基于区间型特征向量的模式识别方式论文[共5篇]

第一篇：基于区间型特征向量的模式识别方式论文

模式识别是将待识别对象的特征与给定样本信息进行比较、匹配，并给出识别对象所属模式的判断.在计算机识别与控制系统中，常常要解决基于特征向量的模式识别问题，在这类识别中，标准模式与待识别对象均是以特征向量的形式表现.由于客观事物的复杂性和不确定性以及人类思维的模糊性，在解决实际问题时，往往会因计算、测量数据带有误差而不能用确定的数来表示特征值，从而导致了特征向量的分量的不确定性，在数量上的反映往往不是一个确定的数值，而是一个范围，适合用区间数表示.因此，本文研究特征向量的分量以区间数呈现的模式识别方法，以拓广模式识别方法应用的对象.表示 a 与 b 之间的距离.这种表示方法是将区间数视为平面上的点，并没体现区间数所呈现的不确定性.实际上，区间数完全由其宽度与中心确定，而在一定程度上宽度反映了不确定性的信息范围，中心反映了不确定性的信息取值的平均值.同时，考虑到区间数的宽度与中心对不确定性信息的影响，因此，给出如下距离概念.在实际识别中，识别对象往往由多个特征刻画，而这些特征值的物理量纲也不尽相同，为了消除不同物理量纲对计算结果的影响，就需要对这些特征值进行规范化处理.最常见的类型有效益型和成本型.由于本文对区间数距离的定义是基于区间数的中值和宽度，因此我们采用文献中的基于中值—半宽的规范化方法.规范化方法介绍如下: 2 模式识别方法2.1 模型描述令 C = c1，c2{，…，c }n为特征集，特征的权重向量 W =(w1，w2，…，wn).对象相对于某一个特征的特征值往往具有不确定性，因此用一个区间数来表示特征值，对每一个特征值作规范化处理.这样，对象可视作 n 维区间数向量(称之为特征向量).这样，对待识别对象的识别，即归属哪一个标准模式之中的问题，可转化为特征向量之间的接近程度来考虑.为此，结合本文中的贴近度，给出择近原则如下描述，用于基于区间数的距离的模式识别之中.算例分析随着无线电通讯技术的发展，考试作弊手段越来越现代化.为了防范考试作弊现象，需要对考场周边的电磁环境进行监测和评估，以便高效地发现高科技作弊信号.本文从无线电信号强度、频率占用度和频段占用度三个方面基于模式识别方法对考场电磁环境进行分析.依据历史数据和专家经验将电磁环境的复杂度分为五个等级，将其视为五种标准识别模式，表示为 A1，A2，A3，A4，A5，其中依据择近原则该考场电磁环境属于“二级”，本文结果与实际电磁环境一致.

第二篇：模式识别作业-小论文

《模式识别》学习心得

模式识别(Pattern Recognition)技术也许是最具有挑战性的一门技术了，模式识别有时又被称为分类技术，因为模式识别说到底就是对数据进行分类。说到识别，最为常用的便是模仿人的视觉的图像识别（当然还有语音识别），也许你会想当然地认为那还不简单，觉得我们用我们的眼睛可以轻而易举地识别出各种事物，但是当你想用计算机中的程序来实现它时，于是你便会觉得很沮丧，甚至于有无从下手的感觉，至此你再也不会觉得电脑有多聪明，你会觉得电脑是多么的低能。是的，现在的电脑智能，即人工智能还远不如蟑螂的智能，这其中最为根本的原因是模式识别技术还是处于较为低层次的发展阶段，很多的识别技术还无法突破，甚至有人还断言，再过30年也不会有本质的飞跃。当然，世事总是让人难以预料，我们也用不着这么地悲观，科学技术总是向前发展的，没有人可以阻档得了的。在这里，我把我对模式识别技术的学习和研究心得拿出来与大家分享一下。

模式识别具有较长的历史，在20世纪60年代以前，模式识别主要是限于统计学领域中的理论研究，还无法有较强的数学理论支持，20世纪80年代神经网络等识别技术得到了突破，计算机硬件技术更是有了长足的发展，模式识别技术便得到了较为广泛的应用，光学字符识别(OCR)是模式识别技术最早得到成功应用的技术，之后的应用还有如DNA序列分析、化学气味识别、图像理解力、人脸检测、表情识别、手势识别、语音识别、图像信息检索、数据挖掘等。

模式识别是一门与数学结合非常紧密的科学，所应用到的数学知识非常多，最基本的便是概率论和数理统计了，模式识别技术到处都充满了概率和统计的思想，我们经常所说的识别率，其实就是概率的表达：在大数据量（严格地说应当是数据量无穷大）测试中识别成功的概率，还有常用的贝叶斯决策分类器便是运用了概率公式。模式识别还用到了线性代数，因为运用线性代数可以较为方便表达具有多特征的事物，我们一般会用向量来表达一个事物的特征，对于向量的计算是一定会用到线性代数的知识的。还有一个较为高层次的数学知识是泛函分析，泛函分析是研究无限维线性空间上的泛函数和算子理论，SVM（支持向量机）便是以泛函分析中的理论为基础的，SVM技术还运用到了最优化理论数学知识，最近中科院王守觉院士提出的多维空间仿生模式识别技术是以拓扑学为理论基础的。所以说模式识别科学是应用到数学知识最多的一门学科之一，在我们研究模式识别技术过程中会碰到一个又一个的数学知识，有时需要我们重新拿起大学时的数学书来学习，有时还需要我们去寻找和学习我们也许从未学习过的数学知识，这时你会感觉到你真的是在做研究，仿佛又回到了大学学习时光，你更会感觉到要学好模式识别技术需要多年的积累，浮躁不得，当然，如果你越是坚持下来，你的价值就会越大，因为这是个可以不断得到积累的技术，不像研究上层应用，研究多年并不意味着你就会有多厉害，一下子没有跟进便会被淘汰掉，而后面进来研究的人很容易超越前面研究的人，所以说，模式识别技术是一个喜欢做研究的人的一个很好的选择。模式识别大体上可以分为统计模式识别和句法模式识别，统计模式识别是对大量的样本进行统计或学习而最后得到一个分类器，如贝叶斯分类器、神经网络、SVM、K近邻法则等都是属于统计模式识别的方法，句法模式识别则是依据一定的逻辑规则进行判别，如图像形状判断、语法类型判断、地址细分等，句法模式识别也可以称为结构模式识别，一般是应用于逻辑清楚、不易混淆的识别应用中，识别方法也比较简单，所以现在研究的大部分都是统计模式识别的方法，而且在这其中研究比较集中的是机器学习，因为人们相信：像人类辨别新事物一样，都需要一个学习过程，对于计算机也可以像人类那样地去学习而具有辨识能力。神经网络技术便是基于模仿人类的学习而产生的。说了这么多，其实我想表达的是统计方法在模式识别中的重要性，在这一节我们主要就来讨论一下概率论和统计在模式识别中的应用。

说到概率和统计就不得不提贝叶斯决策理论，它是解决模式分类问题的一种基本统计途径，贝叶斯决策理论的基本公式可做如下描述：

某个特征被判断为某类的概率 =该类中出现这个特征的概率 × 该类存在的概率 / 这个特征出现的概率

上面这个公式是一个条件概率公式的推导，这里用文字来描述，以便更好理解，要想了解更多这方面的知识可以查找有关模式识别的理论书，几乎每种理论书的第一个部分就是描述这方面的内容。

概率上的应用还有较为常用的理论是马尔可夫模型（Markov model）和稳马尔可夫模型(HMM)，这个是分词技术和语音识别中的基本理论工具之一，其中词频统计是其基本统计需要。马尔可夫模型和稳马尔可夫模型都是多条件概率的应用，追求的也是大概率结果。马尔可夫模型又可以分为一阶马夫可夫模型（Bigram模型）、二阶马尔可夫模型(Trigram模型)、n阶马尔可夫模型（n-gram模型），阶数越大，则需要统计的数据越多，计算的复杂度也会猛增。HMM运用了前向计算法（Viterbi算法），计算复杂度大大降低了下来，所以得到了较为广泛的应用，当今的语音识别算法就是采用HMM理论模型实现的。

统计分析中有个协方差矩阵，它可以应用于PCA（主成分分析）降维方法中。可以很容易理解，当特征越多时，计算则越复杂，而且计算结果准确性则越低，所以我们总是要想方设法把特征维数降下来，较为常用的方法则是用PCA降维方法（另一个方法VQ也是个很好的降维方法），这个方法是通过大量的样本统计，统计出方差最小的特征，方差越小，则说明这种特征越易混淆，越无助于分类，于是就可以把这些特征去掉，以此降低了特征维数。

类似于神经网络的机器学习方法也是属于统计模式识别一种，机器学习方法大大简化了我们对样本数据的统计工作量，采用了自动化的方法根据大量样本生成一个分类器，在这其中，统计分析的应用较为稳性，以至于让你无法承认它是属于统计模式识别的方法，但是对于大量样本的学习也可以算是统计方法的范畴，如神经网络中的每个神经节点的系数的形成是依据一定算法（如LMS算法）通过大量样本修正出来的，这个修正的过程也可以算是统计分析的过程。

既然模式识别技术与概率和统计分析密不可分，所以在设计分类器之前，首先要准备好大量的、周全的、能够覆盖各种情况的训练样本和测试样本，然后对训练样本进行统计分析，分析样本的特点，分析样本的特征值分布规律，得到各种统计数据，最后再来确定模式识别的方法，测试样本用来检验分类器的合理性 问题，根据测试样本测试出来的问题，需要返回去修改分类器，这是一个反复的过程，直至最后达到分类器的性能目标。

我们在表示某个事物的特征时，其特征数一般有三个以上的，甚至有好几百个特征，为了表示方便，对于特征值一般采用向量的形式来表示，所以我们在研究模式识别时会有很多的矩阵运算，对于特征值的运算我们可以把它想象成是一个高维空间中的运算，矩阵运算可以方便地表达高维空间中的运算，所以说线性代数是研究模式识别的数学基础，更高层次的数学理论是泛函分析，它是研究无限维空间的几何学和分析学。

对于三维以下空间，我们可以较容易地想象出来，但是三维以上的空间超出了我们的感知能力，很多在三维以下空间的计算，推广到高维空间时，则不灵了，出现了所谓的“维数灾难”，这是因为高维空间中出现了稀疏性和空空间的现象，即高维空间中的数据分布会非常地稀疏，且可能出现密度会很高的空区域中点，维数灾难是Bellman首先提出来的，它泛指在数据分析中遇到的由于变量过多而引起的一系列问题，有点像“指数爆炸”，随着指数的递增，数据会迅速膨胀到难以想象的大。

SVM模式识别技术利用核方法，在高维空间中进行变换，巧妙地解决了维数灾难的问题，所以很多实验表明SVM分类算法总是能够优于其它分类算法。虽然有如此的好办法，但是我们还是得想办法降低维数，降低了维数，不仅可以降低计算的复杂度，也可以排除不必要的干扰特征，在众多的特征中也许有些特征是没有用的，即可能存在不是特征的特征，把这些无用的特征去掉，可以改善分类器的性能，目前降低维数主要应用的办法是PCA方法，很多人在描述这个方法时总要扯上协方差矩阵，让人陷入一大堆公式的推导中，其实核心思想就是把方差最小的那些特征排除掉，如果你知道这一点，可以不用理协方差矩阵，直接通过统计样本的特征值方差来实现PCA方法。

两组特征之间的距离可以有很多种表示方法，如欧氏距离、绝对值距离、切比雪夫距离、马氏距离、兰氏距离、相似系数、定性指标的距离等，大家比较熟悉的是欧氏距离，其实这种距离在高维空间并不常用，不仅是因为计算量大，还因为不同特征的值，其计算单位不一样，不可以把每种特征同等看待，在模式识别中采用哪种距离计算方式很重要，会关系到分类器设计的成败。计算距离的方式需要根据实际情况灵活应用，有时甚至可以自己设计距离计算方式，只要满足距离的四个条件即可：

1．当且仅当两点重合时距离才会等于0;2．距离值必需是大于或等于0;

3．对称性：从A点到B点求得的距离等于从B点到A点求得的距离； 4．三角不等式：三个点形成的三角距离关系中，任两边的和大于第三边。

学习模式识别我个人觉得从神经网络入手可能是个较好的选择，一方面可以避免一下子就陷入复杂的公式推导中，另一方面可以让我们较快就能体验到模式识别是个什么样的技术，因为我们可以利用 Matlab或 openCV 非常方便地进行实践(学习一种技术，多去实践非常有助于对理论知识的理解)。神经网络技术是从仿生的角度来思考模式识别技术，探寻模仿人类的智能一直以来是科学界所研究的目标，神经网络技术就是基于此而产生的，但是神经网络能够得到应用还是 因为数学问题方面得到了解决，最优化理论中的梯度下降法便是神经网络实现原理的核心，梯度下降算法是一个循环的计算过程：

1． 为算法模型参数值选择初始值，或随机选择些初始值； 2． 计算每个参数对应的损失函数的变化梯度；

3． 根据梯度值改变参数值，使得错误值变得更小； 4． 重复第二和第三步骤直至梯度值接近于0。

神经网络方法就是通过训练样本进行学习来拟合出一条分割线（对于维数是三维的识别，则是个平面或曲面，三维以上则是超平面或超曲面），如果这条分割线是一条直线（或平面，或超平面），则称为线性神经网络，否则为非线性神经网络，线性神经网络较好理解，理解了线性神经网络，对于非线性神经网络则能够更易理解，所以这里先以线性神经网络为例来解释神经网络的原理，下图是一个二维特征分布图，中间的一条直线是分割线，我们现在要关心的问题是这条分割线是如何计算出来，如果学过数学，我们知道可以用最小二乘法把它计算出来，但这里我们将要用神经网络的学习方法来把它学习出来

从上图我们可以知道，只要我们能够得到w1,w2,b的值，则这条直线我们就可以求出来了，据此我们构造出如下所示的神经网络拓扑图：

从上图中的w1,w2，我们把它们称为权值，b称为阈值，神经网络的学习过程便是不断地调整权值和阈值，直至最后达到最小的错误率，对于线性神经网络，我们可以采用LMS算法，即最小均方差算法来求出权值和阈值，如下是LMS算法的描述：

原理：通过调整线性神经网络的权值(w)和阈值(b)，使得均方差最小。已知有样本集：{p1，t1}，{p2，t2}，{p3，t3}……{pn，tn}，（如果样本特征值是多维的，则p是个向量表达式）。

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。假设第k步已分别求出权值梯度（Gw）和阈值梯度（Gb），则第k+1步权值和阈值分别为：

w(k+1)= w(k)– Gw×α；

b(k+1)= b(k)– Gb×α； α为学习率

下一步就是要怎么算出梯度，如果权值和阈值的变化能够使得均方差趋向最小，则便可以达到我们的目标，依此我们可以对均方差公式求对权值和阈值的偏导，这个偏导值便是我们所要的梯度值，它反应了权值或阈值变化与均方差的关系，偏导公式的演变（推导）如下：

əe2(i)/əw = 2e(i)×əe(i)/əw = 2e(i)×ə(t(i)– a(i))/əw = 2e(i)×ə[t(i)–(w×p + b)]/əw

= –2e(i)×p；

əe2(i)/əb = 2e(i)* əe(i)/əb = 2e(i)×ə(t(i)– a(i))/əb = 2e(i)×ə[t(i)–(w×p + b)]/əb

= – 2e(i)；

第k步的平均差值表示为：e(k)= sum(e(i))/n；于是最后我们就可以得到权值和阈值的变化方程式：

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； 其实，上面所描述的神经网络是一种单层的神经网络，早在1969年，M.Minsky和S.Papert所著的《感知机》书中对单层神经网络进行了深入分析，并且从数学上证明了这种网络功能有限，甚至不能解决象“异或”这样的简单逻辑运算问题。同时，他们还发现有许多模式是不能用单层网络训练的，真正让神经网络得到广泛应用的是1985年发展了BP网络学习算法，实现了Minsky的多层网络设想，BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数（非线性函数），它可以实现从输入到输出的任意非线性映射，由于权值的调整采用反向传播（Back Propagation）学习算法，因此被称为BP网络，目前，在人工神经网络应用中，大部分是采用BP网络及其变化形式，它也是前向网络的核心部分，体现了人工神经网络的精华。BP神经网络不仅可用于模式识别，还可用于函数逼近、数据压缩应用中。

BP算法跟上面介绍的算法非常相似，也是根据均方差求权值和阈值的调整方向，也是通过对权值变量和阈值变量分别求偏导得到权值和阈值的修正梯度方向，差别在于BP神经网络有好几层，要从输出层开始，一层一层地计算出每层的权值变化和阈值变化（所以称为反向传播学习算法），另一个差别是有些网络层的神经元的传递函数采用log-sigmoid型非线性函数，对于这类函数需要对其进行求导。

BP算法的主要缺点是：收敛速度慢、存在多个局部极值、难以确定稳层个数和稳层节点的个数。所以在实际应用中，BP算法很难胜任，需要进行改进，主要有两种途径进行改进：一种是启发式学习算法（对表现函数梯度加以分析以改进算法），另一种是更有效的优化算法（基于数值最优化理论的训练算法）。启发式学习算法有这些：有动量的梯度下降法、有自适应lr的梯度下降法、有动量和自适应的梯度下降法、能复位的BP训练法等，基于最优化理论的算法有这些：共轭梯度法、高斯-牛顿法、Levenberg-Marquardt方法，这些改进的算法在Matlab中都可以找得到，Matlab提供了丰富的神经网络算法，除了BP神经网络，还有基于径向基函数的神经网络（如广义回归神经网络、概率神经网络）、反馈型神经网络（如Hopfield网络、Elman神经网络）、竞争型神经网络（如自组织特征映射神经网络、学习向量量化神经网络），所以学习神经网络，Matlab是个非常好的工具，如果想看具体的实现方法，openCV提供了BP算法的实现，可惜目前openCV只实现BP算法，很希望有更多的神经网络算法能够在openCV中被实现。

对于神经网络，万不可过于迷信它的厉害，对于样本种类多、神经网络节点多，神经网络的收敛速度会很慢，导致学习要花费很长时间，由于存在多个局部极值点，导致初值不同和学习样本不同时，学习效果也不同，所以经常要多次学习才能够得到较好的效果，根据问题的复杂度，设计合适的神经网络的网络拓扑结构也是一个非常难的问题。神经网络是人类模仿生物神经网络原理的一个成果，但是还远远无法达到生物的神经网络功能，现在的人工智能技术甚至连蟑螂都不如，也比不上小小的蚂蚁，人工智能技术的研究还有非常漫长的路要走。

第三篇：任务型教学方式的教学反思

今天给初一上课，学习的主要话题是关于用英语问候他人。教学内容大多以学生整体感知课文为主。以前教授时我针对课文内容作如下的安排：

1、学生听录音，感知课文。

2、听音，识图。

3、听音，重复课文。

4、分角色朗读课文。

上完课我发现学生非常的听话，总是被我牵着走。老师让做什么，他们就做什么，学生始终处于被动中，可是这样的学习是不会有利于学生的长远发展的。

针对这种情况，我对教案做了重新调整，在本课中，我采用了“任务型”的教学途径。在热身复习之后，我交待了本课的学习任务，请同学们和老师一起多学一些礼貌用语。我们要开展评比“礼貌星”的活动。看谁能获胜。任务的明确，给了学生一个学习的动力，让他们有了明确的目标。他们的积极性就高了。当我组织学生参加“找朋友并问候你的朋友”的活动时，学生的学习兴趣达到了高潮。他们拍着手，兴致勃勃的去交朋友，用英语问候朋友。这种活动的设计也正是《新课标》中所倡导的：教师应依据课程的总体目标并结合教学内容，创造性地设计贴近学生实际的教学活动，吸引和组织他们积极参与。这样学生可以通过思考、交流和合作等方式，更好的学习和使用英语，完成学习任务。

当然了在采用“任务型”的教学途径的过程中，也有许多环节还需要我在今后的教学中进一步完善，如：活动不应该仅限于课堂教学，而应该延伸到课堂之外的学习和生活中，鼓励学生平日里多说英语，让学生达到“活学活用、学以致用”，更好的突出我们语言教学的语用性和交际性。

第四篇：汉语拼音教学方式论文

汉语拼音是识字和学习普通话的工具，是低年级语文教学的重要任务。以下是“汉语拼音教学方式论文”，希望能够帮助的到您！

汉语拼音是识字和学习普通话的工具。汉语拼音学得如何，对于以后学习语文知识有着直接的影响。传统的拼音教学，学生机械地记，枯燥地读。教师的指导仅仅体现在领读上。使用人教版新教材的过程中，我对拼音教学有了新的认识。

一、改善汉语拼音教学理念

新《语文课程标准》强调全面提高学生语文素养，赋予了汉语拼音教学全新的教学理念。汉语拼音与识字、写字、阅读、口语交际等方面是密不可分的。在拼音教学中，要彻底摆脱传统拼音教学“孤立地学拼音”的束缚，让学生在“自主、合作、探究”的全新的学习方式中学习拼音。

二、使用新颖、有效的教学方法

1.歌诀巩固法

拼音字母是一些抽象的符号，如果只是分析字母构成效果不会太好，为了提高教学效果可以采用歌诀法来进行拼音教学。儿歌由于其琅琅上口、通俗易懂的特点而受到了学生的喜爱。在教学中，我们紧紧抓住一特点，把大量的儿歌引入课堂，使儿歌成为提高汉语拼音教学效果的一条有效途径。例如，在学习“a o e”时，教学生朗读儿歌：“嘴巴张大aaa，嘴巴圆圆ooo，嘴巴扁扁e e e”學生边唱边记住了a o e 的发音。在学习“ch”时，教师教读儿歌：“小猴子，嘴儿馋，吃了杏子吃李子，吃了李子吃柿子，吃了柿子闹肚子。”在反复吟诵中，学生熟悉了“ch”的发音。

2.插图提示法

人教版实验教材中的每一课都安排了色彩明丽、内容丰富、具有启发性及思想深刻的图画。对于以直观形象思维为主的一年级学生，这些图画是巩固汉语拼音、进行听、说、想像与拓展思维训练、培养创新精神的极好素材。我们应该相信孩子们的想像力，如果教师能为他们构筑足够高的梯子，为他们的想像插上有力的翅膀，他们的想像会远远超出我们成人，他们的心是纯净的，应该还给他们本属于他们的空间，让他们自由畅想。在教学中，教师应根据编者意图，从课文的插图入手，启发学生发现插图跟字母音形的内在联系。例如：在教声母k时，先让学生观察图上画的是什么？（生：图上有小蝌蚪和水草）你们喜欢小蝌蚪吗？（生：喜欢）这些可爱的小蝌蚪在那干什么？（生：小蝌蚪在水草边玩）接着板书k让学生看，这个字母像什么？（生：它像两只小蝌蚪靠在水草边玩）这样结合看图，启发学生想象，不仅增加了儿童情趣，而且能帮助学生记忆字母的音和形。

3.创设情境法

创设情境法是指在课堂教学中，教师用语言、插图、演示教具、表情等手段把学生带入情境，从而使学生在一个愉悦、宽松的环境中积极主动地参与学习的方法。比如我在教u的四声时，运用教具演示，边演示边模拟汽车开动的声音发u的四声，学生们看到后感到很有趣，也跟着我做手握方向盘的姿势，并且边开车边发音。随后，我就向学生总结规律：“一声道路平又直，二声就像上山坡，三声下坡又上坡，四声就像下山坡。”这样让学生的脑、眼、手、口多种感官协调活动，化难为易，学生学得特别轻松愉快。

4.游戏学习法

游戏学习法是指在课堂教学中，通过学生参与游戏活动，在游戏中获取知识，发展思维，培养能力，达到寓教于乐。教育心理学研究的成果表明，儿童的思维是从活动开始的，在活动中，孩子的大脑处于高度兴奋状态。因此，在教学中我经常采用游戏学习法，让学生在玩中思，玩中学，使认知与情感融为一体。如在学习整体认读音节后，我设计了如下练习（出示图：图上画的是一棵大树，树上结满苹果，苹果上写着整体认读音节）。师：秋天到了，果园丰收了，我们一起去果园帮农民伯伯摘苹果好吗？（生：好极了）农民伯伯还说了，如果你能带领全班同学读一读苹果上的音节，他就把这个大苹果送给你，你们想不想要？学生很兴奋，有的同学甚至说：“老师，我最爱吃苹果了，叫我去吧，我肯定能读对。”这样紧密结合课文，针对儿童年龄特征安排一些游戏，使学生在轻松愉快的气氛中，体会到学中有趣、趣中有知，使认知活动与师生情感交织在一起。

三、培养合作学习意识

新课程改革，倡导自主、合作、探究的学习方式，目的在于培养学生的实践能力和创新精神，为人的终身学习打下基础。我认为低年级的语文教学应该是教师指导学生自己学习的过程。在拼音教学中，我体会到小组讨论研究学习很有必要，它能够帮助学生树立初步的合作意识。在小组学习过程中，教师首先要教给学生学习的方法：先自己试一试，掌握好的同学帮助一下有困难的同学。例如拼读时，可以这样跟学生说：“要像老师那样，先看声母、后看韵母、再加上声调、碰一碰看看发什么音？”这样的要求实际上强调拼读的方法，学生容易接受。教师再补充一句，“看谁是最好的小老师”。这样极易调动学生学习的积极性，好胜心理促使他们竞读互学，课堂气氛热烈。在这一过程中，学生的参本文由论文联盟http://www.xiexiebang.com收集整理与意识、合作意识树立起来了。因为只有参与具体的活动，他们才能获取知识、与人合作，才会感受到成功的喜悦。

总之，当学习成为一种乐趣时，学习才更为有效。在汉语拼音教学中，教师要注意创情、激情，将师生情感融于学生的认知活动全过程，这样就会大大提高学习效率，促其较快地掌握汉语拼音。苏联著名教育学家苏霍姆林斯基说：“学习如果为思想感情、创造、美和游戏的璀璨所照，就能成为孩子妙趣横生和心醉神迷的乐事。”基于这种认识，针对儿童形象思维发达的特点，在教学中采用孩子们喜闻乐见的方法，寓拼音教学于儿歌、故事、音乐、游戏、表演之中，让儿童在欢乐的气氛中获取知识，培养能力。

第五篇：任务型教学法论文

任务型教学法在小学英语教学中的实践与应用研究

王艳艳

引言：

任务型教学（Task-Based Approach）是20世纪80年代外语教学研究者经过大量研究和实践提出的一个具有重要影响的语言教学模式。该模式以任务为中心，是20年来交际教学思想的一种发展形态，它把语言运用的基本理念转化为具有实践意义的课堂教学方式。任务型教学法产生于国外，始于1979年，N.S.Prabhu在印度高科技区进行了一项强交际法的实验（Bangalore Project）提出了许多任务类型，并把学习内容设计成各种交际任务，让学生通过完成任务进行学习。Prabhu的这项实验可以看作是把任务作为课堂设计的单元的第一次尝试，并引起了语言教学界的关注。任务型教学法以具体的任务为学习动力或动机，以完成任务的过程为学习的过程，以展示任务成果的方式（而不仅仅是以测试的分数）来体现教学的成就。在教学过程中，教师围绕特定的交际目的和语言项目，设计出可操作性强的、任务化的教学活动，运用学习任务组织教学，强化了语言实际应用的过程，充分体现了语言的交际本质；学生通过多种语言活动完成任务，达到学习语言和掌握语言的目的。近年来，国际上广泛采用任务型教学途径。我国的《英语课程标准》以学生 “能做某事”的描述方式设定各级目标要求。要求学生在教师的指导下，通过“任务型”学习活动发展他们的“综合语言运用能力”。它要求教师应该避免单纯传授语言知识的教学方法，尽量采用“任务型”的教学途径。教师应依据课程的总体目标并结合教学内容，创造性地设计贴近学生实际的教学活动，吸引和组织他们积极参与。学生通过思考、调查、讨论、交流和合作等方式，学习和使用英语，完成学习任务。这说明任务型教学途径是我国外语教育教学改革的一个走向。同时，现采用的人教版PEP小学英语教材，从内容的选择，层次的递进,课程的设置等各方面都很适合任务型教学的实施。为此,我们在课堂进行了任务型教学模式的研究,旨在构建小学英语任务型教学模式的课堂结构和提供一套相应的操作措施。

一、任务型教学法在小学英语教学中的操作措施

任务型教学模式结合小学生的特征，有效整合人教版PEP小学英语教材，并且“以学生为主体，以任务为载体，以话题为主线，以培养学生的综合语言能力为目的”的教学理念，初步构建了小学英语任务型教学模式，并将其操作步骤规范如下：

1、Leading-in（热身运动，引起学生的兴趣）

2、Pre-task（呈现完成任务需要的知识，介绍任务的要求和实施任务的步骤）

3、While-task（设计数个微型任务，构成任务链，学生一个人或小组形式完成各项任务）

4、Post-task（以展示、表演等形式出示结果）

5、Check（自我评价、小组互评、教师总评价）

6、Homework（做与任务有关的作业或为下节课做准备的作业）

英语教学法的过程实际上是把教材内容活化为学生交际行为的过程。这就需要教师结教材进行活化处理，把文字形式化为声情并茂的语言活动。因此，教师精心设计教学任务非常重要。教师必须深入分析教材，把握各个单元的语言功能话题在真实生活中的运用情景，根据教学内容、教学条件以及师生状况，设计出符合真实生活的任务型教学活动。

其次，认真设计教学过程。在课堂教学的开始阶段教师就应把设计好的任务以不同的方式呈现给学生。如，教师可以运用实物、图片或形体语言，配合录音、录像、幻灯以及多媒体课件等视听手段进行该任务的整体输入，让学生在感知语言信息的同时自然地受到任务的驱动，这有利于提高学生的学习兴趣和强化学生的学习动机。由于学生的语言知识和语言技能与完成任务之间存在着差距，他们需要通过学习来获得完成教学任务的知识教学的技能。这个学习的过程就是完成教学任务的知识教学和技能训练的过程。教师在这一教学过程的备课阶段，要抓住小学生好活动、善模仿和记忆力强的特点，组织好与完成任务密切相关的、生动活泼的课堂教学活动（例如，听、说、唱、写、画、赛、游戏、表演等），使学生主动、愉快地参与学习，自然、轻松地学习和掌握完成任务所需的语言知识和技能。这些围绕完成任务所需的语言知识而进行的听、说、读、写的基础训练为随后的学生分小组完成数个微型任务打下基础。在完成上述教学活动之后，教师可把教学进程自然过渡到完成任务上来。在此阶段，教师要根据学生的实际情况设计各种任务，并引导学生创造地完成。

同时，教师可以在学生完成任务的过程中和任务完成后，通过考察和交流，对学生的书面作业、口头问答、课堂展示、学习态度、参与程度和合作精神等作出过程性评价。这种评价可使学生在学习过程中不断得到激励，产生自信心和成就感，并转化为继续进步的动力。而在布置家庭作业时，教师应拟出一至两个与教学内容和话题任务相关的话题，让学生在下一节课以小组为单位进行汇报或表演。小学阶段我们所设计的课外作业有：制作姓名卡片和地址簿，用英语给朋友或老师打电话，学唱英语歌曲，讲英语幽默故事，自制写有英文祝辞的圣诞卡或新年贺卡，模仿课文或对话并录音，用英语写配图短文，给笔友发E-mail,设计英语晚会，用英语收集自己、朋友和家人喜欢的食物、饮料、水果、蔬菜、服装等，查寻各国主要城市及首都名称用英语做简单介绍等。

二、采用任务型教学法设计课堂教学应注意的几点

笔者认为，“任务型”教学活动中所设置的活动要有明确的目的性和可操作活动应以学生的生活经验和兴趣为出发点，设计出让小学生乐于参加的游戏、猜谜、小制作的小品表演等活动，使学生在学中玩，玩中学，紧紧地抓住他们的好奇心理，吸引他们的注意力，参与到活动中来，比如：学习第五册Unit 3时让学生为自己喜欢的食品制一份广告的活动，能大大调动学生的学习积极性，激发他们的兴趣，当他们能顺利完成任务感受成功的时候，就会树立起自信心，把兴趣化成动机，豪情满怀地参加到学习中来，在学习过程中遇到的困难也能克服。

其次，任务的设计要难度适当，给予学生成功的机会。教师设计活动时，必须根据教学内容设计适合学生水平的任务，要让学生有事可做、有话可说，并让学生感受到“我能做我会做”。即使是预先设计好的任务，也应根据形式掌握的情况随时进行调整。对于低、中、高不同年级的学生，教师更要把握好任务的形式、内容和难度。比如：同样的话题“food”要求低年级的学生能进行简单的交流，相互了解对方所喜欢的食物；要求中高年级的学生能说出喜欢某种食物的原因,并能设计出一日三餐的营养食谱。

任务型教学采取合作学习，注意组内的合理分工 任务型教学中所设计的任务大部分依靠小组活动来完成，小组的作用不仅体现在课堂上，它还可以延伸到课外，取得良好的效果。小组是一个密不可分的整体，是亲密的合作伙伴。采用合作学习的方式有利于学生共同提高。同时要确保每个学生都有事可做，这点非常重要。因此，学生在组内要有明确的分工。每组的组长要协助教师组织和监督任务的执行情况。教师的任务是：规定任务准备与完成的日期、任务内容、展示要求和注意事项。

《新标准》所倡导的任务型教学将成为发展学生语言能力和综合素质的重要途径。当然，这一教学模式还有好些问题有待于解决，比如任务的选择并有进行需求分析，任务的等级评定也是任意的，并且任何形式中心的活动在语言教学中都受到排斥，学生以对子或小组的形式来完成任务，教师在其间不直接指导都有待进一步探讨和研究。

任务型教学法是语言教学的有效途径，同时它是一种新型的教学方式，因此需要在教学中大胆实践，积极探索，使任务型教学模式能够在提高学生的英语实际运用能力上发挥出最大的效应。