蔡宣平，余 莉，刘 雨，罗鹏飞

(国防科学技术大学电子科学与工程学院，湖南长沙410073)

0 引言

“模式识别”课程是一门专业基础课，其应用特征应属于人工智能、机器学习范畴，主要讲授模式分类、特征提取和机器学习的基本理论方法和技术，很多高校均为高年级本科生和研究生开设了该课程。课程特点是以数理为基础，综合性、交叉性、应用性强。涉及到代数学、矩阵论、函数论、概率统计等理论，应用到信息论、信号处理、控制理论、计算机技术和生理物理学等知识。典型应用包括文字、语音、图像、视频机器识别及雷达、红外、遥感目标识别，可用于生物、天文、地质、经济、医学、侦探和军事等众多领域。随着信息技术越来越强劲的智能化需求，其应用和自身发展将更加广泛而深入。

未来机器的计算能力越来越强大，应用上对目标识别、信息对抗、人工智能、数据挖掘、知识发现的需求越来越迫切，这导致对信息技术从业人员在模式识别基础知识和技能方面的要求越来越高。“模式识别”课程的发展趋势是深化基础，透析经典基础(如贝叶斯方法)与模式识别新方法的继承和发展的关系[1]。我们通过对最新典型案例的剖析，强化学生对课程内容的理解和对解决实际问题的认识，达到培养学生创新能力的目的。

基于上述特点，多数模式识别教材呈现给学生的就是有很多繁杂的数学公式和各种分类算法，令初学者有畏难情绪，普通的教学方法效果不够理想。为提高学生学习兴趣，提升教学效果，我们近年来认真分析了“模式识别”课程的特点，在教学方法上进行了适当的改进，对提高教学质量有一定的成效，受到了各级教学专家组的肯定和学生的普遍好评。

1 课程教学的主要改革措施

1.1 教学理念

我校“模式识别”教学团队引入了研究型教学的思想，探索和实践了研讨式教学、案例式教学和基于团队学习的教学方法，在教师课堂讲授的同时着重加强了学生的自主学习、团队学习、课堂研讨与课外探索环节[2]。

1.2 教学内容

教学团队认真分析了国内外主要模式识别教材的章节安排和内容描述，结合多年来积累的教学经验，总结出一条由浅入深、精讲多练的教学思路。我们在讲授传统的、经典内容的同时，也介绍一些不断出现的新理论、新方法，新技术和新应用。一般针对本科生开设的“模式识别”课程，主要涉及特征提取与选择、贝叶斯分类器、线性与非线性分类器、聚类分析等，以及神经网络、模糊模式识别、句法模式识别等新技术，不同的教材在章节安排上有很大差异。

我们通过多年的教学实践，按照聚类分析、判别域代数界面方程、统计判决、统计决策中的学习与错误率估计、最近邻方法、特征提取与选择、其它模式识别方法的顺序进行讲解。我们有别于其它教材，把章节这样安排，特别是把聚类分析放在最前面讲解，是基于聚类分析的相关内容较为独立，易于初学者理解和编程实现。在讲授各章节的同时，我们还加入了许多喜闻乐见的案例[3]。比如在聚类分析中，我们引入了车牌的数字识别问题，介绍了应用聚类技术将车牌信息从复杂的背景图像中提取出来;在判别域代数界面方程中，引入了纸币识别的问题，介绍如何利用已知类别样本训练学习分类界面;在统计判决中，引入图像的皮肤检测问题等等。通过增加不同的案例，使课堂教学生动很多，有利于提高学生的学习兴趣。

1.3 实践环节

主要章节的课程都安排了相应的实践内容，重点对典型的算法如C均值聚类、感知器算法、贝叶斯判决、最近邻方法和K-L变换等都布置了编程实践题。教学团队为节省学生的编程时间，事先开发了供学生实践的软件平台，学生只需要针对具体的算法模块进行编程，而其它的交互、绘图等可视化方面的工作均有软件平台来完成，这样既使学生的编程有针对性，又能对其所编程序是否正确用可视化的形式直观表现出来。

为了提高学生分析问题和解决问题的能力，我们提前布置一些小的研究课题如基于视频的人脸识别、手势识别、掌纹识别、文字识别以及车牌识别等等，学生分组自选相应课题在课外完成。待课程结束后，各小组要提交研究论文，然后组织专题研讨和展示其研究成果，教学团队选派教师和学生代表一起对各小组的成果进行评比。课程的最终成绩除了基本知识的笔试外，还包含了各组的评比成绩、平时作业以及上机实践等部分，教学实践表明，这样的考核成绩更能体现学生的综合能力。

1.4 网络课程资源共享

我们一方面依托校园教学专网、军队园区网的Blackboard教学平台构建了模式识别网络课程，主要服务对象为拥有学校数字校园ID的选课学生，这需要任课教师授权访问。网络课程拥有丰富的资源，包括课程简介、任课教师、教学大纲、教学课件、电子教案、授课计划、实验资料、在线/离线答疑、在线/离线测试以及成绩发布等内容，涵盖了教学实施和教学管理的全部环节。

我们还将这门国家精品课程向公众开放，没有访问授权限制。该网站分别在军队园区网和互联网上发布，兼顾了军队和地方的需求，同时也扩大了影响面。网站包括了课程介绍、任课教师介绍、教学大纲、课件教案、动画演示、案例教学、在线测试、交互式实验平台、答疑讨论等丰富的资源，功能齐全，受到了使用者的好评。

2 教改主要收获

2.1 提出了多维教学方法

作为信息与通信学科的一门基础课程，“模式识别”课程的理论性、实践性特点比较突出，教学团队以研究型教学理念为指导，突出课程的基础性、应用性和先进性，提出了“纵向贯通、横向关联、深度启发”的多维教学方法。

首先，在课程知识体系上以模式可分性的度量和应用为主线，纵向贯通全课程;横向上注重各种模式识别方法的内在联系和对比分析;在深度上从认知科学的角度进行启发。

其次，纵向上使模式识别涉及的理论与数学、信号处理和计算机等基础课程的知识贯通;横向上与通信、雷达和信息工程等专业课知识关联;深度上用典型应用的成功实例与模式识别基本方法的联系对学生进行启发;实施途径上按照基础理论、应用实例、案例分析、编程实验、分组作业、集中研讨的步骤，进行教学组织和设计。我们提出了针对模式识别课程教学的启发式、研讨式、开放式案例等多种教学方法，加强了积木式实验、交互性动画示范、网络学习等教学环节。在教学过程中注重激发学生的求知欲、好奇心和创新力，同时根据军人学员的培养特点，将基于团队学习(TBL)的思想贯彻到实际的教学实践中，保证了课程的思辨性、实践互动性和趣味性[4]。形成以学带动用，以用促进学的良性循环，达到培养学生创新能力的目的。

2.2 建立了教学案例库

我院信息与通信学科有着雄厚的科研成果，在众多的科研成果中蕴含着丰富的模式识别技术应用的实例，为此，模式识别教学团队十分注重模式识别典型实例和最新应用实例的收集，并根据教学需求建立了丰富的教学案例库，这些案例涵盖了文字、语音、图像、视频以及故障诊断等领域的分类识别，极大地丰富了案例教学的素材。在课程学习期间，通过布置相关的小课题由学生分组完成，然后研讨推举出优秀的团队作品，将这些作品整理后也放入教学案例库中，使得教学实例素材不断得到丰富和发展，实现推陈出新。

2.3 建设了精品资源共享课

按照本、硕、博多层次培养的不同需求，教学团队构建了较为科学的系列课程，出版了9部相关教材。在课程现场授课的同时，为了方便学生自学和适应教学互动，教学团队在学校教学网、军队园区网和国际互联网上均建立了本课程的教学网站。并按照以学生为本的理念，根据点面结合、循环渐进、全面培养、突出创新的原则，对模式识别内容布局与知识点衔接进行优化，从原理、算法、应用多方面有机组合教学内容，所建立的课程网站内容丰富，深受学生的欢迎。2013年“模式识别”课程在课程网上通过转型升级为资源共享课程，实现了内容更丰富、质量更高的教学资源共享。

2.4 形成了较强的教学优势

(1)依托学科优势，坚持科研成果进入课堂;

(2)丰富教学案例，强化模式识别课程建设;

(3)改进教学方法，完善研究型教学与基于团队学习实践;

(4)形成团队优势，提高整体教学水平。

3 结语

教学质量是大学的生命线，如何提高教学质量是教师不断追求的目标，在接受大学教育机会增多的今天，尤为重视学生的动手操作能力和创新能力的培养，因此，不断提高“模式识别”课程教学质量的工作将永无止境。

随着大规模在线开放课程MOOC(Massive Online Open Course)作为全新的在线教学模式闯入世人的视野，教育资源的共享已经成为潮流和趋势。我校已经着手创建自己的MOOC平台，建设MOOC课程，开展MOOC实践。如何争取将“模式识别”课程建设成为MOOC课程，将是模式识别教学团队下一步的建设目标[5，6]。

[1]Pattern Classification，Richard O.Duda Peter E David G.Stork[M]，北京:机械工业出版社，2004.10

[2]晓强，孙浩，王再英，研究型课堂教学模式的探索与实践[J]，石家庄:教育教学论坛，2013:228-229

[3]刘雨，孙即祥，余莉，“模式识别”课程开放式案例教学设计[J]，南京:电气电子教学学报，2011:103-105

[4]于洪彦，朱辉煌，团队学习导向和综合能力培养:基于团队项目的研究[J]，长春:长春理工大学学报(社会科学版)，2013，71-73，76

[5]王文礼，MOOC的发展及其对高等教育的影响[J]，南京:江苏高教，2013:53-57

[6]王萍，大规模在线开放课程的新发展与应用:从cMOOC到xMOOC[J]，成都:现代远程教育研究，2013:13-19