Matlab在模式识别课程教学中应用研究.docVIP

Matlab在模式识别课程教学中应用研究 　　摘要：“模式识别”是一门难度较大的信息工程类专业课程。为改善课程教学效果，常应用Matlab进行算法设计与仿真。然而在实际教学过程中发现，不恰当使用Matlab会带来一些问题。以“模式识别”课程教学为研究对象，重点分析了Matlab在课程教学中不恰当使用带来的主要问题，并提出了针对性的解决方法。实践证明，该解决方法能够有效改善Matlab在“模式识别”课程教学中的应用效果。 　　关键词：模式识别；Matlab；教学研究 　　作者简介：杨勃（1974-），男，湖南岳阳人，湖南理工学院信息与通信工程学院，讲师；欧阳竟成（1968-），男，湖南平江人，湖南理工学院信息与通信工程学院，副教授。（湖南　岳阳　414000） 　　基金项目：本文系2011年湖南省教育厅科学研究优秀青年项目（项目编号：11B055）的研究成果。 　　中图分类号：G642.0?????文献标识码：A?????文章编号：1007-0079（2012）34-0063-02 　　“模式识别”是理论和实践并重的一门信息工程专业课。该课程[1]涉及统计学、计算机科学、控制论、最优化、数值计算、信号处理等多领域知识，牵涉面广且理论艰深，学生学习难度大。因此课程教学不仅要进行原理知识讲授，还需进一步实现模式识别具体算法，以加深学生的直观感受，提高学生理论和实际应用水平。 　　“模式识别”课程中大部分算法的处理对象是多维数据，需用到矩阵运算等数值计算过程。考虑到Matlab软件具有便捷的矩阵运算、数据图像绘制功能，附带强大的数值计算工具箱，而且在很多其他关联课程教学[2-4]中也常被用于辅助教学，为此引入了Matlab辅助“模式识别”课程教学，以加深学生对模式识别基本知识、常用算法的理解，提高教学效果。然而，在实际教学中发现，若不恰当使用Matlab，教学效果的改善并不明显。本文主要研究Matlab在“模式识别”课程教学中的应用，首先对Matlab在该课程教学中的优势及不足进行了分析，然后在此基础上提出了针对性的解决方法。 　　一、Matlab在“模式识别”课程教学中的优势 　　Matrix Laboratory（矩阵实验室，简称：Matlab）是美国MathWorks公司研发的一款数学软件。它将矩阵运算、科学数据可视化、系统建模与仿真等诸多强大的数学计算功能集成在一个易于使用的统一视窗环境中，为科学研究、工程计算的诸多科学、工程计算领域提供了一种全面解决方案。此外，Matlab还提供了诸如统计、拟合、优化、神经网络、信号处理、图像处理、系统辨识、控制建模与分析、嵌入式系统开发等多个工具箱，[5]很好地满足了相关领域的科研与工程应用需求。 　　目前，在国内外高等院校中，Matlab事实上已成为线性代数、数理统计、信号处理、图像处理、模式识别、自动控制原理等课程的基本教学工具。具体针对辅助“模式识别”课程教学而言，Matlab的优势主要可体现在以下几个方面： 　　“模式识别”常见的处理对象有一维时域信号、二维图像信号等，离散化后可用一维向量、二维矩阵表示。Matlab具有便捷的向量和矩阵运算功能，通过简单的表达式计算和基本函数调用就可以实现矩阵四则运算、求逆、特征值分解等常见矩阵运算。除此之外，Matlab还集成有数值最优化、统计分析、神经网络、信号处理、小波分析等数值计算工具箱，可快速实现模式识别中的待识别信号预处理、小波域特征提取、统计特征降维、最优决策器设计等模式识别主要算法。 　　Matlab具有强大的数据可视化功能，通过简单的函数调用可实现二维、三维甚至四维的多种可视化要求（如曲线图、散点图、等高线图、表面图、阴影图、柱状图、梯度场图等不同可视化图形），从而可直观感受不同模式识别算法处理数据结果的差异，进而快速理解不同算法的优劣和适用范围。 　　Matlab具有强大的交互式视窗平台开发功能，为教师开发模式识别常用算法实验平台提供了强有力的支持，同时为学生围绕平台进行二次开发提供了很大的帮助，降低了学生主动参与的门槛。 　　二、Matlab在“模式识别”课程教学中的不足 　　Matlab强大的计算能力、数据可视化能力、交互式视窗平台开发能力为“模式识别”课程教学提供了强有力的支持。然而，正所谓“成也萧何，败也萧何”，在实际教学中发现，“模式识别”课程教学的不同环节如果不恰当地使用Matlab会导致教学效果更差。下面以模式识别中的一种典型学习算法——主成分分析方法为例，对不恰当使用Matlab在“模式识别”课程教学中带来的问题进行详细分析。 　　主成分分析（Principal Components Analysis，PCA）又称主元分析，是一种典型的非监督特征线性降维方法。该方法由Hotelling于1933年提出，其目标