結合科研的“模式識別”研究生教學改革探索與實踐

張競成 袁琳 陳豐農 吳開華

【摘 要】“模式識別”作為理工科院校研究生階段一門重要的專業課，與科研過程聯系緊密，其教學效果對研究生科研質量有較大影響。本研究首先介紹了“模式識別”課程的教學現狀。在此基礎上，對研究生“模式識別”課程與科研結合點進行剖析，分別從（1）數據分布、統計特征、概率密度特征，（2）各類分類器的原理及適用條件，以及（3）特征選擇和提取方法三個方面進行介紹，并介紹了筆者所在的教研室對研究生“模式識別”課程進行的改革和探索。最后指出課程未來建設發展的問題和挑戰，希望給廣大同行提供參考。

【關鍵詞】模式識別;研究生;教學方法;改革

中圖分類號： TN911.7-4;G642 文獻標識碼： A文章編號： 2095-2457（2019）06-0200-002

DOI：10.19694/j.cnki.issn2095-2457.2019.06.077

0 引言

模式識別（Pattern Recognition）是通過計算機用數學方法來研究模式的自動處理和判讀，該門課程由于在電子、自動化、通信、生物工程等多個理工科領域有廣泛的應用，同時也與數據挖掘、大數據分析、人工智能等多門現代新興學科有著廣泛而深刻的聯系，很多知識是這些學科領域開展研究工作的工具和基礎。因此，模式識別作為一門研究生課程在高校的理工科相關專業中廣泛開設。模式識別課程的內容與統計學，線性代數，離散數學等多門基礎數學課程關聯，同時如神經網絡、遺傳算法、模擬退火等多種模式識別和優化算法又借鑒了仿生學以及其它物理原理、規律和模型，因此教學內容較為復雜，教學難度較高，致使研究生對課程的掌握普遍停留在“大概了解”的水平，難以將課程知識和方法活學活用，促進科研工作。本文對研究生模式識別課程的教學現狀進行梳理，并且結合教研室老師在研究生模式識別多年授課中進行的思考和嘗試，探討如何將研究生模式識別課程與科研更好地結合。

1 “模式識別”課程教學現狀

模式識別課程由于涉及內容綜合而廣泛，因此教學方式往往靈活而多樣。目前，國內部分高校等模式識別任課教師已嘗試對課程教學方法進行不同形式的改革和實踐。戚玉濤等（2010）針對學生數學基礎有限的問題，結合教學實踐，將模式識別的教學內容劃分為基礎型和前沿型兩類，并針對兩種類型提出弱化公式推導強調物理含義的教學思路，結合實例先導教學法從如何培養學生實踐能力和科研興趣的角度給出了一些建議[1]。劉雨等（2011）針對“模式識別”課程教學，提出了開放式案例教學的構想和具體實施方法，并以課程實驗加課堂研討的方式實現，從實際科研項目中分解提煉出與課程教學內容相關的內容作為案例，設計分層次、縱橫連貫的課堂研討教學[2]。張燦龍和唐艷平（2014）針對模式識別課程教學中存在的諸如課程難度較高、教學方法單一、學生數學基礎較差等問題，提出了監督式任務驅動、開放式案例設計、虛擬教學平臺建設等改革方案，并進行了有益的實踐[3]。馬麗和侯強（2014）在進行模式識別課程教學時，通過科學的教學設計培養學生的創新思維和科研能力，采用以實際科研任務為主線和以啟發科學思維為核心的教學方法，培養學生獨立分析問題、解決問題的能力[4]。孫麗慧和宋蔚（2016）嘗試將模式識別課程與科研實際結合，結合心電圖（ECG）信號處理方面的最新研究進展，探討了對課程教學手段、教學方法及教學內容改進和完善的改革和實踐[5]。陳錫愛等（2017）將項目教學方法應用于模式識別研究生課程的教學，以工程項目開發能力為培養目標，以視覺檢測在生產線上的應用為實驗對象，采用理論教學與實踐教學交叉進行的方式，有效鍛煉學生的系統設計和測試能力[6]。綜上，如何將模式識別課程教學與科研實際相結合可能是改善課程教學效果，培養學生創新能力的可行途徑。

2 研究生“模式識別”課程與科研結合點剖析

模式識別課程的不同章節能夠為科研提供不同的思考角度、分析工具和解決問題的策略。本部分對這些聯系進行一定的梳理，以便于課程教學中更好的選擇教學方法，把握教學重點。

2.1 對數據分布、統計特征、概率密度特征的理解和分析

在很多的科研問題中都需要對數據的分布統計特征和概率密度特征有深入的了解，模式識別課程中關于統計決策方法以及概率密度函數估計兩部分中相關的內容能支撐上述分析，使研究者更好地了解所分析數據的特征。具體的方法可以包括正態分布時的統計決策、最小錯誤率及最小風險貝葉斯決策、參數估計、最大似然估計、貝葉斯學習等。該部分的知識與概率統計課程中的內容關聯緊密、相互補充，在教學過程中應注意對兩門課程中關聯內容的介紹和串講。

2.2 理解各類分類器的原理及適用條件

分類器是模式識別課程的重要內容，同時也是各類科研中頻繁用到的工具。分類器大體可以包括Fisher線性判別、感知器、支持向量機等線性分類器，二次判別、多層感知器、人工神經網絡等非線性分類器，K-近鄰法、決策樹和隨機森林等其它分類器以及K-MEANS聚類、ISODATA等非監督分類器。不同的分類器具有不同的原理和特點，因此也就有不同的適用條件。科研中經常遇到的一個問題是在什么條件下為解決什么問題應如何選擇合適的分類器。教師在講授該部分內容時應注意對不同分類器的原理和適用條件進行對比，并結合一些案例說明分類器選擇的原則和思路。此外，近年來得到快速發展的深度學習等算法在科研中，受到越來越多多關注。這些新算法，通常從傳統的模式識別算法，演變發展而來，例如深度學習算法是從人工神經網絡發展而來。因此，授課過程中可以對這些新算法進行擴展介紹，講述其特點以及在大數據處理和分析等方面的優勢，使其更好地為科研所用。

2.3 掌握特征選擇和提取方法

特征是模式識別過程中聯系數據和模型的重要媒介，在科研問題的解決過程中具有重要意義。模式識別課程中給出了特征選擇與提取的方法，包括各種類別可分離性判據，模擬退火、遺傳算法、粒子群算法等特征組合優化算法，以及主成分分析、獨立成分分析、偏最小二乘回歸等特征提取算法。這些方法能夠幫助研究者篩選出對問題敏感的特征，并將特征進行有機組合以提高建模的效率。近年來的一個新趨勢是將特征選擇和提取方法與分類器耦合，形成一個從數據到模型的整體分析框架，也稱為Wrapper方法，在實際研究過程中相比于傳統的Filter方法往往能夠獲得更理想的效果。該部分內容的講授應注意結合研究生的專業背景，選擇適當的研究案例，以更好地啟發和引導學生靈活掌握和應用這些方法。

3 結合科研的研究生“模式識別”課程改革探索

筆者所在的教研室對研究生“模式識別”課程的改革探索主要包括三個方面：（1）首先，是在講授過程中插入案例對方法進行講授和解釋。（2）根據研究生的專業方向選擇了一個基于遙感光譜數據的植物分類和狀態監測研究作為分析案例，介紹了ISODATA波段聚類和JM距離結合的特征敏感性分析方法，對比分析了K近鄰算法、遺傳算法-支持向量機耦合算法（GA-SVM），以及隨機森林（RF）算法在建模過程中的性能和特點，據此對模式識別的整個流程進行演示和分析。（3）布置一項開放性作業，要求結合自己所從事的科研任務，采用相關模式識別方法進行分析、展示和報告。經多年教學改革實踐，課堂討論氣氛熱烈，學生普遍反映通過這種教學方式既掌握了模式識別相關方法并有更深入的理解，同時也有助于科研工作的開展。

4 問題與展望

“模式識別”作為眾多理工科專業研究生階段一門重要的工具課程，其教學效果深刻影響著研究生科研的質量。雖然筆者所在教研室以及國內外教師同行近年來在課程教學方面進行了一系列的改革，但仍存在一些問題和挑戰，主要體現在（1）如何更有效地將課程內容與相關基礎數理知識有機聯系;（2）如何把握具體算法原理和應用兩方面的教授重點;（3）如何更多地創新教學模式和方法，采用一些先進的教學工具提升教學效果。相信未來通過不斷創新和努力能夠逐步提高“模式識別”研究生課程的教學質量。

【參考文獻】

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

[2]劉雨，孫即祥，余莉. “模式識別”課程開放式案例教學設計[J]. 電氣電子教學學報. 2011， 33（3）： 103-105.

[3]張燦龍，唐艷平. 地方高校研究生模式識別課程教改實踐[J]. 計算機時代. 2014（9）： 60-62.

[4]馬麗，侯強. 以培養學生科研能力為目標的模式識別本科教學[J].中國電力教育. 2014（36）： 133-134.

[5]孫麗慧，宋蔚.結合科研的模式識別教學改革嘗試——以ECG信號分類為例[J].浙江科技學院學報.2016，28（1）：78-80.

[6]陳錫愛，王凌，王斌銳，等.基于項目教學的圖像處理與模式識別課程教學改革研究[J].教育現代化.2017（02）：48-49.