馬麗?侯強

摘要：培養(yǎng)本科生科研能力是社會發(fā)展對高校人才培養(yǎng)提出的必然要求。模式識別既有嚴(yán)密的理論基礎(chǔ)，又有廣泛的實際應(yīng)用，是一個不斷發(fā)展的活躍領(lǐng)域，其作為高年級本科生課程，通過科學(xué)的教學(xué)設(shè)計，適合用來培養(yǎng)學(xué)生的創(chuàng)新思維和科研能力。教學(xué)采用以實際模式識別科研任務(wù)為主線和以啟發(fā)科學(xué)思維為核心的教學(xué)方法，培養(yǎng)學(xué)生獨立分析問題、解決問題的能力，為以后進行相關(guān)科學(xué)研究打下良好基礎(chǔ)。

關(guān)鍵詞：模式識別；本科教學(xué)；科研能力

中圖分類號：G642.0 文獻標(biāo)識碼：A 文章編號：1007-0079（2014）36-0133-02

具備初步的科研工作能力是本科生重要的學(xué)業(yè)標(biāo)準(zhǔn)，培養(yǎng)本科生科研能力是社會發(fā)展對高校人才培養(yǎng)提出的必然要求[1]。模式識別是一個既有著嚴(yán)密的理論基礎(chǔ)，又有著廣泛的實際應(yīng)用的學(xué)科[2-4]，并且模式識別的發(fā)展非常迅速，各種新思想新算法不斷涌現(xiàn)，任何算法都不是完美的，都有很多工作可以繼續(xù)，因此，模式識別課程可以很好的用來培養(yǎng)學(xué)生的科研能力和創(chuàng)新思維。針對培養(yǎng)學(xué)生科研能力的教學(xué)目標(biāo)，本課程的教學(xué)重點是理論與實踐相結(jié)合，以具體科研任務(wù)貫穿整個教學(xué)過程，引導(dǎo)學(xué)生積極思考，啟發(fā)學(xué)生科學(xué)思維。

隨著模式識別學(xué)科的日益發(fā)展，模式識別的教學(xué)也從研究生教學(xué)逐漸延伸到本科教學(xué)[5]。對于培養(yǎng)高年級本科生科研能力這個目標(biāo)，我們采取以下三種方法：一是授課方式選擇幾種經(jīng)典的模式識別算法來講，包括k均值聚類（k-means）算法；k近鄰（k-nearest-neighbor， kNN）、Bayes、和支持向量機（Support Vector Machine， SVM）三種有監(jiān)督分類算法；主成分分析（Principle Component Analysis， PCA）和線性判別分析（Linear Discriminant Analysis， LDA）兩種特征提取算法。這幾種經(jīng)典的算法，能夠很好的代表模式識別這門課程。掌握好這些算法，就可以較快較好的適應(yīng)模式識別相關(guān)課題的研究。二是采用以實際模式識別科研任務(wù)為主線的教學(xué)方法，學(xué)生帶著具體的科研任務(wù)聽課，更容易理解復(fù)雜算法，提高聽課效率；實踐環(huán)節(jié)也都圍繞同一個科研任務(wù)，便于前后關(guān)聯(lián)，比較不同算法。通過獨立完成科研任務(wù)，學(xué)生的文獻閱讀能力，編程能力，分析問題、解決問題的能力，都可以得到鍛煉和提高。三是注重引導(dǎo)學(xué)生積極思考，培養(yǎng)學(xué)生的創(chuàng)新思維，將知識灌輸為主的教學(xué)方法轉(zhuǎn)變?yōu)橐詥l(fā)科學(xué)思維為核心的教學(xué)方法。在授課和實驗過程中，有意識的提出科學(xué)問題，先給出幾種可能的解決方案，擴展思路，然后引導(dǎo)學(xué)生自己思考解決方法，培養(yǎng)學(xué)生獨立思考的意識，克服人云亦云的傾向。

一、模式識別教學(xué)內(nèi)容

模式識別作為高年級選修課，我們安排16學(xué)時上課時間，以及16學(xué)時上機時間，給學(xué)生留出充分的自主完成科研任務(wù)的時間。模式識別主要討論的問題是分類和特征提取，其中分類主要包括無監(jiān)督分類和有監(jiān)督分類，特征提取也有無監(jiān)督和有監(jiān)督之分。所以，對于每一個關(guān)鍵問題，我們都選擇最經(jīng)典的算法來講授：對于無監(jiān)督分類，選擇k-means算法；對于有監(jiān)督分類，選擇Bayes分類器，kNN分類器，以及SVM分類器；對于無監(jiān)督特征提取，選擇PCA算法；對于有監(jiān)督特征提取，選擇LDA算法。另外，課程最初4個學(xué)時，用來介紹模式識別基礎(chǔ)概念，講授相關(guān)的數(shù)學(xué)基礎(chǔ)，以及介紹具體的模式識別科研任務(wù)，即遙感圖像分類，講解遙感圖像的數(shù)據(jù)特點。

對于16學(xué)時上機實驗安排，我們圍繞遙感圖像分類任務(wù)，布置四次作業(yè)，第一次實驗是認(rèn)識遙感圖像，學(xué)會使用ENVI軟件。第二次實驗是使用MATLAB實現(xiàn)k-means算法對遙感圖像進行聚類，重點分析初始類心的選擇，迭代終止條件，相似性度量方法的選擇等關(guān)鍵問題。第三次實驗是使用MATLAB實現(xiàn)kNN分類，分析參數(shù)k的選擇以及相似性度量方法的選擇。第四次是實現(xiàn)PCA或LDA降維，并對降維數(shù)據(jù)采用kNN分類，然后與第三次實驗結(jié)果做比較分析。四次上機實驗，都針對遙感圖像分類這一科研任務(wù)，既可以采用最基本算法，又有很大的算法改進空間，適合不同層次學(xué)生的科研能力的培養(yǎng)。

二、以實際模式識別科研任務(wù)為主線的教學(xué)方法

模式識別是一門實用性很強的課程，每種算法都有很好的應(yīng)用實例，我們以具體的科研任務(wù)貫穿整個教學(xué)過程。科研任務(wù)選擇為“遙感圖像分類”，目標(biāo)是獲得好的圖像分類精度。這個課題可以采用簡單的模式識別分類算法完成，但是分類精度可能不高，所以學(xué)生可以通過文獻閱讀、實驗仿真等方式尋找提高圖像分類精度的方法，這個科研任務(wù)既易于著手，又有很大的發(fā)揮空間。

1.授課環(huán)節(jié)

我們把具體科研任務(wù)“遙感圖像分類”貫穿在整個授課環(huán)節(jié)，這樣學(xué)生更容易理解復(fù)雜的公式和算法。每次授課，首先重復(fù)并明確科研任務(wù)，然后講解本次課所講授算法對完成科研任務(wù)所起到的作用，并對于每一個抽象的公式，結(jié)合科研任務(wù)中的具體實例進行講解。例如Bayes分類器，對于公式中先驗概率的計算，假設(shè)遙感圖像只包含兩類地物，分別是水和草地，其中水域占圖像場景的70%，草地占圖像的30%，那么先驗概率就是地物存在的比例，所以水存在的先驗概率為0.7，草地存在的先驗概率為0.3。Bayes公式的概率表達很抽象，但結(jié)合遙感圖像分類任務(wù)，講解公式中每一項如何求解，學(xué)生就能較容易理解并學(xué)會使用該公式。以具體科研任務(wù)為主線，所講解算法不會停留在抽象的公式層面上，而是看到公式，就可以通過實例來把握公式中每一項的物理含義。

2.實踐環(huán)節(jié)

實踐環(huán)節(jié)對于培養(yǎng)學(xué)生科研能力非常重要，通過實驗，學(xué)生可以更深刻的理解算法，并進行思考和探索，以解決實驗中出現(xiàn)的問題，更好的完成科研任務(wù)。四次上機任務(wù)全部圍繞“遙感圖像分類”，互相關(guān)聯(lián)，逐步深入。第一次上機采用ENVI軟件中已有算法進行分類，對不同算法的分類效果有直觀認(rèn)識和性能比較，后面上機任務(wù)就是自己用MATLAB編程來實現(xiàn)這些算法（不是直接調(diào)用MATLAB工具箱函數(shù)直接實現(xiàn)[6]）。第二次和第三次分別對遙感圖像進行k-means聚類和kNN分類，通過這兩次實驗，學(xué)生可以體會有監(jiān)督分類算法的分類效果優(yōu)于無監(jiān)督分類算法，認(rèn)識到訓(xùn)練樣本的重要性。第四次進行PCA或者LDA降維，可以體會降維對于分類的作用，并且，通過PCA和LDA的比較，可以認(rèn)識到，一般情況下，有監(jiān)督的降維算法得到的降維數(shù)據(jù)，相比較無監(jiān)督算法得到的降維數(shù)據(jù)，具有更好的可分性能。四次上機，面向同一個任務(wù)，能夠更好的理解和比較不同算法的作用和性能。并且，實驗中我們要求學(xué)生對算法參數(shù)進行分析，以更深刻理解算法對于參數(shù)的敏感性，學(xué)生在這個過程中可以學(xué)習(xí)到該如何全面的評價一個算法，這些都是進行科學(xué)研究的必要環(huán)節(jié)。

三、以啟發(fā)創(chuàng)新思維為核心的教學(xué)方法

我們將創(chuàng)新思想有意識的貫穿于教學(xué)過程始終，引導(dǎo)學(xué)生積極思考，培養(yǎng)學(xué)生發(fā)現(xiàn)問題，思考問題，解決問題，并提出新思想，新方法的能力。對學(xué)生創(chuàng)新思維的培養(yǎng)體現(xiàn)在以下幾個方面。

1.對已有科研成果的學(xué)習(xí)和評價

閱讀文獻是科學(xué)研究的重要環(huán)節(jié)，這個過程是一個學(xué)習(xí)、積累、思考、創(chuàng)新的過程。我們要求學(xué)生自己檢索并閱讀文獻（包含一篇英文文獻），在閱讀過程中思考：每篇論文主要使用什么算法實現(xiàn)什么任務(wù)？論文有沒有對算法做出改進（為什么改進，原算法存在什么問題，改進方法是什么）？論文中做了什么對比試驗，實驗結(jié)論是什么？論文還存在什么問題或者缺點？論文所作出的改進策略是否好？你自己對算法有沒有什么改進的想法？通過這樣的思考，可以有效引導(dǎo)學(xué)生對已有科研成果進行學(xué)習(xí)和評價，并在這個過程中提出自己的想法，培養(yǎng)創(chuàng)新思維。

2.改進型創(chuàng)新思維的培養(yǎng)

對已有方法存在的問題進行改進，以提高算法性能，屬于改進型創(chuàng)新。在模式識別領(lǐng)域，任何方法都不是完美的，授課過程中要引導(dǎo)學(xué)生思考影響算法性能的因素有哪些，算法可以從哪些方面進行改進？例如k-means聚類算法，第一步是隨機選擇K個類心，第二步是最小距離分類，第三步是判斷算法是否收斂。對于這個算法，引導(dǎo)大家思考，每一步存在什么問題？對于第一步，隨機選擇初始類心，那么隨機選擇是否會得到不同的聚類結(jié)果？算法的穩(wěn)定性是否受到影響？有什么方法可以得到更好的初始類心？對于第二步，主要采用最小距離分類，那么距離度量方法如何選擇？第三步對于收斂的判斷，采用什么準(zhǔn)則更好？這些都是算法存在的問題，在這些方面都可以對k-means算法進行改進。這個過程，重點引導(dǎo)學(xué)生如何提出問題，并從哪些方向可以分析和解決問題。

3.結(jié)合型創(chuàng)新思維的培養(yǎng)

將兩種或者多種方法結(jié)合起來，以達到更好的分析精度，屬于結(jié)合型創(chuàng)新。在第四次實驗中，先對數(shù)據(jù)進行PCA或者LDA降維，然后對降維數(shù)據(jù)進行kNN分類，這就是降維算法和分類算法的結(jié)合。與第三次實驗結(jié)果進行比較，學(xué)生可以體會到無監(jiān)督的PCA算法和kNN算法結(jié)合，無法提高分類精度，而有監(jiān)督的LDA算法和kNN算法結(jié)合，就可以提高分類精度。通過實際訓(xùn)練，培養(yǎng)學(xué)生多種方法相結(jié)合的創(chuàng)新思維。這種創(chuàng)新思維的建立，需要有較為完備的理論基礎(chǔ)，是本科生所缺乏的，所以要鼓勵學(xué)生多學(xué)習(xí)新方法，并多閱讀文獻，學(xué)習(xí)尋找算法結(jié)合點。

4.應(yīng)用型創(chuàng)新思維的培養(yǎng)

將一個領(lǐng)域的已有知識和方法有效的應(yīng)用到另外一個領(lǐng)域，屬于應(yīng)用型創(chuàng)新，是比較難的創(chuàng)新，需要對兩個領(lǐng)域的知識都有好的掌握。模式識別課程中有較多這樣的成功實例，例如Bayes分類器，就是概率論中學(xué)習(xí)過的Bayes公式，引導(dǎo)學(xué)生思考，算法是如何建立橋梁，將公式中每一項賦予特定的物理意義，并將公式應(yīng)用到遙感圖像分類中的。對于培養(yǎng)本科生的應(yīng)用型創(chuàng)新思維，要多分析實例，在實例中帶領(lǐng)學(xué)生積極思考。

四、結(jié)語

模式識別是一門理論性和實用性都很強的課程，作為一門高年級本科課程，我們以培養(yǎng)學(xué)生的科研能力為目標(biāo)，采用理論與實踐相結(jié)合，以具體模式識別科研任務(wù)貫穿整個教學(xué)過程，并以啟發(fā)科學(xué)思維為核心的教學(xué)方法，提高學(xué)生的科研能力和創(chuàng)新能力。實踐證明，學(xué)生在學(xué)習(xí)過程中，改變了問題具有唯一正確答案的思維模式，積極思考各種解決問題的方法，體會到了科研的樂趣，提高了獨立分析問題、解決問題的能力。

參考文獻：

[1]姜長寶.本科生科研能力培養(yǎng)的途徑與方法探討[J].科技管理研究，2010，（8）：152-154.

[2]孫即祥.現(xiàn)代模式識別[M].第二版.北京：高等教育出版社，

2008.

[3]邊肇祺，張學(xué)工.模式識別[M].第二版.北京：清華大學(xué)出版社，

2001.

[4]楊淑瑩.模式識別與智能計算：Matlab技術(shù)實現(xiàn)[M].第二版.北京：電子工業(yè)出版社，2011.

[5]戚玉濤，劉芳，焦李成.模式識別教學(xué)實踐與課程改革[J].計算機教育，2010，（19）：24-26.

[6]楊勃，歐陽竟成，潘理.Matlab在“模式識別”課程教學(xué)中的應(yīng)用研究[J].中國電力教育，2012，（34）：63-64.

（責(zé)任編輯：劉麗娜）