SCI论文（www.lunwensci.com）:
摘要：《模式识别》是智能科学与技术等相关本科生专业的一门重要的专业基础课。在当前世界各国在计算机智能和计算技术方面的竞争持续加强的大环境下，该门课程越来越受到学生们的关注，同时在相关专业的课程教学中的重要性也在持续提升。我们从模式识别学科的发展沿革出发，探讨了《模式识别》课程的重点和难点；对其教学实践探索的多个方面，如在课程教学中基本概念和数学理论的引入、直觉理解与数学化描述的联结、工程问题的工程化及与时俱进的课程内容扩充等方面，进行了思考、分析和讨论。希望籍此对《模式识别》课程的教学实践带来提升。
关键词：模式识别；理论教学；教学探索；工程实践
本文引用格式：贺霖，等.当前本科生《模式识别》课程教学的探索与思考[J].教育现代化,2019,6(61):201-202.
一 前言
《模式识别》课程是一门介绍和学习经典模式识别理论的课程，其主要包含了统计模式识别技术，神经网络技术及人工智能等方面的内容[1]。本门课程的授课对象可为智能科学与技术等专业的本科生，其授课目的是让学生通过相关理论的学习和实践，提升其在该方面的专业知识和实践技能。为达到这一目的，需要对当前本科生《模式识别》课程授课相关的一些问题进行详细分析和研究，以便对授课内容等方面随时进行合理调整。
二 相关学科发展沿革
模式识别理论诞生于20世纪20年代，并随着40年代计算机的出现，50年代人工智能的兴起，其在60年代初迅速发展成一门具有相对独立性的专门学科。在模式识别发展的过程中，出现了一些重要的历史事件：1929年G.Tauschek发明了可以阅读数字0至9的机器；20世纪30年代R.A.Fisher提出统计分类理论，奠定了统计模式识别的基础；50年代N.Chemsky提出形式语言理论，美籍华人付京孙提出句法结构模式识别；60到70年代，模式识别发展迅猛，识别的模式日趋复杂，功能日渐增多，人们开始意识到“维度灾难”的问题；1973年美国电子电气工程师学会IEEE发起了第一次关于模式识别的国际会议“ICPR”，成立了国际模式识别协会“IAPR”；20世纪80年代，Hopfield提出了一种神经网络模型理论，以此为推动，人工神经网络开始被广泛应用于模式识别和人工智能等领域；如今，深度学习快速发展，神经网络结构变得越来越宽和越来越深，能高效地处理更加复杂的问题。
三 课程特点和难点
《模式识别》课程所涉及的相关理论背景范围广泛，包括矩阵理论、概率论和数理统计、优化理论及图像处理等方面的内容。而这些方面的内容，相对于本科生普遍已有的知识背景来说，显得过于宽泛和深入，要求本科生在学习这门课程之前具有这方面的全部知识储备是不现实的。
除了理论方面的学习外，该课程还具有很强的实践性，需要通过编程实践以强化学生对课程理论的理解。这要求同学们在理论学习以外，对相关的一些编程平台和语言，如MATLAB，C++或OPENCV等，要有较好程度的掌握。
从《模式识别》课程本身涉及的基本内容方面来看，其包括了相关数学理论基础、维数约简、特征提取和选择、贝叶斯决策论、无参和有参估计、线性判别及神经网络等内容[2]，相关具体理论应用范围宽广且具有很大的跳跃性。如何对这些内容进行恰当的取舍和重要性的调整，也不是一件易事。
四 教学实践探索
在过去的教学模式中，基本上是课本的理论知识教授占了教学大部分的时间，而且课程考核基本都是理论考试。但是，由于理论复杂、概念抽象，导致学生将过多时间放在理论学习上，难以理解模式识别的概念。为改善教学效果，提高教学质量，必须对教学模式进行改革[3,4]。
（一）注重数学基础知识的回顾与扩充
概率论与数理统计、微积分等是大部分理工科目的数学基础，而且模式识别涉及许多数据处理方面的实际考虑，比如说，对于输入数据的不确定性，需要引入概率论和数理统计方面的相关知识；在多维特征的情况下，还需要引入多元微积分和矩阵论等方面的知识；还涉及到其他的一些较为丰富的相关理论，如信号处理、图像处理和最优化等。因此，为保证课程的顺利进行，需要对相关的数学基础在课程的理论和实践环节教学过程中进行回顾与适当扩充，以提升学生对模式识别课程的掌握效果[5]。
（二）注重基本概念的引入
对于时空中存在的、可观察的对象，它们可以被区分成相同或者不同的类别，则可以被称为模式。模式所属的类别或同一类的模式称为类。模式识别是基于特定的比例或观察结果，将被观测事物划分到各类别的过程。模式识别的研究是了解观察者如何感知对象，以及如何使用计算机实现模式识别理论和特定任务下的模式识别方法[6]。前者属于认知科学的范畴，和生理学、心理学等研究领域相关，后者则是数学家、信息学家和计算机科学家近几十年的努力，并经过了系统研究的结果。
计算机模式识别系统一般来说可由三个相互关联的部分组成，包括输入、分析和模式分类。输入是将原始信息转换为易于在计算机中操作的向量。分析是对数据的进行不同方法的处理，包括增强特征、提取特定区域及压缩等。模式分类是使用通过模式分析获得的信息来训练计算机以制定判别标准以对识别模式进行分类。对于《模式识别》课程基本概念框架的掌握与理解是后续理论与实践深化的重要前提。在课程中引入和分析基本概念，可增强学生对模式识别问题的认识和分析能力。
（三）直觉理解与数学化描述的连接
直觉理解是人类认识客观世界的一种本能方式，而数学化描述是对客观世界定量化分析的手段。在《模式识别》课程的教学中，使用直觉理解作为前导化的，建立逻辑上的合理性指引，然后在此基础上建立相应的数学化描述，并最终使得直接理解和数学化描述相互印证，相互指引。通过二者相互结合的教学方式，可显著提升学生对实际模式识别问题的理解深度和解决能力。
（四）工程问题的公式化
实际工程应用中的问题虽没有直观的公式描述，但其背后与模式识别理论中的数学模型相对应，将实际工程的问题公式化并建模是理论与实际结合的重要桥梁。理论教学的必要性在于熟练掌握并最终将理论知识应用至实际问题中，因此在模式识别的实践课程中，培养学生的公式化能力和习惯是必不可少的环节。工程问题公式化可将抽象的理论概念通过公式对应到实际问题中，使得学生对理论概念有系统且直观的理解。
（五）教学内容与时俱进地适当扩充
最前沿的课程知识往往会涉及到当今科技探索和发展领域中受到普遍关注的理论和方法[7,8]，如现在很热门的深度学习。在本课程的课堂上，除了基础理论知识外，应当加入前沿理论的相关论文的阅读和讨论，尽可能地向学生提供培养创新思维模式与锻炼自我学习能力的机会。
五 总结
本文针对智能科学与技术等本科专业《模式识别》课程的教学思路和方法进行了思考和讨论。通过对各方面的问题分门别类的归纳和总结，希望能够使得学生们通过《模式识别》课程的学习，有效地增强其在模式识别这一较为前沿的科学领域中的创新思维、实践技能及自我学习能力。
参考文献
[1]冀俊忠.落实科学发展观,深化“人工智能”课程的教学改革[J].计算机教育,2009(24):105-107.
[2]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.
[3]宋克慧,田圣会,彭庆文.应用型人才的知识、能力、素质结构及其培养[J].高等教育研究,2012(7):94-98.
[4]任铭,李振平,运士伟.应用型本科高等数学创新思维教学探索与实践[J].高师理科学刊,2018,38(04):73-76.
[5]张燕南,赵中建.大数据时代思维方式对教育的启示[J].教育发展研究,2013(21):1-5.
[6]熊超.模式识别理论及其应用综述[J].中国科技信息,2006(06):171-172.
[7]张立国,王博.基于案例式的“现代模式识别”课程教学改革研究[J].教育现代化,2018,5(03):62-64.
[8]张懿璞,闫茂德,常琪.基于人工智能背景下的模式识别课程教学改革与实践[J].陕西教育(高教),2018(11):26-40.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！ 文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jiaoyulunwen/15973.html
