“模式识别技术”课程教学改革探索

岳殿佐 侯玉双

摘 要：在大数据时代，模式识别技术的广泛应用促进了该领域人才的需求，使得“模式识别技术”课程在高校人才培养中的重要地位逐渐凸显。“模式识别技术”课程是一门多学科交叉的课程，该课程具有理论性强、知识点多、概念抽象难理解的特点。这些特点使得在较少课时下如何让学生较好掌握该门课的知识成为一个难题。文章以此为出发点，从理论学习过程创新、算法学习过程创新、授课方式创新、教材创新四个方面探索“模式识别技术”课程教学改革方法。

关键词：模式识别技术；教学改革；创新

Exploration on Teaching Reform of Pattern Recognition Technology

Yue Dianzuo1 Hou Yushuang1，2

1.Hebei  Normal University of Science and Technology HebeiQinhuangdao 066004；

2.Inner Mongolia University of Science and Technology Inner MongoliaBaotou 014010

Abstract：In the era of Big Data，the wide application of pattern recognition technology has promoted the demand for talents in this field.The important position of pattern recognition technology courses in college personnel training is gradually highlighted.The pattern recognition technology course is a multidisciplinary course with strong theory，many knowledge points，and abstract concepts that are difficult to understand.These characteristics make it a difficult problem for students to better grasp the knowledge of the course in less class hours.Taking this as a starting point，the article explores the teaching reform method of pattern recognition technology from four aspects：innovation of theoretical learning process，innovation of algorithm learning process，innovation of teaching methods，and innovation of teaching materials.

Keywords：pattern recognition technology；teaching reform；innovation

一、“模式識别技术”课程教学改革需求

近年来，随着计算机运算能力的提升，由计算机处理识别、分类等繁琐工作的应用案例已渗透到各行各业。人们对人工智能、机器学习、人工神经网络、大数据、大智慧等新的专业名词已然耳熟能详。我们在工作生活中享受着智能化所带来便利的背后，是一系列智能算法的实施，而这些算法的基础即模式识别技术。模式识别技术简单来说是将人类所具有的识别、分类、分析等能力通过算法传给计算机，让计算机代替人脑完成识别和分类任务，如面部识别、语音识别、车牌识别、图片分类等。高校中讲授该技术的课程之一即“模式识别技术”。“模式识别技术”不仅是计算机类本科生的一门专业基础课程，也是很多院校硕士研究生的必修课程。对于本科生而言，该课程注重打好模式识别技术的基础，包括理解基本概念，基本方法及基础理论。对于硕士研究生而言，旨在通过该课程的学习将传统模式识别技术与该领域研究的前沿问题相结合，与实际待处理的问题相结合，从而进行一些创新性的研究。由此可见，“模式识别技术”课程在高校人才培养中的重要性。

“模式识别技术”课程的特点是理论性强，知识点多，概念抽象难理解。模式识别技术是一门多学科交叉的课程，包括线性代数，概率论，运筹学，图像处理技术、编程技术等，因而该课程要求学习者具有较高的专业基础知识。这些特点也导致了在较少课时下如何让学生较好掌握所传授的知识成为一个难题。笔者结合自身教学实践就此问题进行了以下几方面的教学改革探索，获得了较好的效果。

二、模式识别技术教学改革探索

“模式识别技术”课程教学改革探索的内容如图1所示，可以概括为理论学习、算法学习过程创新、授课方式创新、教材创新四个方面。

（一）理论学习重理解轻推导

模式识别技术在类别可分性判据、求解判别函数、贝叶斯估计、支持向量机等章节中都包含了大量的理论推导过程［1］。推导过程中用到了较多的“线性代数”“概率论”

“运筹学”“高等数学”等课程的知识。比如在《判别域代数界面方程法》一章，讲解Fisher线性判别函数这部分内容时，需要从判别界面的寻找转到映射方向的求解这一问题上来。求解映射矢量的过程中需要推导均值矢量、类内离差阵、类间离差阵、及变换后的离差度，从而引出Fisher准则函数。进一步，在Fisher准则函数求导的过程又要用到Lagrange乘子法，对矢量求偏导等数学知识［2］。而这些知识是大多数学生难以理解的内容，把它们结合起来运用到模式识别中更难以实现。因此，我们在教学中可以根据学生的水平灵活调整理论推导过程。对于特别难以理解的推导过程，要凝练简化，解释关鍵步骤，说明推导中用到知识点即可。学生只要理解结论的来龙去脉即可，毕竟大多数院校学生学习这门课程并不是以掌握理论推导工程为目的，而是以掌握模式分类的算法为目标。切不可长篇大论一味推导难点，使学生产生畏难情绪而逐渐削弱学习兴趣。比如上面提到的例子中，Lagrange乘子法部分即属于特别难以理解的内容，应当稍做介绍而不应深入讲解。对于稍难理解的理论部分，应当较细致地讲解，而不应简化。比如上例中，类内、类间离差阵的求解过程，即应当详细推导而不应略过。如果遇到理论就简化，学生学习过程会变得浮躁，觉得课程没有深度而不愿再下功夫去琢磨难点。对于易于理解的理论部分，应当引导学生自己推导，使学生在推导过程中获得成就感，既加深了对概念的理解，又提高了学习兴趣。

（二）算法学习重实践轻死记硬背

判断学生是否掌握一种模式识别算法关键在于学生是否能够根据学习的理论知识动手实现算法，并且将其从简单案例练习应用到复杂问题的求解，即在理解的基础上实践，在实践中拓展。因此，对于算法部分的学习要注重理解、实践，切忌死记硬背算法的实施步骤。在介绍完一种算法的原理后，可以让学生自行总结算法的步骤，画出算法流程图，流程图是概念和编程之间的纽带。图2显示了在讲授简单聚类算法过程中，指导学生绘制程序算法流程图的过程。在绘制流程图的过程中学生需要消化算法的概念，并和已学的编程语言相联系，可谓事半功倍。

简单聚类算法

算法原理步骤

（1）取任意的一个模式特征矢量作为第一个聚类中心。

例如，令ω1类的中心Z1=x1。

（2）计算下一个模式特征矢量x2到Z1的距离d21。

若d21＞T，则建立新的一类ω2，其中心Z2=x2。

若d21≤T，则x2∈ω1。

（3）假设已有聚类中心Z1，Z2…Zk，计算尚未确定类别的模式特征矢量到各聚类中心的距离dij。

如果dij＞T（j=1，2，…，k），则xi作为新的一类ωk+1的中心，Zk+1=xi；

否则，如果dij=minj［dij］，则xi∈ωi。检查是否所有的模式都分划完类别，如果都分划完则结束；否则返回到（3）。

上机实践是一个必不可少的环节。学生经过理解算法原理，绘制出算法流程图之后，需要通过上机实践来巩固学生对算法的认识，也能够判断出学生对算法是否理解正确。在上机实践的过程中，学生带着自己总结的算法流程进行上机编程练习，去检验自己成果的正确性，积极性特别高，也会更珍惜实践课的时间。这时教师可以因势利导，由简单的问题入手，先处理维数低、易于处理的数据。如编写图2中的算法程序时，可以先处理简单的一维数据、二维数据，然后过渡到多维的数据。待程序编写正确之后，再提出更复杂的问题，逐步引导学生对算法的应用进行拓展。

（三）授课方式创新——张弛有度

“模式识别技术”课程中不同的模式识别方法是以理论分析为基础展开的，学生不能只知算法而不知理论，应知其然且知其所以然。如果忽略理论讲授会导致学生对算法的理解停留在较浅显的层面，难以将该算法进行拓展应用，更难以对算法进行优化修改。然而，理论的叙述过程需要准确、严谨，以至于授课过程难免枯燥乏味。特别是该课程在讲授理论的过程中大多充斥着专业的名词、概念、抽象的知识点［3］。这导致理论讲授过程枯燥沉闷，而学生在枯燥的学习中易疲劳，注意力难集中，长此以往，学生的学习兴趣会减弱。因此，有必要合理控制理论课讲授的时间，适时而止，一张一弛相结合，从而达到理想的教学效果［4］。一般来说，一堂课50分钟时间，前10分钟是学生注意力的上升期。从刚进课堂逐步将思维过渡到课堂内容，10分钟之后达到注意力的高值，而后持续20分钟左右开始下降，到45分钟至50分钟临近下课时注意力快速下滑。教师应当利用好这一特点，可以将知识点化整为零并与讲授中穿插案例相结合。比如一节课50分钟时间我们分成三部分，中间穿插10分钟生动灵活的案例，使学生从紧张枯燥的学习中得以缓解，留出时间消化之前的内容，也为后面20分钟紧张的学习做好了准备。这就需要教师利用空余时间仔细学习一些教材内容以外的相关知识，要有较广的阅读基础，多涉猎一些理论应用的案例。比如，鱼罐头厂对鲑鱼和鲈鱼的分类要求可以穿插聚类法的讲解中；狙击手如何判断一个隐藏的目标是否是敌方的狙击手，这个问题可以结合到贝叶斯统计决策的内容讲授；同学们比较感兴趣的模式识别任务，如图片识别、人脸识别等问题，可以结合特征选择与特征提取部分讲解。

（四）教材创新——活页+电子资源

高等教育内涵式发展，是以提高人才培养水平和质量为核心目标，使得高等教育必须在结构上进行优化，在培养质量上严格要求，在课程改革和教学上创新。一方面“模式识别技术”课程一般涵盖了统计决策方法、聚类算法、代数界面方程法、特征提取、特征选择等几方面的内容，各方面内容之间有所关联，但关联性不强，因而不同的教材也呈现出不同章节的排布方式。另一方面，某一内容之中又包含多种算法，如代数界面方程法中包含Fisher线性判别、感知器算法、最小平方误差法等。而聚类算法中包括简单聚类方法、最大最小距离法、k均值算法、ISODATA法等。算法与算法之间的关联性也较弱，因而学生学习中容易混淆。针对这个问题，我们可以探索使用活页式教材及辅导材料，更有利于学生区分记忆［4］。所谓“活页式”教材指在形式上将固定封装的课本转换为可以灵活拆卸的形式，类似于活页日记本、操作手册等。比如在系统讲授完聚类分析一章后，将不同的聚类算法整理成活页式资料；每种算法的精髓及实施步骤单独成页，这样更方便学生课后复习以及编程实践时进行参考。当然活页式教材不能只在形式上“活”，更要在内容上“活”。我们可以尝试在活页上印刷二维码，将线上资源（示例程序、演示视频等）与纸质教材相结合，进一步提高活页教材的利用效率［5］。活页教材的另一个特点是内容的更新更灵活，能够跟随技术的发展、与人才需求的变化。电子教材的配套使用弥补了纸版教材改版慢的缺点，在模式识别新技术、新应用不断涌现的现实环境下，电子教材的使用尤其重要［6］。

结语

总之，为适应大数据时代模式识别技术人才的专业需求，“模式识别技术”课程的教学改革是大势所趋、势在必行的。除了上述四个方面的探索之外，还应当根据学生的学习背景因材施教；根据时代的发展因时而异，与时俱进。在模式识别领域涌现的新技术、新应用应在授课中渗透给学生，比如可以开展小组讨论、文献阅读等多种活动弥补课堂讲授的局限性。教学方法的改革应注重以人才培养目标为方向，理论与实践相结合，进一步丰富教学手段，科学推进“模式识别技术”课程的教学改革。此外，这种教学改革方法的探索也可以尝试推广至其他具有类似特点的课程。

参考文献：

［1］边肇祺，张学工，等.模式识别（第二版）［M］.北京：清华大学出版社，2000.

［2］孙即祥.现代模式识别（第一版）［M］.长沙：国防科技大学出版社，2001.

［3］付建军，陈高锋，朱亮亮.NX機械三维设计课程活页式教材开发及应用探索［J］.陕西教育（高教），2021（02）：3132.

［4］王云凤.“三教”改革背景下职业院校教材建设的实践探索与策略［J］.中国职业技术教育，220（35）：9396.

［5］韦晓阳.深化“三教”改革 新时代教材建设的实践与探索［J］.中国职业技术教育，2020（5）：8487.

［6］李政.职业教育新形态教材：内涵、特征与编写策略［J］.职教论坛，2020（4）：2126.

基金项目：国家自然科学基金（地区基金）（课题编号：62065015）；河北省自然科学基金面上项目（课题编号：F2022407007）

作者简介：岳殿佐（1982— ），男，汉族，河北唐山人，博士，河北科技师范学院高级工程师，主要从事物联网专业教学工作，研究方向：模式识别、人工神经网络；侯玉双（1979— ），女，博士，河北科技师范学院教授，研究方向：智能计算。