第一篇：模式識別作業-小論文

《模式識別》學習心得

模式識別(Pattern Recognition)技術也許是最具有挑戰性的一門技術了，模式識別有時又被稱為分類技術，因為模式識別說到底就是對數據進行分類。說到識別，最為常用的便是模仿人的視覺的圖像識別（當然還有語音識別），也許你會想當然地認為那還不簡單，覺得我們用我們的眼睛可以輕而易舉地識別出各種事物，但是當你想用計算機中的程序來實現它時，于是你便會覺得很沮喪，甚至于有無從下手的感覺，至此你再也不會覺得電腦有多聰明，你會覺得電腦是多么的低能。是的，現在的電腦智能，即人工智能還遠不如蟑螂的智能，這其中最為根本的原因是模式識別技術還是處于較為低層次的發展階段，很多的識別技術還無法突破，甚至有人還斷言，再過30年也不會有本質的飛躍。當然，世事總是讓人難以預料，我們也用不著這么地悲觀，科學技術總是向前發展的，沒有人可以阻檔得了的。在這里，我把我對模式識別技術的學習和研究心得拿出來與大家分享一下。

模式識別具有較長的歷史，在20世紀60年代以前，模式識別主要是限于統計學領域中的理論研究，還無法有較強的數學理論支持，20世紀80年代神經網絡等識別技術得到了突破，計算機硬件技術更是有了長足的發展，模式識別技術便得到了較為廣泛的應用，光學字符識別(OCR)是模式識別技術最早得到成功應用的技術，之后的應用還有如DNA序列分析、化學氣味識別、圖像理解力、人臉檢測、表情識別、手勢識別、語音識別、圖像信息檢索、數據挖掘等。

模式識別是一門與數學結合非常緊密的科學，所應用到的數學知識非常多，最基本的便是概率論和數理統計了，模式識別技術到處都充滿了概率和統計的思想，我們經常所說的識別率，其實就是概率的表達：在大數據量（嚴格地說應當是數據量無窮大）測試中識別成功的概率，還有常用的貝葉斯決策分類器便是運用了概率公式。模式識別還用到了線性代數，因為運用線性代數可以較為方便表達具有多特征的事物，我們一般會用向量來表達一個事物的特征，對于向量的計算是一定會用到線性代數的知識的。還有一個較為高層次的數學知識是泛函分析，泛函分析是研究無限維線性空間上的泛函數和算子理論，SVM（支持向量機）便是以泛函分析中的理論為基礎的，SVM技術還運用到了最優化理論數學知識，最近中科院王守覺院士提出的多維空間仿生模式識別技術是以拓撲學為理論基礎的。所以說模式識別科學是應用到數學知識最多的一門學科之一，在我們研究模式識別技術過程中會碰到一個又一個的數學知識，有時需要我們重新拿起大學時的數學書來學習，有時還需要我們去尋找和學習我們也許從未學習過的數學知識，這時你會感覺到你真的是在做研究，仿佛又回到了大學學習時光，你更會感覺到要學好模式識別技術需要多年的積累，浮躁不得，當然，如果你越是堅持下來，你的價值就會越大，因為這是個可以不斷得到積累的技術，不像研究上層應用，研究多年并不意味著你就會有多厲害，一下子沒有跟進便會被淘汰掉，而后面進來研究的人很容易超越前面研究的人，所以說，模式識別技術是一個喜歡做研究的人的一個很好的選擇。模式識別大體上可以分為統計模式識別和句法模式識別，統計模式識別是對大量的樣本進行統計或學習而最后得到一個分類器，如貝葉斯分類器、神經網絡、SVM、K近鄰法則等都是屬于統計模式識別的方法，句法模式識別則是依據一定的邏輯規則進行判別，如圖像形狀判斷、語法類型判斷、地址細分等，句法模式識別也可以稱為結構模式識別，一般是應用于邏輯清楚、不易混淆的識別應用中，識別方法也比較簡單，所以現在研究的大部分都是統計模式識別的方法，而且在這其中研究比較集中的是機器學習，因為人們相信：像人類辨別新事物一樣，都需要一個學習過程，對于計算機也可以像人類那樣地去學習而具有辨識能力。神經網絡技術便是基于模仿人類的學習而產生的。說了這么多，其實我想表達的是統計方法在模式識別中的重要性，在這一節我們主要就來討論一下概率論和統計在模式識別中的應用。

說到概率和統計就不得不提貝葉斯決策理論，它是解決模式分類問題的一種基本統計途徑，貝葉斯決策理論的基本公式可做如下描述：

某個特征被判斷為某類的概率 =該類中出現這個特征的概率 × 該類存在的概率 / 這個特征出現的概率

上面這個公式是一個條件概率公式的推導，這里用文字來描述，以便更好理解，要想了解更多這方面的知識可以查找有關模式識別的理論書，幾乎每種理論書的第一個部分就是描述這方面的內容。

概率上的應用還有較為常用的理論是馬爾可夫模型（Markov model）和穩馬爾可夫模型(HMM)，這個是分詞技術和語音識別中的基本理論工具之一，其中詞頻統計是其基本統計需要。馬爾可夫模型和穩馬爾可夫模型都是多條件概率的應用，追求的也是大概率結果。馬爾可夫模型又可以分為一階馬夫可夫模型（Bigram模型）、二階馬爾可夫模型(Trigram模型)、n階馬爾可夫模型（n-gram模型），階數越大，則需要統計的數據越多，計算的復雜度也會猛增。HMM運用了前向計算法（Viterbi算法），計算復雜度大大降低了下來，所以得到了較為廣泛的應用，當今的語音識別算法就是采用HMM理論模型實現的。

統計分析中有個協方差矩陣，它可以應用于PCA（主成分分析）降維方法中。可以很容易理解，當特征越多時，計算則越復雜，而且計算結果準確性則越低，所以我們總是要想方設法把特征維數降下來，較為常用的方法則是用PCA降維方法（另一個方法VQ也是個很好的降維方法），這個方法是通過大量的樣本統計，統計出方差最小的特征，方差越小，則說明這種特征越易混淆，越無助于分類，于是就可以把這些特征去掉，以此降低了特征維數。

類似于神經網絡的機器學習方法也是屬于統計模式識別一種，機器學習方法大大簡化了我們對樣本數據的統計工作量，采用了自動化的方法根據大量樣本生成一個分類器，在這其中，統計分析的應用較為穩性，以至于讓你無法承認它是屬于統計模式識別的方法，但是對于大量樣本的學習也可以算是統計方法的范疇，如神經網絡中的每個神經節點的系數的形成是依據一定算法（如LMS算法）通過大量樣本修正出來的，這個修正的過程也可以算是統計分析的過程。

既然模式識別技術與概率和統計分析密不可分，所以在設計分類器之前，首先要準備好大量的、周全的、能夠覆蓋各種情況的訓練樣本和測試樣本，然后對訓練樣本進行統計分析，分析樣本的特點，分析樣本的特征值分布規律，得到各種統計數據，最后再來確定模式識別的方法，測試樣本用來檢驗分類器的合理性 問題，根據測試樣本測試出來的問題，需要返回去修改分類器，這是一個反復的過程，直至最后達到分類器的性能目標。

我們在表示某個事物的特征時，其特征數一般有三個以上的，甚至有好幾百個特征，為了表示方便，對于特征值一般采用向量的形式來表示，所以我們在研究模式識別時會有很多的矩陣運算，對于特征值的運算我們可以把它想象成是一個高維空間中的運算，矩陣運算可以方便地表達高維空間中的運算，所以說線性代數是研究模式識別的數學基礎，更高層次的數學理論是泛函分析，它是研究無限維空間的幾何學和分析學。

對于三維以下空間，我們可以較容易地想象出來，但是三維以上的空間超出了我們的感知能力，很多在三維以下空間的計算，推廣到高維空間時，則不靈了，出現了所謂的“維數災難”，這是因為高維空間中出現了稀疏性和空空間的現象，即高維空間中的數據分布會非常地稀疏，且可能出現密度會很高的空區域中點，維數災難是Bellman首先提出來的，它泛指在數據分析中遇到的由于變量過多而引起的一系列問題，有點像“指數爆炸”，隨著指數的遞增，數據會迅速膨脹到難以想象的大。

SVM模式識別技術利用核方法，在高維空間中進行變換，巧妙地解決了維數災難的問題，所以很多實驗表明SVM分類算法總是能夠優于其它分類算法。雖然有如此的好辦法，但是我們還是得想辦法降低維數，降低了維數，不僅可以降低計算的復雜度，也可以排除不必要的干擾特征，在眾多的特征中也許有些特征是沒有用的，即可能存在不是特征的特征，把這些無用的特征去掉，可以改善分類器的性能，目前降低維數主要應用的辦法是PCA方法，很多人在描述這個方法時總要扯上協方差矩陣，讓人陷入一大堆公式的推導中，其實核心思想就是把方差最小的那些特征排除掉，如果你知道這一點，可以不用理協方差矩陣，直接通過統計樣本的特征值方差來實現PCA方法。

兩組特征之間的距離可以有很多種表示方法，如歐氏距離、絕對值距離、切比雪夫距離、馬氏距離、蘭氏距離、相似系數、定性指標的距離等，大家比較熟悉的是歐氏距離，其實這種距離在高維空間并不常用，不僅是因為計算量大，還因為不同特征的值，其計算單位不一樣，不可以把每種特征同等看待，在模式識別中采用哪種距離計算方式很重要，會關系到分類器設計的成敗。計算距離的方式需要根據實際情況靈活應用，有時甚至可以自己設計距離計算方式，只要滿足距離的四個條件即可：

1．當且僅當兩點重合時距離才會等于0;2．距離值必需是大于或等于0;

3．對稱性：從A點到B點求得的距離等于從B點到A點求得的距離； 4．三角不等式：三個點形成的三角距離關系中，任兩邊的和大于第三邊。

學習模式識別我個人覺得從神經網絡入手可能是個較好的選擇，一方面可以避免一下子就陷入復雜的公式推導中，另一方面可以讓我們較快就能體驗到模式識別是個什么樣的技術，因為我們可以利用 Matlab或 openCV 非常方便地進行實踐(學習一種技術，多去實踐非常有助于對理論知識的理解)。神經網絡技術是從仿生的角度來思考模式識別技術，探尋模仿人類的智能一直以來是科學界所研究的目標，神經網絡技術就是基于此而產生的，但是神經網絡能夠得到應用還是 因為數學問題方面得到了解決，最優化理論中的梯度下降法便是神經網絡實現原理的核心，梯度下降算法是一個循環的計算過程：

1． 為算法模型參數值選擇初始值，或隨機選擇些初始值； 2． 計算每個參數對應的損失函數的變化梯度；

3． 根據梯度值改變參數值，使得錯誤值變得更小； 4． 重復第二和第三步驟直至梯度值接近于0。

神經網絡方法就是通過訓練樣本進行學習來擬合出一條分割線（對于維數是三維的識別，則是個平面或曲面，三維以上則是超平面或超曲面），如果這條分割線是一條直線（或平面，或超平面），則稱為線性神經網絡，否則為非線性神經網絡，線性神經網絡較好理解，理解了線性神經網絡，對于非線性神經網絡則能夠更易理解，所以這里先以線性神經網絡為例來解釋神經網絡的原理，下圖是一個二維特征分布圖，中間的一條直線是分割線，我們現在要關心的問題是這條分割線是如何計算出來，如果學過數學，我們知道可以用最小二乘法把它計算出來，但這里我們將要用神經網絡的學習方法來把它學習出來

從上圖我們可以知道，只要我們能夠得到w1,w2,b的值，則這條直線我們就可以求出來了，據此我們構造出如下所示的神經網絡拓撲圖：

從上圖中的w1,w2，我們把它們稱為權值，b稱為閾值，神經網絡的學習過程便是不斷地調整權值和閾值，直至最后達到最小的錯誤率，對于線性神經網絡，我們可以采用LMS算法，即最小均方差算法來求出權值和閾值，如下是LMS算法的描述：

原理：通過調整線性神經網絡的權值(w)和閾值(b)，使得均方差最小。已知有樣本集：{p1，t1}，{p2，t2}，{p3，t3}……{pn，tn}，（如果樣本特征值是多維的，則p是個向量表達式）。

求出均方差：mse = sum(e(i)2)/ n = sum(t(i)– a(i))2 / n, 其中i = 1~n，a(i)= pi × w + b。假設第k步已分別求出權值梯度（Gw）和閾值梯度（Gb），則第k+1步權值和閾值分別為：

w(k+1)= w(k)– Gw×α；

b(k+1)= b(k)– Gb×α； α為學習率

下一步就是要怎么算出梯度，如果權值和閾值的變化能夠使得均方差趨向最小，則便可以達到我們的目標，依此我們可以對均方差公式求對權值和閾值的偏導，這個偏導值便是我們所要的梯度值，它反應了權值或閾值變化與均方差的關系，偏導公式的演變（推導）如下：

?e2(i)/?w = 2e(i)×?e(i)/?w = 2e(i)×?(t(i)– a(i))/?w = 2e(i)×?[t(i)–(w×p + b)]/?w

= –2e(i)×p；

?e2(i)/?b = 2e(i)* ?e(i)/?b = 2e(i)×?(t(i)– a(i))/?b = 2e(i)×?[t(i)–(w×p + b)]/?b

= – 2e(i)；

第k步的平均差值表示為：e(k)= sum(e(i))/n；于是最后我們就可以得到權值和閾值的變化方程式：

w(k+1)= w(k)– Gw×α = w(k)+ 2×e(k)×p×α； b(k+1)= b(k)– G b×α = b(k)+ 2×(k)×α； 其實，上面所描述的神經網絡是一種單層的神經網絡，早在1969年，M.Minsky和S.Papert所著的《感知機》書中對單層神經網絡進行了深入分析，并且從數學上證明了這種網絡功能有限，甚至不能解決象“異或”這樣的簡單邏輯運算問題。同時，他們還發現有許多模式是不能用單層網絡訓練的，真正讓神經網絡得到廣泛應用的是1985年發展了BP網絡學習算法，實現了Minsky的多層網絡設想，BP網絡是一種多層前饋型神經網絡，其神經元的傳遞函數是S型函數（非線性函數），它可以實現從輸入到輸出的任意非線性映射，由于權值的調整采用反向傳播（Back Propagation）學習算法，因此被稱為BP網絡，目前，在人工神經網絡應用中，大部分是采用BP網絡及其變化形式，它也是前向網絡的核心部分，體現了人工神經網絡的精華。BP神經網絡不僅可用于模式識別，還可用于函數逼近、數據壓縮應用中。

BP算法跟上面介紹的算法非常相似，也是根據均方差求權值和閾值的調整方向，也是通過對權值變量和閾值變量分別求偏導得到權值和閾值的修正梯度方向，差別在于BP神經網絡有好幾層，要從輸出層開始，一層一層地計算出每層的權值變化和閾值變化（所以稱為反向傳播學習算法），另一個差別是有些網絡層的神經元的傳遞函數采用log-sigmoid型非線性函數，對于這類函數需要對其進行求導。

BP算法的主要缺點是：收斂速度慢、存在多個局部極值、難以確定穩層個數和穩層節點的個數。所以在實際應用中，BP算法很難勝任，需要進行改進，主要有兩種途徑進行改進：一種是啟發式學習算法（對表現函數梯度加以分析以改進算法），另一種是更有效的優化算法（基于數值最優化理論的訓練算法）。啟發式學習算法有這些：有動量的梯度下降法、有自適應lr的梯度下降法、有動量和自適應的梯度下降法、能復位的BP訓練法等，基于最優化理論的算法有這些：共軛梯度法、高斯-牛頓法、Levenberg-Marquardt方法，這些改進的算法在Matlab中都可以找得到，Matlab提供了豐富的神經網絡算法，除了BP神經網絡，還有基于徑向基函數的神經網絡（如廣義回歸神經網絡、概率神經網絡）、反饋型神經網絡（如Hopfield網絡、Elman神經網絡）、競爭型神經網絡（如自組織特征映射神經網絡、學習向量量化神經網絡），所以學習神經網絡，Matlab是個非常好的工具，如果想看具體的實現方法，openCV提供了BP算法的實現，可惜目前openCV只實現BP算法，很希望有更多的神經網絡算法能夠在openCV中被實現。

對于神經網絡，萬不可過于迷信它的厲害，對于樣本種類多、神經網絡節點多，神經網絡的收斂速度會很慢，導致學習要花費很長時間，由于存在多個局部極值點，導致初值不同和學習樣本不同時，學習效果也不同，所以經常要多次學習才能夠得到較好的效果，根據問題的復雜度，設計合適的神經網絡的網絡拓撲結構也是一個非常難的問題。神經網絡是人類模仿生物神經網絡原理的一個成果，但是還遠遠無法達到生物的神經網絡功能，現在的人工智能技術甚至連蟑螂都不如，也比不上小小的螞蟻，人工智能技術的研究還有非常漫長的路要走。

第二篇：模式識別總結

監督學習與非監督學習的區別：

監督學習方法用來對數據實現分類，分類規則通過訓練獲得。該訓練集由帶分類號的數據集組成，因此監督學習方法的訓練過程是離線的。

非監督學習方法不需要單獨的離線訓練過程，也沒有帶分類號（標號）的訓練數據集，一般用來對數據集進行分析，如聚類，確定其分布的主分量等。

（實例：道路圖）就道路圖像的分割而言，監督學習方法則先在訓練用圖像中獲取道路象素與非道路象素集，進行分類器設計，然后用所設計的分類器對道路圖像進行分割。

使用非監督學習方法，則依據道路路面象素與非道路象素之間的聚類分析進行聚類運算，以實現道路圖像的分割。

1、寫出K-均值聚類算法的基本步驟, 算法：

第一步：選K個初始聚類中心，z1(1)，z2(1)，…，zK(1)，其中括號內的序號為尋找聚類中心的迭代運算的次序號。聚類中心的向量值可任意設定，例如可選開始的K個模式樣本的向量值作為初始聚類中心。第二步：逐個將需分類的模式樣本{x}按最小距離準則分配給K個聚類中心中的某一個zj(1)。假設i=j時，Dj(k)?min{x?zi(k),i?1,2,?K}，則x?Sj(k)，其中k為迭代運算的次序號，第一次迭代k=1，Sj表示第j個聚類，其聚類中心為zj。第三步：計算各個聚類中心的新的向量值，zj(k+1)，j=1,2,…,K zj(k?1)?1Njx?Sj(k)?x,j?1,2,?,K 求各聚類域中所包含樣本的均值向量：

其中Nj為第j個聚類域Sj中所包含的樣本個數。以均值向量作為新的聚類中心，Jj?x?Sj(k)?x?zj(k?1),2j?1,2,?,K可使如下聚類準則函數最小：

在這一步中要分別計算K個聚類中的樣本均值向量，所以稱之為K-均值算法。第四步：若zj(k若zj(k ?1)?zj(k)，j=1,2,…,K，則返回第二步，將模式樣本逐個重新分類，重復迭代運算；

?1)?zj(k)，j=1,2,…,K，則算法收斂，計算結束。

T線性分類器三種最優準則：

wSFisher準則：maxJ(w)?wSwFTbwww.tmdps.cn>>n）的條件下，可以使用分支定界法以減少計

m算量。

15、散度Jij越大，說明?i類模式與?j類模式的分布（差別越大）；當?i類模式與?j類模式的分布相同時，Jij=（0）。

16、影響聚類算法結果的主要因素有（②分類準則 ③特征選取 ④模式相似性測度。）。

19、模式識別中，馬式距離較之于歐式距離的優點是（③尺度不變性 ④考慮了模式的分布）。20、基于二次準則函數的H-K算法較之于感知器算法的優點是（①可以判別問題是否線性可分 ③其解的適應性更好）。

21、影響基本C均值算法的主要因素有（④初始類心的選取 ①樣本輸入順序 ②模式相似性測度）。

22、位勢函數法的積累勢函數K(x)的作用相當于Bayes判決中的（②后驗概率 ④類概率密度與先驗概率的乘積）。

23、統計模式分類問題中，當先驗概率未知時，可使用（②最小最大損失準則 ④N-P判決）

24、在（①Cn>>n,（n為原特征個數，d為要選出的特征個數）③選用的可分性判據J對特征數目單調不減）情況下，用分支定界法做特征選擇計算量相對較少。

25、散度JD是根據（③類概率密度）構造的可分性判據。

26、似然函數的概型已知且為單峰，則可用（①矩估計②最大似然估計③Bayes估計 ④Bayes學習⑤Parzen窗法）估計該似然函數。

27、Kn近鄰元法較之Parzen窗法的優點是（②穩定性較好）。

28、從分類的角度講，用DKLT做特征提取主要利用了DKLT的性質：（①變換產生的新分量正交或不相關③使變換后的矢量能量更趨集中）。

29、一般，剪輯k-NN最近鄰方法在（①樣本數較大）的情況下效果較好。d29、如果以特征向量的相關系數作為模式相似性測度，則影響聚類算法結果的主要因素有（②分類準則 ③特征選取）。30、假設在某個地區細胞識別中正常（w1）和異常（w2）兩類先驗概率分別為 P(w1)=0.9，P(w2)=0.1，現有一待識別的細胞，其觀察值為x，從類條件概率密度分布曲線上查得P(xw1)?0.2，P(xw2)?0.4，并且已知?11?0，?12?6，?21?1，?22?0

試對該細胞x用一下兩種方法進行分類： 1.基于最小錯誤率的貝葉斯決策； 2.基于最小風險的貝葉斯決策； 請分析兩種結果的異同及原因。

第三篇：數字圖像模式識別

王麗霞

深圳市南山區學府路；***、lixia_2011@126.com

求職意向

數字圖像處理、模式識別算法工程師 教育經歷

汕頭大學 電子工程系 信號與信息處理專業 碩士2007.9—2010.6 汕頭市

·在校期間成績優良，分別一次獲汕頭大學一等、二等獎學金；2008 09擔任女生部部長負責統籌管理，成立特色學科及基礎學科研討組，積極開拓學生的思維并提高他們的學習成績，更貼近社會的新路線。

濰坊學院 信息與控制工程學院 電子信息工程 學士2003.9—2007.6 濰坊市

·2007年9月以第一名成績考入汕頭大學攻讀碩士研究生；在校期間擔任班級學習委員負責不同類學生的學習方法指導；2004-9-2007-6擔任學院文藝部部長，負責迎新晚會籌劃，鍛煉了團隊領導能力、協調能力、臨場反應能力以及創新思維。英語及專業技能

●熟練掌握了數字信號處理及它的常用算法、有良好的數學功底；熟悉圖像處理的基本算法、熟悉模式識別基礎知識與智能系統理論及它們的應用，在模式識別和運動跟蹤方面有較深的理解；熟悉光伏應用系統的結構、性能原理；曾在核心期刊系統仿真技術發表文章（基于神經網絡應用的光伏最大功率跟蹤）。

●英語：六級考試 362；四級考試 473；具有較強的相關專業學科的英文文獻閱讀能力； ●能熟練使用計算機，會用電路仿真軟件、LabVIEW軟件、熟練掌握Visual C++的MFC程序設計和MATLAB仿真工具，能夠做算法的設計和仿真；并能應用LabVIEW軟件進行信號處理（波形測量、時頻域分析與數學分析（概率統計擬合最優化等）。工作經歷

2010 6-2010 8深圳市輝銳天眼科技有限公司擔任核心研發工程師 ●職位為智能監控核心研發工程師

●負責計算機視覺方面的IEEE文章的講解及不同算法的實現研究，負責機器視覺系統圖像處理、分析及識別算法設計、實現，參與圖像處理技術研究與設計，對已有算法進行優化改進。使用OpenCV進行背景/前景提取、檢測識別、了解運動跟蹤的常用算法、設計相關信號特征提取算法及其設計模式識別分類器等。項目經驗

2008 09-2009 11模式識別與智能系統理論的算法研究 ●算法在MATLAB仿真，并在SIMULINK中建模，最后把這個算法用C++語言編程，在VC++中生成了可執行文件。

2009 01-2009 06生物細胞圖像病變檢測算法研究 ●在MATLAB中仿真了算法，正確率達到82%。

2009 07-2009 09圖像壓縮算法編碼器設計 ●在FPGA芯片上實現并驗證了方案，對比得出了FPGA比DSP在神經網絡實現上的明顯優勢，前者采用指令順序執行的方式，數據位寬固定，FPGA處理數據的方式是基于硬件的并行處理方式，即一個時鐘周期內可并行完成多次運算，特別適合于神經網絡的并行特點。2010 02在科進生物識別公司 ●了解了不同二維條碼尤其QR code的特點，探討了定位圖形的方法，了解了指紋識別，探討了小波變換及gabor變換在紋理圖像的特征提取的優劣。自我評價及愛好

●很強的責任心創新能力、自學能力及應用知識能力；誠實善良，勤奮刻苦，進取精神、團隊協作精神；愛好戶外運動、國學研究，齊白石大師的畫。

第四篇：模式識別簡介

模式識別簡介 Pattern recognition

誕生

狗的嗅覺的靈敏度非常高，大約是人的50至100倍。狗通過這項特異的功能來識別各種各樣的東西，幫助人類完成一些鑒別工作。不僅如此，識別也是人類的一項基本技能，人們無時無處的在進行“模式識別”，古人有一成語“察言觀色”表達的正是這個意思。

模式識別是人類的一項基本智能，在日常生活中，人們經常在進行“模式識別”。隨著20世紀40年代計算機的出現以及50年代人工智能的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。計算機模式識別在20世紀60年代初迅速發展并成為一門新學科。

概念

簡單來說，模式識別就是通過計算機用數學技術方法來研究模式的自動處理和判讀。我們把環境與客體統稱為“模式”。隨著計算機技術的發展，人類有可能研究復雜的信息處理過程。信息處理過程的一個重要形式是生命體對環境及客體的識別。對人類來說，特別重要的是對光學信息（通過視覺器官來獲得）和聲學信息（通過聽覺器官來獲得）的識別。這是模式識別的兩個重要方面。市場上可見到的代表性產品有光學字符識別（Optical Character Recognition, OCR）、語音識別系統。其計算機識別的顯著特點是速度快，準確性高，效率高。在將來完全可以取代人工錄入。

模式識別是指對表征事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析，以對事物或現象進行描述、辨認、分類和解釋的過程，是信息科學和人工智能的重要組成部分。

研究

模式識別研究主要集中在兩方面，一是研究生物體(包括人)是如何感知對象的，屬于認識科學的范疇，二是在給定的任務下，如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家和神經生理學家的研究內容，后者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力，已經取得了系統的研究成果。

應用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態、程度等抽象對象。這些對象與數字形式的信息相區別，稱為模式信息。

模式識別所分類的類別數目由特定的識別問題決定。有時，開始時無法得知實際的類別數，需要識別系統反復觀測被識別對象以后確定。

模式識別與統計學、心理學、語言學、計算機科學、生物學、控制論等都有關系。它與人工智能、圖像處理的研究有交叉關系。例如自適應或自組織的模式識別系統包含了人工智能的學習機制；人工智能研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預處理和特征抽取環節應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。

應用領域包括：計算機視覺、醫學圖像分析、光學文字識別、自然語言處理、語音識別、手寫識別、生物特征識別、人臉識別、指紋識別、虹膜識別、文件分類、互聯網搜索引擎、信用評分、測繪學、攝影測量與遙感學。以“漢字識別”為例：

識別過程與人類的學習過程相似。首先將漢字圖象進行處理，抽取主要表達特征并將特征與漢字的代碼存在計算機中。就像老師教我們“這個字叫什么、如何寫”記在大腦中。這一過程叫做“訓練”。識別過程就是將輸入的漢字圖象經處理后與計算機中的所有字進行比較，找出最相近的字就是識別結果。這一過程叫做“匹配”。

還有一些比較典型的應用例子如： 去霧算法：

由有霧的圖片處理成無霧的過程用的是一種基于暗影通道的去霧算法。相機照出的相片=真實相片*透謝分布率+天空亮度。這里要做的就是根據公式求出真實相片，另外三個未知量是可以求出來的。

交叉驗證方法：

用來驗證分類器的性能一種統計分析方法,基本思想是把在某種意義下將原始數據進行分組,一部分做為訓練集，另一部分做為驗證集，首先用訓練集對分類器進行訓練,在利用驗證集來測試訓練得到的模型，以此來做為評價分類器的性能指標。

紋理：

在自然圖象中，紋理作為物體的一種重要外觀特征，為視覺感知提供了無處不在的信息，它在計算機視覺、圖形學、圖像編碼等領域都有著重要作用，例如，格式塔（Gestalt）心理學，早期視覺理論和Marr的原始簡約圖（Primal Sketch）都將紋理模式作為中心話題。

因此，對紋理的理解是視覺理解不可或缺的組成部分。過去的幾年里，紋理分析和合成的相關研究工作在基礎理論上與實際應用兩個方面都取得了振奮人心的發展，研究者結合計算機視覺，圖形學，現代統計物理，心理學和神經系統科學等領域的知識，提出了很多關于紋理理解的新方法。紋理的研究工作主要集中在兩個領域：濾波理論（filtering theory）和統計建模（statistical modeling）理論。濾波理論來源于在神經生理學中被發現并被廣泛接受的多通道濾波機制，該機制認為，人類視覺系統將視網膜圖像分解為一組子帶（sub-band）圖像信號，而這些子帶信號可以通過一組線性濾波器和圖像卷積然后經過某些非線性操作計算得到。濾波理論在紋理方面的應用主要有 Gabor 濾波器和小波（wavelet）塔等，它們在紋理分割和分類中有良好的性能。統計建模理論認為，紋理圖像是隨機場上概率分布的采樣，該理論涉及到時間序列模型（time series model），馬爾可夫鏈（Markov chain）模型和馬爾可夫隨機場（Markov random Field，MRF）模型等建模方法。基于統計的建模方法一般只需要用很少幾個參數來描述紋理特征，因此能為紋理提供簡練的表示，而且它能把紋理分析問題轉化為一個明確的統計推理問題來處理。

計算機視覺研究中低層視覺的一個主要研究方向是圖像分割。由于一個場景中，不同的物體之間有不同層度的交疊，使得最理想的分割結果也會出現物體的不同部分（可視部分）之間分割開來，而不可視部分則為其它物體所覆蓋的情況，這就不利于完整地展現物體。因此，有必要利用由圖像得到的相關信息，如原始簡約圖（Primal Sketch）、顏色一致性、方位一致性等，研究一套算法，把同一物體分在同一個層里面，然后再把它們相應的部分之間連接起來，組成完整的物體。這就是2.1D Sketch的主要研究任務。

2.1D Sketch主要研究面物體，且不關心物體之間的深度信息，而只考慮它們之間的偏序關系（Partial Order）。

2.1D Sketch的研究成果將會用于圖像分割、圖像編輯、藝術圖像生成以及圖像序列分析中。

機器學習：

機器學習是人工智能的一個分支，它是關于讓機器具有學習能力的一些算法。許多情況這種算法給一些數據和從這些數據屬性的推出的信息對將來出現的新的數據做出預測。之所以可以這么做是因為大多數的非隨機的數據包含一些模式，這些模式可以讓機器去做泛化。

機器學習的相關概念掃盲：

監督式學習：訓練數據中包含輸入的向量集合并且有相應的目標值（labeled樣例）

例如分類（Classification）、關聯規則、回歸(Regression)非監督式學習：訓練數據中不包含labeled樣例

例如聚類(Cluster)、Density estimation、Visualization.半監督式學習：組合了labled和unlabeled的Example去生成一個函數或分類

泛化（Generalization）：通過訓練數據訓練之后能夠識別新的數據。特征提取(Feature Extraction): 為了降維去除不想關的特征，在數據預處理階段把數據轉化成容易處理的。

機器學習的局限性：

機器學習在大量的模式面前的泛化能力是不同的，如果一個模式不同于以前所看到的，那么這個算法很容易被誤解。由于當前的數據量不夠，不能涵蓋各種將來的情況，所以機器學習的方法很容易出現過度泛化，從而出現不準確性。

AdaBoost人臉檢測原理：

一種基于積分圖、級聯檢測器和AdaBoost 算法的方法，方法框架可以分為以下三大部分: 第一部分，使用Harr-like特征表示人臉，使用“ 積分圖”實現特征數值的快速計算;第二部分，使用Adaboost算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照加權投票的方式將弱分類器構造為一個強分類器;第三部分，將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，級聯結構能有效地提高分類器的檢測速度。

總結

自20世紀50年代以來，模式識別在人工智能興起后不久就迅速發展成一門學科。它所研究的理論和方法在很多科學和技術領域得到廣泛重視，推動了人工智能系統的發展，擴大了計算機應用的可能性。

經過多年的研究和發展，模式識別技術已廣泛被應用于人工智能、計算機工程、機器學、神經生物學、醫學、偵探學以及高能物理、考古學、地質勘探、宇航科學和武器技術等許多重要領域，如語音識別、語音翻譯、人臉識別、指紋識別、手寫體字符的識別、工業故障檢測、精確制導等。模式識別技術的快速發展和應用大大促進了國民經濟建設和國防科技現代化建設。

第五篇：創新作業小課題論文

談作業設計的創新與實效——關于語文學科作業創新課題研究

沙灣一中高一語文組 吳愛英

課題設想:

作為語文學科的任課教師,我始終認為語文課前的預習作業和課后的鞏固作業,在整個語文學習過程中不可或缺,而且扮演著日益重要的角色。.如何解讀作業與練習的效果呢?我認為完成作業與練習是體現學生鮮明的價值追求、理想、愿望的活動，作業與練習應當成為學生課外、校外的一種生活過程和生活方式，學生對待作業與練習的態度也就應該成為教師重點關注的一個對象。

但學生對于作業的固有形式有些厭倦，比如生字詞的抄寫，注釋的記憶，再有就是觀后感的模式化書寫，作業形式固定化，恰恰消磨了他們對語文學科濃厚的興趣，鑒于此種情況，加之學生發自內心的呼喊，2011-2013年，我在高一高二的必修課的作業形式上有意做了一些調整，有些談得上成功，也有一些效果一般，但至少我在努力的嘗試，學生也在嘗試中有所收獲，這就是大家愿意看到的一種現象。古語云：窮則變，變則通，通則達。具體實施：

課前的預習基本都安排在早讀或者晚自習時間，所以我的創新作業，或者有些稱得上是創新練習，安排時間比較靈活，或者在上課時間，或者在課下，同學們參與的熱情比較高。我會對作業情況進行登記，利用第二天的早讀或者上課時間，集中展示優秀的作品，對學生們的點滴進步予以關注和鼓勵。

作業形式及成果展示：

一、將課文改寫成戲劇

學習必修二第二單元詩歌《氓》之后，我給學生講了戲劇的基本形式和特點，要求學生將本課改寫成戲劇，每一幕一個主題，每一幕設計背景音樂，可發揮自己的聯想想象。因為學生作品基本都在1000字左右，這里只能節選其中幾篇的幾個片段。

作品一（節選）愛的變奏曲

2015屆高一（18）班

錢碩君

時間：公元2012年12月21日 人物：女主人公：筱籬

男主人公：蕭霧

女主人公的姊妹：滄月（姐姐）、水滴（表姐）、章親（堂姐）

第一幕

愛的前奏

背景：這天筱籬與全世界的人都焦躁不安的等待著瑪雅人所預言的世界末日的來臨。當差一秒就到達22日時，一切看似平靜的夜晚傳來了一聲刺耳的尖叫…… 時間：公元前2000年

衛國 音樂：《世界末日》jay 在皇宮的后宮中，公主殿內，一位衣著華麗的女子正躺在一具水晶棺材里，只見四周都是穿著白色衣服的婢女和娘娘們，她們在等待著皇上的來臨，而女主的額娘哭得死去活來，站都站不起來。太監：皇上駕到 眾人：給皇上請安 就在皇上剛跨進門檻之時，棺材里的人卻突然坐了起來，并揉著自己的腦袋。

筱籬：唔……這是哪里？我的頭好昏。（環顧四周）哎！我到了哪里? 皇上：筱籬……你怎么……（昏倒在地）

額娘：筱籬……你沒有死……死嗎……，太……太好了！（昏倒，嘴角掛著微笑）

作品二 再美的童話故事也會變煙花

2015屆高一（18）班

楊曉晶

時間：2012年7月7日 人物：凌馨兒

千志煥 第一幕：唯美的相遇

背景：普羅旺斯的薰衣草花海 音樂：《遇到》 凌馨兒：走在薰衣草花海的小道，伸開戴著鉆石手鏈的纖細嫩白的雙手，慢慢撫摸身體兩側的薰衣草花尖，輕輕的閉上雙眼，感受著這薰衣草花海的芳香。

千志煥:手拿照相機，正要將這美麗的花海拍下來時視線中出現一道刺眼的光，千志煥走近一看是閃閃發亮的鉆石手鏈，在陽光下鉆石鏈格外的耀眼。他將鉆石鏈拿在手里的第一反應就是要尋找著手鏈的主人。他向四周察視，終于在自己的前方找到了以為清純可愛的女生，連忙跑過去說： “這是你的手鏈嗎？”

凌馨兒：嗯呢～是的，謝謝你呢！

千志煥:不客氣，這本來就是你的東西媽，物歸原主是應該的。凌馨兒：嘿嘿，嗯，這次真是多虧你了，這個手鏈是媽媽送給我的生日禮物，媽媽不在我身邊，每當我看到這個手鏈時仿佛就看到了媽媽那甜美的笑容，所以這個手鏈對我真的很重要，不然這樣吧，我請你吃飯，我們素不相識的，你卻幫了我這么大的忙，如果你不去的話，我心里會過意不去的，總覺得欠了人家什么東西似的。

千志煥:好吧，既然美女都賞臉了，那我就恭敬不如從命嘍！凌馨兒：呵呵，嗯，那就走吧！

就這樣，他們在吃飯的過程中認識了對方，了解了對方。他們聊了很多，共同語言，共同愛好也很多，從此成為了好朋友。隨著時間的流逝，千對凌產生了愛意，相同的，凌也是有和千一樣的感覺，也許是那一次的唯美相遇將他們二人的命運緊緊連在了一起。第二幕 ：執子之手，與子偕老 背景：在馬爾代夫的海邊 音樂：《什么都可以》

二、給課文的主人公寫信或者墓志銘、人物檔案

以下是學習《記念劉和珍君》之后，我讓學生給劉和珍寫的墓志銘和信件中的優秀作品和優美語段。

此刻，最想對你說的話

2015屆高一（2）班 湯喜梅

我們生活的這片樂土，曾經被尸骨掩蓋，曾經被鮮血浸紅，今天的幸福是無數革命先烈和愛國青年以生命為代價換取的。其中就有你，劉和珍君。

你愛國，具有正義感和責任感，你偉大、善良、和藹、愛憎分明，但卻慘死在兇殘的反動政府的槍林彈雨中。我為你感到深深的悲哀，你是我們心目中的英雄。我們敬重你。

精彩語段摘錄

2015屆高一（2）班 葛芮齊

路，還沒有開始便已經走到了盡頭，夢，還來不及做便已經不再醒來，劉和珍，這位年僅22歲的大學生，就這樣倒在了反動派的槍彈之下。劉和珍君為了正義，為了自己的國家勇赴國難。

2015屆高一（2）班 張宇軒

如果你是從枝頭飄落的黃葉，就注定在這個季節慢慢凋零，只能夠這樣？你飄零在了什么地方？

有多少人會記得你，有多少人希望知道真相。如果有一天，你離開我奔向遠方，如果有一天，你被掩埋在那從未有人去過的山崗。如果你是從天上飄落的雪花，就注定在這個季節慢慢融化，就算是這樣，就算是無力抵抗，請別把人世的悲涼放在心上。

2015屆高一（2）班 冉騰蛟

以柔弱的身軀，扛起一個民族的良知。以殷紅的鮮血證明中國女子的勇毅，即使被無情而罪惡的子彈射穿毫無防備的身體，但是，她的心里依然帶著對未來的期盼與對自由的渴求。那一瞬間，將永遠鼓舞后人繼續前行！

2015屆高一（2）班 竇新鵬

沉默啊，沉默啊，不在沉默中爆發，就在沉默中滅亡！消亡的是你的身軀，不朽的是你的靈魂。

那是一個我們無法理解的時代。時光的車輪似乎就在此徘徊，在那無休止的沉默中，最后的吼聲也被無情的吞噬，最后的希望也被抹殺，可依然擋不住你如山洪般的爆發，你該屬于魯迅筆下的猛士，敢于直面慘淡的人生，敢于正視淋漓的鮮血，年輕的心活在黑暗的邊緣，已壓抑了數不盡的志氣，在十八日的早晨，連同著年輕的生命一齊爆發，三遍花草，溶進流水，融入人心。

以下是在學習契訶夫的《裝在套子里的人》時，我讓學生為別里科夫寫的人物檔案。

第一小組作品

姓名：別里科夫 性別：男 年齡：35歲左右 婚姻狀況：未婚 職業：希臘文教師 身高：1米7左右

著裝習慣：戴黑眼鏡，穿著一件棉大衣，衣領豎起。穿雨鞋，帶雨傘。

行為習慣：把雨傘裝在套子里，把表放在一個灰色的鹿皮套子里，就連小刀也放在套子里。病史：懷疑有抑郁癥

口頭禪：千萬別鬧出什么亂子 性格：自閉，膽小，墨守陳規，孤僻

居住環境：與中學教師希爾金同屋，臥室小，床上掛著布帳

戀愛狀況：曾與一名烏克蘭籍名叫密哈伊·沙維奇·華連卡談過一段時間戀愛，甚至論及婚嫁，后因一場變故，此段戀情不了了之。據調查，這場變故也成為別里科夫死亡的最大原因。

第二小組作品：

姓名：別里科夫 性別：男 婚姻狀況：未婚 居住地址：學校宿舍 職業：希臘文教師 性格簡介：為人古板，循規蹈矩，性格孤僻，沒有憐憫之心，對任何事都要較真，做事永遠都按規則。個人履歷：

1、他曾用純粹套子式的論調降服其他教員，最終開除兩個問題學生

2、轄制了全城人的娛樂生活整整十五年

3、曾與華連卡有過戀愛關系 死因：因重度抑郁而死 第三小組作品 姓名：別里科夫 性別：男 身高：174公分 體重：57公斤 血型：AB 年齡：38 膚色：白人 國籍：俄國

職業：普通中學教員 任教科目：希臘文

家庭住址：教員宿舍，約10平方米 婚姻狀況：未婚 性格：孤僻，保守封建

著裝:棉大衣（豎領），戴眼鏡，穿雨鞋，帶雨傘 月收入：250盧布

身份證號：65422318210917 QQ號：7487487474748 聯系電話：0748-250380748

三、仿寫課文，學習課文的語言技巧和結構形式。學習必修一第一單元《大堰河——我的保姆》后，我讓同學們也為自己的父母寫一首贊美詩，或是愛的頌歌。

愛你——母親

2015屆 高一（18）班

王智濛我愛你，母親 你也愛我，但我知道，我們的愛不同 我的愛是溪流 母親的愛是海洋 芨芨草上的露珠 反射著兒時稚嫩的笑臉 又圓又亮

那是太陽給予的光芒 那是母親給予的回憶

四月的日子 半是爛漫，半是輝煌 那是春風吹過的地方 那是母親撫過的地方 我的歡樂 是母親臉上的微笑 我的痛苦

是母親眼里深深的憂傷

我可以走得很遠很遠 但總也走不出 母親心靈的街場 她給我的愛，很濃很多

就像一首田園詩，幽遠純凈，和雅清淡 就像一幅山水畫，洗去雕飾，留下自然 就像一首深情歌，婉轉悠長，輕吟淺唱 就像一陣和煦風，吹去朔雪，帶來春光 而我給她的愛，卻很淡很稀 不像冰心疊著紙船輕吟著愛她 不像游子遠寄家書流淚著愛她 不像孟佩杰般微笑著愛她 不像紀念母親的文人洶涌著愛她 我的愛曼妙又微妙

濡染出了屬于我發自內心的溫柔

翻開往事 遠逝的歌謠記載著 少年時的記憶 循著媽媽的呼喚與思念 匆匆趕回了家

迎上了母親熱淚漣漣的臉 母親疲勞的臉，溫柔的眸 我一個箭步沖上去緊緊抱住她 我愛你，我的母親。風勾勒著海的輪廓 海的味道浸在風中 我尋找屬于母親的痕跡 美好的回憶再次浮現

就想這樣一直愛著你——我的母親

脊背

2015屆高一（18）班

牛思琦

曾經的英姿不在，曾經的挺拔不在，曾經的健壯不在，歲月仿佛在一夕之間偷走了他的所有，只留下殘破的身軀和彎了的脊背。這是他嗎？

———題記

晚自習下了課，望著漆黑的夜空，我嘆了口氣，一個人的道路是孤單的，黑漆漆的小巷令人恐懼。

咦？前面的是？是他嗎？

我向前走了幾步，瞇起眼睛，打量了他幾番，是他，我驚喜地喊了聲：“爸！”“上車吧。”略顯沙啞的聲音響起。爸爸用手拍了拍，往前挪了挪，我坐上去，像小時候般，靠著他的背，縮成一團，躲在他的背后。

“爸，你別駝著背，這樣對身體不好，把背挺直。”我不舒服的動了動，有點埋怨的說。

他努力地挺了挺，試圖挺直，我能感覺到他因挺背而晃動的上身，可是，怎么還是彎的？我氣憤的轉過頭，被眼前的一幕驚呆了。

這是怎樣的背啊，肩上的骨骼垂成兩個弧形，背部佝僂成一個前傾后拱的弧形，而腰部又有點前拱后傾，這樣的背，還是曾經如同小白楊一般挺拔的背嗎？呈現在我面前的背，分明是一座弧形的橋啊！淚水迅速席卷了我的眼眶，我不置信地搖搖頭，他的背在以前比別人挺拔多了，小他許多的人脊背已經彎曲了，可現在他怎么也……

小時候，看著高大的父親，覺得天塌下來我都不怕，因為父親會為我頂著，在那時，父親就是我的天，就是我的依靠，就是一個頂天立地的大英雄。

“你動干啥？”爸問。

父親的話打斷了我的沉思，我下意識的搖了搖頭，才意識到他看不見。

“我，我有點兒冷。”抽了抽鼻子，我忍住哭腔答。

父親沒有再說話。

只是微微往后挪了挪身軀，靠在我的背上，為我擋住迎面的風。

依稀間，我仿佛看見了那個依舊挺拔的父親，那個依舊可以為我遮風擋雨，讓我為之驕傲的父親，那個頂天立地的父親。

那個他，又回來了。這，是他，是我的爸爸。是那個依然背如松樹的爸爸。

四、詩句接龍，當堂創作詩歌

2011年新學期第一課，我讓同學們以海子的《面朝大海，春暖花開》的首句“從今天起，做一個幸福的人”作引子，進行詩句接龍，這些都是同學們當堂思想火花的碰撞。

詩句接龍

2012屆高二（10）班作品

從今天起，做一個幸福的人 不看書、不寫字、不上班 人生是如此的漫長

如果你沉浸其中，你將發覺人生是如此的短暫 人生既然如此短暫，那就盡情狂歡吧！

人生自有沉浮，只有學會了忍受自己生命中的那份悲傷，才會懂得什么叫做真正的幸福 幸福是什么？

幸福就是，貓吃魚，狗吃肉，奧特曼打小怪獸 幸福就像捉迷藏，你越找，它越藏

一次失敗不算什么，一次錯誤的選擇也不算什么，只要有人還在關心你，那就是你的幸福

幸福就是和你最親的朋友在一起，躺在一片綠綠的草地里，呼吸著最純凈的空氣，時而閉上眼睛，時而睜開眼睛看著天空，做最舒服的動作，說最想說的話。幸福就是 面朝大海，春暖花開

詩句接龍

2012屆高二(20)班作品

從今天起，做一個幸福的人 幸福離我們并不高、并不遠 有時我們卻總也追不到它 我只吃飯不洗碗 我只洗碗不吃飯 幸福到底在哪里？

每天簡簡單單、快快樂樂這就是幸福 幸福依然就在我們身邊

因為我知道，痛苦就是有閑功夫擔心自己是否幸福 從今天起，我要做一個幸福的人 從懵懂中漸漸醒來去追逐幸福

在我們仰望自己的幸福時，千萬別忘了擦肩而過的幸福 人生路那么漫長，每個時刻都有人和自己同行、邂逅、離開 感謝她們 豐富了我的生命 然后就這樣子 慢慢成長吧

從今天起，做一個幸福的人 不做飯、不洗碗、不買菜 我不覺得這樣很幸福 總有一天

你會感到屬于你的幸福 有沒有人可以告訴我 幸福究竟是什么 幸福在路上 幸福或許就是路上 你回眸一笑 眼里的那道閃光 閃光太多 我會熱

熱了就去洗個澡

那么就到夏天涼爽的雨中 一起去尋找幸福吧

夏天怎么能有沒有你的幸福 那么我們冬天可以去北海道 其實幸福用不著尋找 他說來就回來的 可是當幸福來敲門 我卻茫然不知所措 我會來給你開門 我會來幫你點菜 我追隨著你的腳步 不知該不該去遠方 你不用知道該不該 跟我走就好了

請告訴我哪里才是盡頭 我想把你的問題寫在紙上 一遍一遍的解讀 你心中的我是什么味道 你的樣子讓我想起 櫻桃

櫻桃長在遠方的樹上 如果你可以 請去摘吧 有情飲水飽

實效體會：

現在的社會最需要的恰恰是創新型人才，要培養有創新精神的學生，首先可以從作業的創新做起，點滴深入。我發現學生在創新作業中體會了快樂，獲得了鼓勵和肯定，對作業不再畏懼，而是有了更多的期待。同時學習語文的興趣也前所未有的高漲。這些精彩的作品就是印證。作業設計體現自主性，才能讓學生敢于創新；作業形式活中來新，使學生樂于創新；重視作業過程，目的是使學生學會創新

我們可以通過求異求新，培養他們的創新思維。可以通過激發想象，開發他們的創新思維。還可通過一系列的實踐活動，培養學生的創新能力。

最后，教師更要講究評價藝術，保護學生的創造熱情 心理實驗顯示，積極友好的評價可以促進個體自卑感的克服、強化學生參與學習的積極性、喚醒并激發他們的創新情感。作為教師，我們應該關注學生現在已有的水平的發展以及發展中的個別差異，給予更多的鼓勵、獎勵和提醒。如：學生完成的作業想象豐富，老師就用“有創意的作業，真棒！”這樣的話加以贊揚；如學生完成的作業還不盡人意，老師就用“相信自己的努力，下決心一定能做好”這樣滾燙的話語來激勵。我深刻地感到，教師或許是不經意的一句帶有評價色彩的話，可能就深刻影響到學生對學習生活的認識、情感和態度。

“教者有心，學者有益。”優化作業的設計，能較好地適應不同層次的學生，有效地激發他們學習語文的積極性、拓展想象的空間、培養他們的創新精神和實踐能力、發展他們的個性，從而為學生的終身學習、終身發展打下良好的基礎。