中图分类号：G642.0 文献标识码：A 文章编号：1007-0079（2014）36-0133-02
具备初步的科研工作能力是本科生重要的学业标准，培养本科生科研能力是社会发展对高校人才培养提出的必然要求[1]。模式识别是一个既有着严密的理论基础，又有着广泛的实际应用的学科[2-4]，并且模式识别的发展非常迅速，各种新思想新算法不断涌现，任何算法都不是完美的，都有很多工作可以继续，因此，模式识别课程可以很好的用来培养学生的科研能力和创新思维。针对培养学生科研能力的教学目标，本课程的教学重点是理论与实践相结合，以具体科研任务贯穿整个教学过程，引导学生积极思考，启发学生科学思维。
随着模式识别学科的日益发展，模式识别的教学也从研究生教学逐渐延伸到本科教学[5]。对于培养高年级本科生科研能力这个目标，我们采取以下三种方法：一是授课方式选择几种经典的模式识别算法来讲，包括k均值聚类（k-means）算法；k近邻（k-nearest-neighbor， kNN）、Bayes、和支持向量机（Support Vector Machine， SVM）三种有监督分类算法；主成分分析（Principle Component Analysis， PCA）和线性判别分析（Linear Discriminant Analysis， LDA）两种特征提取算法。这几种经典的算法，能够很好的代表模式识别这门课程。掌握好这些算法，就可以较快较好的适应模式识别相关课题的研究。二是采用以实际模式识别科研任务为主线的教学方法，学生带着具体的科研任务听课，更容易理解复杂算法，提高听课效率；实践环节也都围绕同一个科研任务，便于前后关联，比较不同算法。通过独立完成科研任务，学生的文献阅读能力，编程能力，分析问题、解决问题的能力，都可以得到锻炼和提高。三是注重引导学生积极思考，培养学生的创新思维，将知识灌输为主的教学方法转变为以启发科学思维为核心的教学方法。在授课和实验过程中，有意识的提出科学问题，先给出几种可能的解决方案，扩展思路，然后引导学生自己思考解决方法，培养学生独立思考的意识，克服人云亦云的倾向。
一、模式识别教学内容
模式识别作为高年级选修课，我们安排16学时上课时间，以及16学时上机时间，给学生留出充分的自主完成科研任务的时间。模式识别主要讨论的问题是分类和特征提取，其中分类主要包括无监督分类和有监督分类，特征提取也有无监督和有监督之分。所以，对于每一个关键问题，我们都选择最经典的算法来讲授：对于无监督分类，选择k-means算法；对于有监督分类，选择Bayes分类器，kNN分类器，以及SVM分类器；对于无监督特征提取，选择PCA算法；对于有监督特征提取，选择LDA算法。另外，课程最初4个学时，用来介绍模式识别基础概念，讲授相关的数学基础，以及介绍具体的模式识别科研任务，即遥感图像分类，讲解遥感图像的数据特点。
对于16学时上机实验安排，我们围绕遥感图像分类任务，布置四次作业，第一次实验是认识遥感图像，学会使用ENVI软件。第二次实验是使用MATLAB实现k-means算法对遥感图像进行聚类，重点分析初始类心的选择，迭代终止条件，相似性度量方法的选择等关键问题。第三次实验是使用MATLAB实现kNN分类，分析参数k的选择以及相似性度量方法的选择。第四次是实现PCA或LDA降维，并对降维数据采用kNN分类，然后与第三次实验结果做比较分析。四次上机实验，都针对遥感图像分类这一科研任务，既可以采用最基本算法，又有很大的算法改进空间，适合不同层次学生的科研能力的培养。
二、以实际模式识别科研任务为主线的教学方法
模式识别是一门实用性很强的课程，每种算法都有很好的应用实例，我们以具体的科研任务贯穿整个教学过程。科研任务选择为“遥感图像分类”，目标是获得好的图像分类精度。这个课题可以采用简单的模式识别分类算法完成，但是分类精度可能不高，所以学生可以通过文献阅读、实验仿真等方式寻找提高图像分类精度的方法，这个科研任务既易于着手，又有很大的发挥空间。
1.授课环节
我们把具体科研任务“遥感图像分类”贯穿在整个授课环节，这样学生更容易理解复杂的公式和算法。每次授课，首先重复并明确科研任务，然后讲解本次课所讲授算法对完成科研任务所起到的作用，并对于每一个抽象的公式，结合科研任务中的具体实例进行讲解。例如Bayes分类器，对于公式中先验概率的计算，假设遥感图像只包含两类地物，分别是水和草地，其中水域占图像场景的70%，草地占图像的30%，那么先验概率就是地物存在的比例，所以水存在的先验概率为0.7，草地存在的先验概率为0.3。Bayes公式的概率表达很抽象，但结合遥感图像分类任务，讲解公式中每一项如何求解，学生就能较容易理解并学会使用该公式。以具体科研任务为主线，所讲解算法不会停留在抽象的公式层面上，而是看到公式，就可以通过实例来把握公式中每一项的物理含义。
2.实践环节
实践环节对于培养学生科研能力非常重要，通过实验，学生可以更深刻的理解算法，并进行思考和探索，以解决实验中出现的问题，更好的完成科研任务。四次上机任务全部围绕“遥感图像分类”，互相关联，逐步深入。第一次上机采用ENVI软件中已有算法进行分类，对不同算法的分类效果有直观认识和性能比较，后面上机任务就是自己用MATLAB编程来实现这些算法（不是直接调用MATLAB工具箱函数直接实现[6]）。第二次和第三次分别对遥感图像进行k-means聚类和kNN分类，通过这两次实验，学生可以体会有监督分类算法的分类效果优于无监督分类算法，认识到训练样本的重要性。第四次进行PCA或者LDA降维，可以体会降维对于分类的作用，并且，通过PCA和LDA的比较，可以认识到，一般情况下，有监督的降维算法得到的降维数据，相比较无监督算法得到的降维数据，具有更好的可分性能。四次上机，面向同一个任务，能够更好的理解和比较不同算法的作用和性能。并且，实验中我们要求学生对算法参数进行分析，以更深刻理解算法对于参数的敏感性，学生在这个过程中可以学习到该如何全面的评价一个算法，这些都是进行科学研究的必要环节。 三、以启发创新思维为核心的教学方法
我们将创新思想有意识的贯穿于教学过程始终，引导学生积极思考，培养学生发现问题，思考问题，解决问题，并提出新思想，新方法的能力。对学生创新思维的培养体现在以下几个方面。
1.对已有科研成果的学习和评价
阅读文献是科学研究的重要环节，这个过程是一个学习、积累、思考、创新的过程。我们要求学生自己检索并阅读文献（包含一篇英文文献），在阅读过程中思考：每篇论文主要使用什么算法实现什么任务？论文有没有对算法做出改进（为什么改进，原算法存在什么问题，改进方法是什么）？论文中做了什么对比试验，实验结论是什么？论文还存在什么问题或者缺点？论文所作出的改进策略是否好？你自己对算法有没有什么改进的想法？通过这样的思考，可以有效引导学生对已有科研成果进行学习和评价，并在这个过程中提出自己的想法，培养创新思维。
2.改进型创新思维的培养
对已有方法存在的问题进行改进，以提高算法性能，属于改进型创新。在模式识别领域，任何方法都不是完美的，授课过程中要引导学生思考影响算法性能的因素有哪些，算法可以从哪些方面进行改进？例如k-means聚类算法，第一步是随机选择K个类心，第二步是最小距离分类，第三步是判断算法是否收敛。对于这个算法，引导大家思考，每一步存在什么问题？对于第一步，随机选择初始类心，那么随机选择是否会得到不同的聚类结果？算法的稳定性是否受到影响？有什么方法可以得到更好的初始类心？对于第二步，主要采用最小距离分类，那么距离度量方法如何选择？第三步对于收敛的判断，采用什么准则更好？这些都是算法存在的问题，在这些方面都可以对k-means算法进行改进。这个过程，重点引导学生如何提出问题，并从哪些方向可以分析和解决问题。
3.结合型创新思维的培养
将两种或者多种方法结合起来，以达到更好的分析精度，属于结合型创新。在第四次实验中，先对数据进行PCA或者LDA降维，然后对降维数据进行kNN分类，这就是降维算法和分类算法的结合。与第三次实验结果进行比较，学生可以体会到无监督的PCA算法和kNN算法结合，无法提高分类精度，而有监督的LDA算法和kNN算法结合，就可以提高分类精度。通过实际训练，培养学生多种方法相结合的创新思维。这种创新思维的建立，需要有较为完备的理论基础，是本科生所缺乏的，所以要鼓励学生多学习新方法，并多阅读文献，学习寻找算法结合点。
4.应用型创新思维的培养
将一个领域的已有知识和方法有效的应用到另外一个领域，属于应用型创新，是比较难的创新，需要对两个领域的知识都有好的掌握。模式识别课程中有较多这样的成功实例，例如Bayes分类器，就是概率论中学习过的Bayes公式，引导学生思考，算法是如何建立桥梁，将公式中每一项赋予特定的物理意义，并将公式应用到遥感图像分类中的。对于培养本科生的应用型创新思维，要多分析实例，在实例中带领学生积极思考。
四、结语
模式识别是一门理论性和实用性都很强的课程，作为一门高年级本科课程，我们以培养学生的科研能力为目标，采用理论与实践相结合，以具体模式识别科研任务贯穿整个教学过程，并以启发科学思维为核心的教学方法，提高学生的科研能力和创新能力。实践证明，学生在学习过程中，改变了问题具有唯一正确答案的思维模式，积极思考各种解决问题的方法，体会到了科研的乐趣，提高了独立分析问题、解决问题的能力。
