本内容、培养研究思维及提高研究能力为目标，通过“学生自评和导师反馈评价”相结合的课程质量评价方式。把教学内容和所支撑的课程分目标对应，把课程分目标与相应的评分标准相对应。通过问卷调查的方式评价课程学习后各个目标的“达成度”作为学生学习课程的“获得感”或成功与否的标准。后续我们将考虑通过更合理有效的方式评估学生的知识建构与能力。

4 结束语

为提高教学质量并持续推进课程教学改革，形成以学生为中心的教学内容和教学实践改革模式，加强学生综合創新及研究能力的培养。对模式识别课程的教学我们进行了课内、课外立体化的改革及实践，并以“算法模型理论讲授+Matlab案例演示+课堂研讨+相应的Python案例编程课后复现扩展+综合设计报告”综合考评的方式，结合我校及我学科的特点，呈现模式识别的原理和新发展，通过实践，该教学模式能有效提高研究生的学习兴趣和课程学习效果，能与今后的项目研究有很好的衔接。

参考文献（References）：

[1] 付荣荣，时培明，潘钊等.工程教育背景下“模式识别”课程教学研究[J].电气电子教学学报，2018，40（4）：46-48，53

[2] 刘恒，侯书东.研究生模式识别课程双语教学研究与实践[J].安徽工业大学学报（社会科学版），2019.36（1）：67-68

[3] 陈磊，邓杏叶，刘朝华等.新工科背景下的模式识别课程教学改革探索[J].教育教学论坛，2020.36：177-178

[4] 凡时财，唐健雄，周雪.人工智能普及下的“模式识别”课程教学研究与实践[J].工业和信息化教育，2020.8：8-10

[5] 张艳珠，野莹莹，刘义杰.基于雨课堂的研究生课程混合式教学[J].科教导刊，2020.3：18-19

[6] 王科平，杨艺，李玉东.新工科背景下“模式识别”课程改革与探索[J].电气电子教学学报，2020.42（3）：52-56

[7] 袁立，阎群.基于工程实例导入的模式识别课程教学改革探索与实践[J].教育现代化，2019.6（24）：65-67，71

[8] 郭海，赵晶莹，刘向东等.基于Python的模式识别综合设计性实验[J].实验技术与管理，2019.36（8）：178-181