SCI论文（www.lunwensci.com）
摘要：文章在阐述相关背景的基础上，首先从理论教学与项目实践同步、教学内容的专题模块化与综合实践 相结合、案例内容的单元模块化构建与综合实践相结合、案例扩展复现与研讨相结合四个方面论述了新工 科背景下研究生“模式识别”课程“一体三面”式教学改革实践，然后对新工科背景下研究生“模式识别”课程 “一体三面”式教学改革进行了反思。
近年来，作为计算机技术一个热门研究领域，模 式识别技术的相关成果在工业界被广泛应用[1-2] 。 由 于模式识别技术对社会发展十分重要，高校针对电 子信息类、计算机技术类及自动化类的研究生皆开 设了“模式识别”等相关课程。研究生“模式识别”课 程涉及本科阶段的“高等数学”“线性代数”“概率论 与数理统计”等课程内容，牵涉大量的数学公式，对 算法的要求也较高，故综合性、交叉性特点明显。这 对于数学基础薄弱的研究生来说，学习难度较大。另 外，大多数研究生反映“模式识别”课程枯燥难懂，且 他们无法将所学的理论知识与具体算法相关联。故 而为了提高研究生学习“模式识别”课程的效率，很 多高校都施行了一定的教学改革措施，但整体效果 不尽如人意，原因是传统的教学模式无法充分契合 课程，即教学模式无法匹配课程的特点[3-4]。
新工科以面向未来、塑造未来为目的，以传统与 创新相结合、理论与实践相结合为手段，旨在培养高 素质复合型人才。为了实现新工科背景下的“模式识 别”课程人才培养目标，启发和培养研究生利用学到 的理论知识处理问题及培养研究生的创新思维，本文 拟结合“模式识别”课程，构建一种“一体三面”式教学 模式，以期培养研究生的核心职业能力，进而使研究 生实现零距离就业。
一、相关背景
20世纪 20年代末，以光电阅读机的发明为标志， 模式识别学科正式走进人类生活世界。随着模式识别 技术的发展，国内外大多数高校电子电气类相关学科在研究生阶段都开设了模式识别相关课程。国外斯坦 福大学和麻省理工学院在 20世纪 40年代最早开设 模式识别相关课程。在课程教材建设方面，毕晓普的 Pattern Recognition and Machine Learning (《模式识别和机器学习》) [5]、杜达等的 Pattern Classification(《模式 分类》) [6]、多尔蒂的 Pattern Recognition and Classifica-tion: Introduction(《模式识别和分类：一个入门》) [7] 都是国外重要的模式识别相关课程参考书，且部分书 籍有相应的中译本。 另外，由人工智能领域全球最权 威学者之一的吴恩达主讲的“Machine Learning”视频 课程已发布在慕课平台 Coursera 上，可以供模式识别 爱好者观看。国内清华大学、中国科学院在模式识别 领域的研究成果全球知名。1981 年，清华大学模式识 别与智能系统研究生专业成为全国该领域教学的开 端，为学生开设了模式识别相关课程。之后，又编写了 模式识别相关课程教材，到目前为止已演进到第四 版。 2007 年，清华大学的“模式识别基础”课程被评为 国家级精品课程。另外，国防科技大学的蔡宣平教授 于 2009年建成“模式识别”国家级精品课程。这些精 品教材和精品课程的建设对模式识别相关领域的发 展起到了助推作用。 尽管国内外有很多的优秀参考教 材、精品视频课程内容和网络慕课资源可供研究生借 鉴学习。然而，当今的“模式识别”课程教学模式和内 容已不符合研究生创新型人才培养的要求[8-10]。因此， 高校需要总结知名教学专家在“模式识别”课程中的 教学经验和教训，探索该课程在新工科背景下的教学 改革路径，以便进一步完善课程教学体系，提高课程教学质量，进而强化研究生的理论基础与实践能力。
笔者经过梳理，发现新工科背景下研究生“模式识 别”课程教学存在的问题主要有以下两个方面。第一， 教学组织方面。模式识别技术或算法更新送代较快，而 研究生“模式识别”课程的授课内容并没有太大的变 化，仍然按照独立的知识点进行授课，系统性不强，也 缺乏知识点之间的连贯性;课程安排紧凑，学生对公式 的物理含义理解浮于表面，对这些数学公式如何解决 实际的问题也缺乏深层次的理解;理论教学学时远远 多于实践教学学时，导致整体上重视理论公式推导而 轻视实践教学。同时，教师“填鸭式”讲解“模式识别”课 程中的理论知识，形成了教师与学生之间的“单工”教 学模式，从而影响了学生学习的积极性。另外，教师大 多利用研究性教学方式，更看重学生的专业兴趣和爱 好，并借助互联网资源，循序渐进地引导学生尽快进入 学习状态，同时通过课前准备、课堂分布式研讨等方 式，使学生的感性认识逐步上升为理性认识，并进一步 转化为知识。然而，这种“填鸭式”的教学模式使学生很 难深入理解课程涉及的关键问题，同时也很难培养学 生的自主学习能力和创新意识。第二，评价机制方面。 当前，研究生“模式识别”课程对学生学习效果的评价 主要以知识的传授过程、传授体验及如何应用知识为 出发点，且更关注学生在课堂中的参与度及应用课堂 知识的能力，并辅以期末考试。即更偏向于仅以期末考 试作为考查课程教学效果的唯一指标，却忽略了对学 生实践能力的考查。
据上所述，当前研究生“模式识别”课程教学模式 与国家倡导的新工科建设和创新型人才培养的要求 还存在相左之处。因此，本文拟结合研究生“模式识 别”课程特点，借鉴国际高水平大学在教学中的经验， 探索新工科背景下的教学改革，以完善课程体系结构 及提高课程教学质量，进而培养创新型研究人才。
二、新工科背景下研究生“模式识别”课程“一体 三面”式教学改革实践
研究生“模式识别”课程是一 门实践性很强的课 程，教师在授课时需采用算法理论讲解和上机介绍相 结合的方法。如此，学生通过课程的学习，可以系统掌 握模式识别的基本知识、理论和方法，了解模式识别 的发展趋势和应用领域，这样不仅能够为将来进一步 深入学习和研究模式识别打下坚实的基础，还能提高 解决工程问题的能力。“模式识别”课程教学要达到的 三个目标具体如下：目标 1 为通过课程学习，学生要 知悉模式识别的基本概念、基本理论、基本算法和应用方式，理解模式识别的主要研究内容、研究方向和 研究方法，掌握统计模式识别和结构模式识别的基础 算法;目标 2 为通过课程学习、工程案例分析和算法 实现练习，学生要能够分析来自生产实践中的工程性 模式识别问题，并能够依据所学基础知识选择运用合 适的模式识别算法和技术提出具体的系统性解决方 案; 目标 3 为通过课程学习、工程案例分析和算法实 现练习，学生要能够针对工程性模式识别问题进行模 式识别系统的数学建模，并通过计算机技术实现所设 计的系统，同时能够评估系统的识别效果和不足，从 而理解算法的局限性。根据以上目标，“模式识别”课 程“一体三面”式教学应设计为“理论教学与项目实践 同步，融‘教’‘学’‘做’于一体;教学内容的专题模块 化与综合实践相结合(面向智能时代职业岗位需求的 职业性特质);案例内容的单元模块化构建与综合实 践相结合(面向信息时代社会交往的社会性特质);案 例扩展复现与研讨相结合(面向个人未来发展的个性 化特质)”，以最终提高学生解决现实问题的水平，使其 契合技术创新型研究人才的社会需求。
(一)理论教学与项 目实践同步，融“教”“学”“做” 于一体
研究生“模式识别”课程要将“教”“学”“做”融于 一体，即理论教学应与实践教学一一对应，达到理论性 与实践性的有机融合，进一步使课程章节内容与相对应 的实践项目或课题实现有机统一。 针对“模式识别”课 程，教学团队以人工智能对特征提取知识的要求为目 标，以模式分类为主线，在对近些年相关先进的模式 方法和识别方法进行研究的基础上，组建并实施了相 关课程理论内容的专题教学模块，如图 1 所示。从该课 程教学模块中可以看出， 其以子空间算法作为理论教 学基础，以监督学习、无监督学习、特征表示、特征提 取、性能指标等组成大的专题模块。各模块之间以矩阵 分析方法为基础，相互联系、相互衔接。同时，各模块分 别由多个小节组成，小节间以先易后难的知识作为纽 带，循序渐进地增加知识点。
研究生“模式识别”课程首先分别以特征提取和特 征表示为教学出发点，接着按照训练数据是否包含类 别信息分别讲述无监督学习、监督学习、深度学习和强 化学习等，最后从准确率、召回率、精确率三个角度分 析不同方法达到的性能。以专题中的典型理论为出发 点，到具体相关理论，再到流行的解决具体问题的算 法，能够逐步使学生接受并理解课程学习的基本脉络。 另外，课堂讲授用到的 PPT 应尽量以图形、表格等形式呈现在学生面前，并突出算法源头，注重对学生创新思 维的培养。例如，首先教授学生基本的模式识别理论， 如特征选择(PCA 算法)、特征提取(LDA 算法)，学生要 学习这些理论的推导过程，并进一步学习这些算法的 改进方法 (像 Null-LDA、L1-PCA 等算法) 。更重要的 是，在以上算法的基础上，学生要能够自己编写(做)出 相应算法的实现代码，从而深刻理解算法的核心理念。
(二)教学内容的专题模块化与综合实践相结合 (面向智能时代职业岗位需求的职业性特质)
研究生“模式识别”课程教学内容应按照专题的 形式进行建设，每个专题包含多个单元模块，每个单 元模块又包含多个解决实际问题的算法模型。在设置 单元模块的基础上，每个章节的综合实践项目由经典 算法的工程案例组成项目库。项目库中的案例可由教 师的科研项目或成果分解而出，或者由往届学生参与 的比赛项目等组成。为了便于学生学习和进行任务分 配，每个算法模型可设置标准输入输出函数，以便于 学生调用和扩展，也便于使学生养成标准化的程序设 计习惯。“模式识别”课程的教学内容模块化架构如表 1 所示。课程的总学时设置为 36学时，并结合内容讲 授(26学时)、学术研讨(6学时)、专题报告(4 学时)三 种方式展开教学。以学术研讨之分类器为例，针对用 线性鉴别分析算法进行面部表情识别这一任务，可将 其分解为人脸面部检测部分、预处理和面部区域提取 部分、面部鉴别特征提取与分类部分、面部识别部分， 具体可在 MATLAB 环境下完成上述任务。在学生综合 实践部分，也可将该任务分解为以上四部分，分配给每 组学生完成，以达到理论知识与实践相结合的目的。
(三)案例内容的单元模块化构建与综合实践相 结合(面向信息时代社会交往的社会性特质)
研究生“模式识别”课程教学应以理论知识的讲 解及上机实践为主。为了加强学生对该系列理论知识 的理解和演进，改革的另外一个重要内容是针对案例 (算法)内容的复现和研讨。复现和研讨应以小组为单 位，教师可将利用 MATLAB 在课后进行案例复现作为 作业布置给学生，并要求其进一步将案例与实际项目相结合，以加深学生对相关算法的理解和应用。 这主要 是与课程的两个专题报告(表情识别和特征提取)相结 合进行实践教学。以学术研讨之分类器为例，针对用线 性鉴别分析算法进行面部表情识别这一任务，可将其 分解为人脸面部检测部分、预处理和面部区域提取部 分、面部鉴别特征提取与分类部分、面部识别部分，具 体可在 MATLAB 环境下完成上述任务。在学生综合实 践部分，也可将以上任务分解为四个部分，分配给每组 学生完成，且每组学生要尽量用不同的算法实现上述 四个部分的任务，以对比分析不同算法在表情识别中 达到的效果。概言之，通过对现有算法的再现对比分 析(即实践环节)，学生可了解不同模式识别算法的思想 理念及应用特点，最终实现理论知识与实践相结合。
(四)案例扩展复现与研讨相结合(面向个人未来 发展的个性化特质)
研究生“模式识别”课程教学改革的另一个重点 内容是借助翻转课堂培养创新型研究人才。在第一次 开课时，教师可将班级学生分成多个学习研讨小组， 每个小组 2~3人。 每堂课结束后，教师会给每组学生 布置相应的预习内容，具体内容不限，但要与模式识 别算法或技术相关，或者是介绍前沿进展情况的内 容。后面课堂可分配部分学时，要求学生按小组对案 例进行扩展并分组讨论学习，同时在第三次课程开始 后按小组抽签顺序进行学术报告(以成功实现案例复 现为前提)，并要求全体学生进行讨论。学生自学研讨 的内容主要如下：模式识别应用及经典算法分析;深 度学习方法综述;强化学习、增强学习等方法综述。另 外，研讨主题可以是与课程内容相关的一些最新研究 成果及从作者角度出发思考如何提出创新点等，并以 实际问题为导向， 培养学生的团队合作精神和创新意识。研讨结束后，学生要根据研讨的理论成果并借助 MATLAB 软件对其进行实现。最后应与现有的算法进 行对比，并从多个角度(如图 1 中的性能指标)进行分 析，说明算法的优缺点。
三、新工科背景下研究生“模式识别”课程“一体 三面”式教学改革反思
(一)注重课程综合设计报告撰写
在研究生“模式识别”课程教学期间，教师应要求 每个研讨小组提交一份与课程章节内容相关的综合 设计报告。报告内容要与课程内容相关，可以是相关 案例的扩展，也可以是教师参与的实际科研项目。报 告中必须包含相关的原理内容介绍及在此原理内容 基础上做了哪些改进。同时，要展现设计的步骤、遇到 的困难，以及设计内容的结果与详细的分析报告等。另 外，为了加强对学生创新意识的培养，每个研讨小组 必须呈现算法的新思路(与前人的不同之处) 。
(二)注重多维度的课程考核
研究生“模式识别”课程在电子类、控制类学位 研究生培养中占据重要的地位，充当了学生未来课题 研究的基础，甚至可对学生将来的就业起到一定的 作用。 然而，当前多数高校仅以期末考试作为课程考 核的唯一评价方式，这已经不能适应学生未来的发 展需求。笔者经过多方调查研究，拟采用课程达成度 设计和课程学习质量评价两种评价方式，多维度地 进行课程考核。
1.课程达成度设计。研究生“模式识别”课程内容 与实际生活有着紧密的联系，虽然其理论性要求比其 他课程高，但课程考核的设置不应以纯理论的形式为 主。具体来说，对该课程的达成度设计应从多维度进 行考虑，尤其是要考查学生对实际问题的解决方案和 解决程度。另外，该课程在研究生培养体系中属于必 修课，课程达成度设计应包括出勤及表现(占 10%)、 小组答辩(占 20%)、课后案例复现(占 20%)、综合设计 报告(占 10%)、期末考试(占 40%)。具体课程达成度设 计内容如表 2所示。
2.课程学习质量评价。以掌握课程的理论内容、培 养研究思维和提高研究能力为目标，研究生“模式识 别”课程教师要通过学生自评及表 2 中 1~5考核环节 相结合的多维度课程学习质量评价方式，把考试内容 与所支撑的课程目标点相对应，把课程目标点与毕业 要求相对应，并通过期末问卷调查的方式评价考试后 各个目标点的达成度，同时以此作为评价学生学习课 程的获得感，或者课程开设成功与否的标准。
四、结语
人工智能技术的广泛应用与快速发展对研究生 “模式识别”课程提出了更高的要求。目前，多数高校研 究生“模式识别”课程对学生仍采用传统教学方式，无 法满足社会对创新型研究人才的需求。在新工科背景 下，本文从研究生“模式识别”课程教学过程中存在的 主要问题出发，提出了“一体三面”式教学模式，旨在提 高学生对相关知识理论的开创能力，扩展学生课程学 习的深度与广度，并促使学生开展相关创新性研究工 作。 研究生“模式识别”课程实施“一体三面”式教学模 式后，学生可以通过学习促进科研，教师可以通过科研 促进教学，从而有效地提高课程教学质量，进而能够 不断地提升学生学习新课程、新内容、新理论的能力。
参考文献：
[1] 张学工,汪小我.模式识别与机器学习[M].4版.北京:清华大学出 版社,2021.
[2] 边肇棋,张学工.模式识别[M].2版.北京:清华大学出版社,2006. [3] 袁立,阎群.基于工程实例导入的模式识别课程教学改革探索与 实践[J].教育现代化,2019.6(24):65-67.71.
[4] 王登辉,谭林丰,杨辰月,等.“人工智能+信息与通信工程”创新型 研究生人才培养模式研究[J].无线互联科技,2022.19(6):148-149.
[5] BISHOP C M.Pattern Recognition and Machine Learning[M].NewYork:Springer,2016.
[6] DUDA R O,HART P E,STORK D G.Pattern Classification[M].2nded.Hoboken:Wiley Wiley Interscience,2000.
[7] DOUGHERTY G.Pattern Recognition and Classification:An Intro-duction[M].NewYork:Springer,2012.
[8] 陈磊,邓杏叶,刘朝华,等.新工科背景下的模式识别课程教学改 革探索[J].教育教学论坛,2020(36):177-178.
[9] 李兆飞,熊兴中,王小刚.案例结合课堂学术报告的研究生模式识 别课程改革与实践[J].计算机时代,2021(12):109-112.
[10] 顾波.模式识别本科教学方法浅谈[J].中国科教创新导刊,2010 (4):68.
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/62236.html
