侯志强+余旺盛+沈明华+李小春+程英蕾
摘 要：提出一种基于研究前沿牵引的创新能力培养教学模式，介绍具体改革思路，说明教学改革实践结果。
关键词：模式识别；教学改革；创新能力
文章编号：1672-5913（2017）05-0045-03
中图分类号：G642
0 引 言
模式识别是信息与通信工程、计算机技术、控制科学与技术等学科的一门专业基础课程，理论性和实践性都非常强[1]。该课程能够提高学生智能信息处理水平和工程实践能力，为日后从事智能识别、工业检测、医学诊断等工作打下必要的知识基础，受到众多具有相关专业高校和研究所的重视[2-4]。
1 传统授课过程中存在的问题
1.1 教学方法单一
在前期教学中，全部内容均采用传统的精讲形式授课，即由教师讲解，学生听课，课后完成作业的形式。这种教学方式使学生严重依赖于教师对课程内容的安排，造成学生仅仅是被动接受知识，缺乏思考的积极性和主动性。
1.2 授课内容缺少对最新研究成果的介绍
近年来，模式识别课程所涉及的知识和方法发展得非常迅速，尤其是深度学习技术的迅速发展，使各类新型的识别系统大量出现并成功应用于日常生活的很多方面。教材内容在反映这些新兴技术方面难免有一些滞后，这类新技术、新方法在前期的授课内容中并没有涉及和体现，使学生不能及时了解和掌握最新研究成果的进展。
1.3 对创新能力的培养缺乏有效方法
模式识别是一门具有鲜明创新性的课程，内容涉及大量的经典算法和解决问题的巧妙思路，是体现人类创新性思维的绝佳案例。学生在学完这门课后，应当在创新思维方面具有很大的启发，并能在以后的科研活动中有所体现。如何通过这门课程对学生的创新性进行培养，在前期的教学中未能很好地实现这一目的。
1.4 对学生的评价不够全面
尽管这门课理论性和实践性都非常强，但在前期教学中，对学生的考核仅仅是在课程结束后进行闭卷答题，试卷内容主要是对一些基本概念和基本方法的考核，对其中所涉及的需要编程实现的内容无法呈现，同时也缺少对学生独立思考能力方面的检测，导致评价不够全面。
2 基于研究前沿牵引的创新能力培养教学模式改革思路
基于研究前沿牵引的创新能力培养教学模式是根据课程特点，结合模式识别领域中的最新研究热点问题，专注于学员创新能力的培养，为学员独立开展学位论文的研究工作打下良好基础。
该模式采取如下思路：①仔细确定课程教学内容，全面打牢基本理论功底；②积极引入研究领域的前沿知识；③精选教材中的经典算法，在实现基本算法的基础上提出改进创新思路。
通过这一教学改革模式，使学生在具备扎实理论功底的基础上，以研究领域的前沿问题为牵引，引导学生实现基本算法的改进，最终实现创新能力的提升。
3 教学模式改革的具体措施
3.1 全面打牢基本理论功底
坚实的理论功底是进行创新的前提，是进一步学习研究的基础。仔细确定课程教学内容，选择好的教材和参考书是打牢理论功底的重要途径。在模式识别课程教学中，清华大学张学工教授编写的《模式识别》第三版国家精品课程教材[5]，全面系统地讲解了模式识别领域的基本概念和方法，并引入近年来较新的理论，内容深入浅出，是一本很好的教材；配合这本教材的学习，为学生提供3本重要的参考书，分别是Bishop[6]编著的《Pattern Recognition and Machine Learning》，Duda[7]等编著的《Pattern Classification》（第2版）以及2016年南京大学周志华教授编著的《机器学习》[8]等书，这些参考书与教材内容能够很好地相互补充，既发掘了课程内容的深度，又拓展了课程学习的广度。
3.2 积极引入研究领域前沿
在教学过程中，如果能将所学习的基本理论与当前学术界正在研究的前沿问题结合起来进行讲解，将会使学生在学会基本理论的基础上，了解和掌握这些理论在实际研究中是如何应用的，从而为学生在后续工作中提供良好的研究思路，这是在实施“基于研究前沿牵引的创新能力培养教学模式”中的一项重要措施。笔者在所研究领域中抽取了6类目前研究的热点问题，将其中所使用的重要方法与课程内容结合起来，通过课前提供参考资料、课中研讨和课后总结的方式，有意识地培养学生的创新能力，取得了不错的效果。这也为改进传统教学中对学生创新能力培养缺乏有效方法的不足提供了一种思路。
抽取的6类研究热点问题分别是：①背景重构技术；②图像检索技术；③鲁棒特征选择技术；④人脸识别技术；⑤车辆牌照识别；⑥生物特征识别等。其中，在完成参数和非参数概率密度估计的教学之后，学生对这两类概率密度估计方法的理解有一定难度，尤其是对这两类方法的应用感觉很抽象，而经典的背景重构技术中，恰好有这两类方法应用的生动实例。这两类方法在背景重构技术中还在继续发展，非常适合用于研讨，背景重构技术的引入一方面使學生掌握了参数和非参数概率密度估计的方法，另一方面使学生明白如何将所学理论与需要解决的实际问题很好地联系起来，从而为学生提供一个提升创新能力的例子。特征的选择和提取是模式识别中的难点问题，大量的模式识别难题都是因为特征难以表述而引起的，因此，我们为学生提供了更多的研讨内容，如图像检索技术向学生展示怎样利用目标的原始信息去构造特征；鲁棒特征选择技术向学生展示怎样采用一定的处理方法去发现更好的特征表达；在学习PCA 方法后，我们对基于这一基础方法的人脸识别算法进行研讨；而对模式识别系统的进一步认识则是通过车辆牌照识别和生物特征识别的研讨加深理解。在教学过程中，我们还积极介绍诸如遗传算法、神经网络、深度学习等模式识别领域中方法的最新研究进展情况。
3.3 精选经典算法改进创新
模式识别课程的实践性非常强，而实践能更好地推动创新。我们从教材中选取3种基本算法，以大作业（Project）的形式布置给学生在课后进行编程实现，并要求在最后一次报告课中进行算法的现场展示。选取的3种基本算法分别是：①基本Parzen窗法的设计与实现；②Otsu方法（大津法）的设计与实现；③基本C-均值算法的设计与实现。对这3种算法要求首先实现基本算法，其次，为了更好地引导学生发挥主动性和创造性，要求在实现基本算法的基础上，对Parzen窗法需要选取不同的核函数，并尝试参数的自适应处理；对Otsu方法需要考虑如何利用Fisher思想对原始算法进行改进；对基本C-均值算法需要考虑如何更好地进行初始化等。
也就是说，要求学生不仅实现基本算法，还需要考虑对基本算法的改进。更进一步要求学生在实现基本算法并改进的基础上撰写课程论文，从而通过具体的手段实现对创新能力的初步引导和培养。采用这种方法有不少学生在课程结束后将所撰写的论文发表在了核心期刊上。
3.4 采用多种方式实施教学
与传统的教师在课堂上从头到尾唱独角戏不同，我们对课程教学采取了3种授课方式：精讲、研讨和报告课。本门课一共设置40学时，课时分配是精讲课26学时，研讨课12学时，报告课2学时。精讲课是采用传统方式对基本理论和基本方法进行详细讲解；研讨课是将研究前沿和研究热点与所讲解的基本理论与方法结合起来，由学生组织研讨，教师在课堂上起维持秩序和引导作用；报告课虽然只有2个学时，但是“功夫在诗外”——平时的大量工作要在短短的时间内展示汇报完，所布置的3个大作业的结果展示和撰写的论文都需要在报告课上逐人进行演示报告，这次课在教学过程中学生表现最为积极踊跃。
多种授课方式有效地改变了以往教师讲、学生被动听的局面，学生学习的积极性和主动性明显增强。同时，为了适应教学方式的改变，在考核方式上也采取多种形式，学生的评价由大作业成绩、小论文成绩、平时研讨成绩和闭卷考试成绩综合评定，从而能更全面地反映学生对知识的掌握和理解的程度。
3.5 撰写指导材料辅助学生
为了有效地指导学生开展研讨以及顺利完成大作业，我们还编写了模式识别研讨与实验指导手册。该手册内容分为两个部分，第一部分是研讨课指导，第二部分是编程作业。第一部分内容包括6次研讨课，在对相关理论基础和研讨内容进行介绍之后，列出讨论要点，学生围绕讨论要点进行重点思考，同时我們还提供10篇左右的参考文献指导学生进行阅读和准备；第二部分内容包括3次编程作业，给出的算法编程任务需要学生在掌握基本理论的基础上独立完成。
4 结 语
采用基于研究前沿牵引的创新能力培养教学模式进行授课，这种模式首先突出学生的主体地位，提高了学生学习的积极性和主动性；其次，采取的措施具体可行，有效地强化学生的创新意识；第三，通过阅读文献、问题研讨、算法改进、论文撰写等环节在潜移默化中培养了学生基本的科研能力，为其后续的研究工作打下比较坚实的基础。通过课后交流和反馈，学生们一致反映本门课程的学习强度大，经常需要加班加点主动完成很多任务；课程结束后都感到学到了很多东西，不仅仅是课本上的基本理论和基本方法，还包括对问题的思考方式和对系统总体的把握等。
我们将在后续模式识别课程教学中不断改进提高这种新的教学模式，为学生创新能力的提高打下更为坚实的基础。
参考文献：
[1] 高贵， 周石琳， 孙即祥， 等.“模式识别”课程教学改革探索[J]. 电气电子教学学报， 2014， 36（6）： 35-36， 55.
[2] 袁立， 李晓理. 基于CDIO的“模式识别”课程教学改革研究探索[J]. 中国电力教育， 2013（4）： 51-52.
[3] 王函石， 刘丽珍， 宋巍， 等. 结合模式识别课程建设，探索人才培养改革模式[J]. 计算机教育， 2014（9）： 54-56.
[4] 张芳， 肖志涛， 韩晓军， 等. 模式识别课程教学改革思考[J]. 计算机教育， 2012（4）： 45-47.
[5] 张学工. 模式识别[M]. 3版. 北京： 清华大学出版社， 2010.
[6] Christopher M B.Pattern recognition and machine learning [M]. Cambridge：Springer， 2006.
[7] Richard O D， Peter E H， David G S. Pattern classification[M]. 2nd ed. New York： John Willy & Sons， Inc.， 2004.
[8] 周志华. 机器学习[M]. 北京： 清华大学出版社， 2015.
（编辑：郭田珍）
