第一篇：基于區(qū)間型特征向量的模式識別方式論文

模式識別是將待識別對象的特征與給定樣本信息進(jìn)行比較、匹配，并給出識別對象所屬模式的判斷.在計(jì)算機(jī)識別與控制系統(tǒng)中，常常要解決基于特征向量的模式識別問題，在這類識別中，標(biāo)準(zhǔn)模式與待識別對象均是以特征向量的形式表現(xiàn).由于客觀事物的復(fù)雜性和不確定性以及人類思維的模糊性，在解決實(shí)際問題時，往往會因計(jì)算、測量數(shù)據(jù)帶有誤差而不能用確定的數(shù)來表示特征值，從而導(dǎo)致了特征向量的分量的不確定性，在數(shù)量上的反映往往不是一個確定的數(shù)值，而是一個范圍，適合用區(qū)間數(shù)表示.因此，本文研究特征向量的分量以區(qū)間數(shù)呈現(xiàn)的模式識別方法，以拓廣模式識別方法應(yīng)用的對象.表示 a 與 b 之間的距離.這種表示方法是將區(qū)間數(shù)視為平面上的點(diǎn)，并沒體現(xiàn)區(qū)間數(shù)所呈現(xiàn)的不確定性.實(shí)際上，區(qū)間數(shù)完全由其寬度與中心確定，而在一定程度上寬度反映了不確定性的信息范圍，中心反映了不確定性的信息取值的平均值.同時，考慮到區(qū)間數(shù)的寬度與中心對不確定性信息的影響，因此，給出如下距離概念.在實(shí)際識別中，識別對象往往由多個特征刻畫，而這些特征值的物理量綱也不盡相同，為了消除不同物理量綱對計(jì)算結(jié)果的影響，就需要對這些特征值進(jìn)行規(guī)范化處理.最常見的類型有效益型和成本型.由于本文對區(qū)間數(shù)距離的定義是基于區(qū)間數(shù)的中值和寬度，因此我們采用文獻(xiàn)中的基于中值—半寬的規(guī)范化方法.規(guī)范化方法介紹如下: 2 模式識別方法2.1 模型描述令 C = c1，c2{，…，c }n為特征集，特征的權(quán)重向量 W =(w1，w2，…，wn).對象相對于某一個特征的特征值往往具有不確定性，因此用一個區(qū)間數(shù)來表示特征值，對每一個特征值作規(guī)范化處理.這樣，對象可視作 n 維區(qū)間數(shù)向量(稱之為特征向量).這樣，對待識別對象的識別，即歸屬哪一個標(biāo)準(zhǔn)模式之中的問題，可轉(zhuǎn)化為特征向量之間的接近程度來考慮.為此，結(jié)合本文中的貼近度，給出擇近原則如下描述，用于基于區(qū)間數(shù)的距離的模式識別之中.算例分析隨著無線電通訊技術(shù)的發(fā)展，考試作弊手段越來越現(xiàn)代化.為了防范考試作弊現(xiàn)象，需要對考場周邊的電磁環(huán)境進(jìn)行監(jiān)測和評估，以便高效地發(fā)現(xiàn)高科技作弊信號.本文從無線電信號強(qiáng)度、頻率占用度和頻段占用度三個方面基于模式識別方法對考場電磁環(huán)境進(jìn)行分析.依據(jù)歷史數(shù)據(jù)和專家經(jīng)驗(yàn)將電磁環(huán)境的復(fù)雜度分為五個等級，將其視為五種標(biāo)準(zhǔn)識別模式，表示為 A1，A2，A3，A4，A5，其中依據(jù)擇近原則該考場電磁環(huán)境屬于“二級”，本文結(jié)果與實(shí)際電磁環(huán)境一致.

第二篇：模式識別作業(yè)-小論文

《模式識別》學(xué)習(xí)心得

模式識別(Pattern Recognition)技術(shù)也許是最具有挑戰(zhàn)性的一門技術(shù)了，模式識別有時又被稱為分類技術(shù)，因?yàn)槟Ｊ阶R別說到底就是對數(shù)據(jù)進(jìn)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(dāng)然還有語音識別），也許你會想當(dāng)然地認(rèn)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(dāng)你想用計(jì)算機(jī)中的程序來實(shí)現(xiàn)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(xiàn)在的電腦智能，即人工智能還遠(yuǎn)不如蟑螂的智能，這其中最為根本的原因是模式識別技術(shù)還是處于較為低層次的發(fā)展階段，很多的識別技術(shù)還無法突破，甚至有人還斷言，再過30年也不會有本質(zhì)的飛躍。當(dāng)然，世事總是讓人難以預(yù)料，我們也用不著這么地悲觀，科學(xué)技術(shù)總是向前發(fā)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(shù)的學(xué)習(xí)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(jì)60年代以前，模式識別主要是限于統(tǒng)計(jì)學(xué)領(lǐng)域中的理論研究，還無法有較強(qiáng)的數(shù)學(xué)理論支持，20世紀(jì)80年代神經(jīng)網(wǎng)絡(luò)等識別技術(shù)得到了突破，計(jì)算機(jī)硬件技術(shù)更是有了長足的發(fā)展，模式識別技術(shù)便得到了較為廣泛的應(yīng)用，光學(xué)字符識別(OCR)是模式識別技術(shù)最早得到成功應(yīng)用的技術(shù)，之后的應(yīng)用還有如DNA序列分析、化學(xué)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(shù)據(jù)挖掘等。

模式識別是一門與數(shù)學(xué)結(jié)合非常緊密的科學(xué)，所應(yīng)用到的數(shù)學(xué)知識非常多，最基本的便是概率論和數(shù)理統(tǒng)計(jì)了，模式識別技術(shù)到處都充滿了概率和統(tǒng)計(jì)的思想，我們經(jīng)常所說的識別率，其實(shí)就是概率的表達(dá)：在大數(shù)據(jù)量（嚴(yán)格地說應(yīng)當(dāng)是數(shù)據(jù)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(yùn)用了概率公式。模式識別還用到了線性代數(shù)，因?yàn)檫\(yùn)用線性代數(shù)可以較為方便表達(dá)具有多特征的事物，我們一般會用向量來表達(dá)一個事物的特征，對于向量的計(jì)算是一定會用到線性代數(shù)的知識的。還有一個較為高層次的數(shù)學(xué)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(shù)和算子理論，SVM（支持向量機(jī)）便是以泛函分析中的理論為基礎(chǔ)的，SVM技術(shù)還運(yùn)用到了最優(yōu)化理論數(shù)學(xué)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(shù)是以拓?fù)鋵W(xué)為理論基礎(chǔ)的。所以說模式識別科學(xué)是應(yīng)用到數(shù)學(xué)知識最多的一門學(xué)科之一，在我們研究模式識別技術(shù)過程中會碰到一個又一個的數(shù)學(xué)知識，有時需要我們重新拿起大學(xué)時的數(shù)學(xué)書來學(xué)習(xí)，有時還需要我們?nèi)ふ液蛯W(xué)習(xí)我們也許從未學(xué)習(xí)過的數(shù)學(xué)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(xué)學(xué)習(xí)時光，你更會感覺到要學(xué)好模式識別技術(shù)需要多年的積累，浮躁不得，當(dāng)然，如果你越是堅(jiān)持下來，你的價值就會越大，因?yàn)檫@是個可以不斷得到積累的技術(shù)，不像研究上層應(yīng)用，研究多年并不意味著你就會有多厲害，一下子沒有跟進(jìn)便會被淘汰掉，而后面進(jìn)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(shù)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(tǒng)計(jì)模式識別和句法模式識別，統(tǒng)計(jì)模式識別是對大量的樣本進(jìn)行統(tǒng)計(jì)或?qū)W習(xí)而最后得到一個分類器，如貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)、SVM、K近鄰法則等都是屬于統(tǒng)計(jì)模式識別的方法，句法模式識別則是依據(jù)一定的邏輯規(guī)則進(jìn)行判別，如圖像形狀判斷、語法類型判斷、地址細(xì)分等，句法模式識別也可以稱為結(jié)構(gòu)模式識別，一般是應(yīng)用于邏輯清楚、不易混淆的識別應(yīng)用中，識別方法也比較簡單，所以現(xiàn)在研究的大部分都是統(tǒng)計(jì)模式識別的方法，而且在這其中研究比較集中的是機(jī)器學(xué)習(xí)，因?yàn)槿藗兿嘈牛合袢祟惐鎰e新事物一樣，都需要一個學(xué)習(xí)過程，對于計(jì)算機(jī)也可以像人類那樣地去學(xué)習(xí)而具有辨識能力。神經(jīng)網(wǎng)絡(luò)技術(shù)便是基于模仿人類的學(xué)習(xí)而產(chǎn)生的。說了這么多，其實(shí)我想表達(dá)的是統(tǒng)計(jì)方法在模式識別中的重要性，在這一節(jié)我們主要就來討論一下概率論和統(tǒng)計(jì)在模式識別中的應(yīng)用。

說到概率和統(tǒng)計(jì)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(tǒng)計(jì)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(xiàn)這個特征的概率 × 該類存在的概率 / 這個特征出現(xiàn)的概率

上面這個公式是一個條件概率公式的推導(dǎo)，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(guān)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(nèi)容。

概率上的應(yīng)用還有較為常用的理論是馬爾可夫模型（Markov model）和穩(wěn)馬爾可夫模型(HMM)，這個是分詞技術(shù)和語音識別中的基本理論工具之一，其中詞頻統(tǒng)計(jì)是其基本統(tǒng)計(jì)需要。馬爾可夫模型和穩(wěn)馬爾可夫模型都是多條件概率的應(yīng)用，追求的也是大概率結(jié)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(shù)越大，則需要統(tǒng)計(jì)的數(shù)據(jù)越多，計(jì)算的復(fù)雜度也會猛增。HMM運(yùn)用了前向計(jì)算法（Viterbi算法），計(jì)算復(fù)雜度大大降低了下來，所以得到了較為廣泛的應(yīng)用，當(dāng)今的語音識別算法就是采用HMM理論模型實(shí)現(xiàn)的。

統(tǒng)計(jì)分析中有個協(xié)方差矩陣，它可以應(yīng)用于PCA（主成分分析）降維方法中。可以很容易理解，當(dāng)特征越多時，計(jì)算則越復(fù)雜，而且計(jì)算結(jié)果準(zhǔn)確性則越低，所以我們總是要想方設(shè)法把特征維數(shù)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(tǒng)計(jì)，統(tǒng)計(jì)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(shù)。

類似于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法也是屬于統(tǒng)計(jì)模式識別一種，機(jī)器學(xué)習(xí)方法大大簡化了我們對樣本數(shù)據(jù)的統(tǒng)計(jì)工作量，采用了自動化的方法根據(jù)大量樣本生成一個分類器，在這其中，統(tǒng)計(jì)分析的應(yīng)用較為穩(wěn)性，以至于讓你無法承認(rèn)它是屬于統(tǒng)計(jì)模式識別的方法，但是對于大量樣本的學(xué)習(xí)也可以算是統(tǒng)計(jì)方法的范疇，如神經(jīng)網(wǎng)絡(luò)中的每個神經(jīng)節(jié)點(diǎn)的系數(shù)的形成是依據(jù)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(tǒng)計(jì)分析的過程。

既然模式識別技術(shù)與概率和統(tǒng)計(jì)分析密不可分，所以在設(shè)計(jì)分類器之前，首先要準(zhǔn)備好大量的、周全的、能夠覆蓋各種情況的訓(xùn)練樣本和測試樣本，然后對訓(xùn)練樣本進(jìn)行統(tǒng)計(jì)分析，分析樣本的特點(diǎn)，分析樣本的特征值分布規(guī)律，得到各種統(tǒng)計(jì)數(shù)據(jù)，最后再來確定模式識別的方法，測試樣本用來檢驗(yàn)分類器的合理性 問題，根據(jù)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(fù)的過程，直至最后達(dá)到分類器的性能目標(biāo)。

我們在表示某個事物的特征時，其特征數(shù)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(yùn)算，對于特征值的運(yùn)算我們可以把它想象成是一個高維空間中的運(yùn)算，矩陣運(yùn)算可以方便地表達(dá)高維空間中的運(yùn)算，所以說線性代數(shù)是研究模式識別的數(shù)學(xué)基礎(chǔ)，更高層次的數(shù)學(xué)理論是泛函分析，它是研究無限維空間的幾何學(xué)和分析學(xué)。

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(jì)算，推廣到高維空間時，則不靈了，出現(xiàn)了所謂的“維數(shù)災(zāi)難”，這是因?yàn)楦呔S空間中出現(xiàn)了稀疏性和空空間的現(xiàn)象，即高維空間中的數(shù)據(jù)分布會非常地稀疏，且可能出現(xiàn)密度會很高的空區(qū)域中點(diǎn)，維數(shù)災(zāi)難是Bellman首先提出來的，它泛指在數(shù)據(jù)分析中遇到的由于變量過多而引起的一系列問題，有點(diǎn)像“指數(shù)爆炸”，隨著指數(shù)的遞增，數(shù)據(jù)會迅速膨脹到難以想象的大。

SVM模式識別技術(shù)利用核方法，在高維空間中進(jìn)行變換，巧妙地解決了維數(shù)災(zāi)難的問題，所以很多實(shí)驗(yàn)表明SVM分類算法總是能夠優(yōu)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(shù)，降低了維數(shù)，不僅可以降低計(jì)算的復(fù)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(shù)主要應(yīng)用的辦法是PCA方法，很多人在描述這個方法時總要扯上協(xié)方差矩陣，讓人陷入一大堆公式的推導(dǎo)中，其實(shí)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(diǎn)，可以不用理協(xié)方差矩陣，直接通過統(tǒng)計(jì)樣本的特征值方差來實(shí)現(xiàn)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(shù)、定性指標(biāo)的距離等，大家比較熟悉的是歐氏距離，其實(shí)這種距離在高維空間并不常用，不僅是因?yàn)橛?jì)算量大，還因?yàn)椴煌卣鞯闹?，其?jì)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(jì)算方式很重要，會關(guān)系到分類器設(shè)計(jì)的成敗。計(jì)算距離的方式需要根據(jù)實(shí)際情況靈活應(yīng)用，有時甚至可以自己設(shè)計(jì)距離計(jì)算方式，只要滿足距離的四個條件即可：

1．當(dāng)且僅當(dāng)兩點(diǎn)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(diǎn)到B點(diǎn)求得的距離等于從B點(diǎn)到A點(diǎn)求得的距離； 4．三角不等式：三個點(diǎn)形成的三角距離關(guān)系中，任兩邊的和大于第三邊。

學(xué)習(xí)模式識別我個人覺得從神經(jīng)網(wǎng)絡(luò)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(fù)雜的公式推導(dǎo)中，另一方面可以讓我們較快就能體驗(yàn)到模式識別是個什么樣的技術(shù)，因?yàn)槲覀兛梢岳?Matlab或 openCV 非常方便地進(jìn)行實(shí)踐(學(xué)習(xí)一種技術(shù)，多去實(shí)踐非常有助于對理論知識的理解)。神經(jīng)網(wǎng)絡(luò)技術(shù)是從仿生的角度來思考模式識別技術(shù)，探尋模仿人類的智能一直以來是科學(xué)界所研究的目標(biāo)，神經(jīng)網(wǎng)絡(luò)技術(shù)就是基于此而產(chǎn)生的，但是神經(jīng)網(wǎng)絡(luò)能夠得到應(yīng)用還是 因?yàn)閿?shù)學(xué)問題方面得到了解決，最優(yōu)化理論中的梯度下降法便是神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)原理的核心，梯度下降算法是一個循環(huán)的計(jì)算過程：

1． 為算法模型參數(shù)值選擇初始值，或隨機(jī)選擇些初始值； 2． 計(jì)算每個參數(shù)對應(yīng)的損失函數(shù)的變化梯度；

3． 根據(jù)梯度值改變參數(shù)值，使得錯誤值變得更??； 4． 重復(fù)第二和第三步驟直至梯度值接近于0。

神經(jīng)網(wǎng)絡(luò)方法就是通過訓(xùn)練樣本進(jìn)行學(xué)習(xí)來擬合出一條分割線（對于維數(shù)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(jīng)網(wǎng)絡(luò)，否則為非線性神經(jīng)網(wǎng)絡(luò)，線性神經(jīng)網(wǎng)絡(luò)較好理解，理解了線性神經(jīng)網(wǎng)絡(luò)，對于非線性神經(jīng)網(wǎng)絡(luò)則能夠更易理解，所以這里先以線性神經(jīng)網(wǎng)絡(luò)為例來解釋神經(jīng)網(wǎng)絡(luò)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(xiàn)在要關(guān)心的問題是這條分割線是如何計(jì)算出來，如果學(xué)過數(shù)學(xué)，我們知道可以用最小二乘法把它計(jì)算出來，但這里我們將要用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法來把它學(xué)習(xí)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(jù)此我們構(gòu)造出如下所示的神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D：

從上圖中的w1,w2，我們把它們稱為權(quán)值，b稱為閾值，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程便是不斷地調(diào)整權(quán)值和閾值，直至最后達(dá)到最小的錯誤率，對于線性神經(jīng)網(wǎng)絡(luò)，我們可以采用LMS算法，即最小均方差算法來求出權(quán)值和閾值，如下是LMS算法的描述：

原理：通過調(diào)整線性神經(jīng)網(wǎng)絡(luò)的權(quán)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(dá)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(shè)第k步已分別求出權(quán)值梯度（Gw）和閾值梯度（Gb），則第k+1步權(quán)值和閾值分別為：

w(k+1)= w(k)– Gw×α；

b(k+1)= b(k)– Gb×α； α為學(xué)習(xí)率

下一步就是要怎么算出梯度，如果權(quán)值和閾值的變化能夠使得均方差趨向最小，則便可以達(dá)到我們的目標(biāo)，依此我們可以對均方差公式求對權(quán)值和閾值的偏導(dǎo)，這個偏導(dǎo)值便是我們所要的梯度值，它反應(yīng)了權(quán)值或閾值變化與均方差的關(guān)系，偏導(dǎo)公式的演變（推導(dǎo)）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(quán)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(shí)，上面所描述的神經(jīng)網(wǎng)絡(luò)是一種單層的神經(jīng)網(wǎng)絡(luò)，早在1969年，M.Minsky和S.Papert所著的《感知機(jī)》書中對單層神經(jīng)網(wǎng)絡(luò)進(jìn)行了深入分析，并且從數(shù)學(xué)上證明了這種網(wǎng)絡(luò)功能有限，甚至不能解決象“異或”這樣的簡單邏輯運(yùn)算問題。同時，他們還發(fā)現(xiàn)有許多模式是不能用單層網(wǎng)絡(luò)訓(xùn)練的，真正讓神經(jīng)網(wǎng)絡(luò)得到廣泛應(yīng)用的是1985年發(fā)展了BP網(wǎng)絡(luò)學(xué)習(xí)算法，實(shí)現(xiàn)了Minsky的多層網(wǎng)絡(luò)設(shè)想，BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)（非線性函數(shù)），它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射，由于權(quán)值的調(diào)整采用反向傳播（Back Propagation）學(xué)習(xí)算法，因此被稱為BP網(wǎng)絡(luò)，目前，在人工神經(jīng)網(wǎng)絡(luò)應(yīng)用中，大部分是采用BP網(wǎng)絡(luò)及其變化形式，它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的精華。BP神經(jīng)網(wǎng)絡(luò)不僅可用于模式識別，還可用于函數(shù)逼近、數(shù)據(jù)壓縮應(yīng)用中。

BP算法跟上面介紹的算法非常相似，也是根據(jù)均方差求權(quán)值和閾值的調(diào)整方向，也是通過對權(quán)值變量和閾值變量分別求偏導(dǎo)得到權(quán)值和閾值的修正梯度方向，差別在于BP神經(jīng)網(wǎng)絡(luò)有好幾層，要從輸出層開始，一層一層地計(jì)算出每層的權(quán)值變化和閾值變化（所以稱為反向傳播學(xué)習(xí)算法），另一個差別是有些網(wǎng)絡(luò)層的神經(jīng)元的傳遞函數(shù)采用log-sigmoid型非線性函數(shù)，對于這類函數(shù)需要對其進(jìn)行求導(dǎo)。

BP算法的主要缺點(diǎn)是：收斂速度慢、存在多個局部極值、難以確定穩(wěn)層個數(shù)和穩(wěn)層節(jié)點(diǎn)的個數(shù)。所以在實(shí)際應(yīng)用中，BP算法很難勝任，需要進(jìn)行改進(jìn)，主要有兩種途徑進(jìn)行改進(jìn)：一種是啟發(fā)式學(xué)習(xí)算法（對表現(xiàn)函數(shù)梯度加以分析以改進(jìn)算法），另一種是更有效的優(yōu)化算法（基于數(shù)值最優(yōu)化理論的訓(xùn)練算法）。啟發(fā)式學(xué)習(xí)算法有這些：有動量的梯度下降法、有自適應(yīng)lr的梯度下降法、有動量和自適應(yīng)的梯度下降法、能復(fù)位的BP訓(xùn)練法等，基于最優(yōu)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(jìn)的算法在Matlab中都可以找得到，Matlab提供了豐富的神經(jīng)網(wǎng)絡(luò)算法，除了BP神經(jīng)網(wǎng)絡(luò)，還有基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)（如廣義回歸神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)）、反饋型神經(jīng)網(wǎng)絡(luò)（如Hopfield網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)）、競爭型神經(jīng)網(wǎng)絡(luò)（如自組織特征映射神經(jīng)網(wǎng)絡(luò)、學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)），所以學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，Matlab是個非常好的工具，如果想看具體的實(shí)現(xiàn)方法，openCV提供了BP算法的實(shí)現(xiàn)，可惜目前openCV只實(shí)現(xiàn)BP算法，很希望有更多的神經(jīng)網(wǎng)絡(luò)算法能夠在openCV中被實(shí)現(xiàn)。

對于神經(jīng)網(wǎng)絡(luò)，萬不可過于迷信它的厲害，對于樣本種類多、神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)多，神經(jīng)網(wǎng)絡(luò)的收斂速度會很慢，導(dǎo)致學(xué)習(xí)要花費(fèi)很長時間，由于存在多個局部極值點(diǎn)，導(dǎo)致初值不同和學(xué)習(xí)樣本不同時，學(xué)習(xí)效果也不同，所以經(jīng)常要多次學(xué)習(xí)才能夠得到較好的效果，根據(jù)問題的復(fù)雜度，設(shè)計(jì)合適的神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)也是一個非常難的問題。神經(jīng)網(wǎng)絡(luò)是人類模仿生物神經(jīng)網(wǎng)絡(luò)原理的一個成果，但是還遠(yuǎn)遠(yuǎn)無法達(dá)到生物的神經(jīng)網(wǎng)絡(luò)功能，現(xiàn)在的人工智能技術(shù)甚至連蟑螂都不如，也比不上小小的螞蟻，人工智能技術(shù)的研究還有非常漫長的路要走。

第三篇：任務(wù)型教學(xué)方式的教學(xué)反思

今天給初一上課，學(xué)習(xí)的主要話題是關(guān)于用英語問候他人。教學(xué)內(nèi)容大多以學(xué)生整體感知課文為主。以前教授時我針對課文內(nèi)容作如下的安排：

1、學(xué)生聽錄音，感知課文。

2、聽音，識圖。

3、聽音，重復(fù)課文。

4、分角色朗讀課文。

上完課我發(fā)現(xiàn)學(xué)生非常的聽話，總是被我牽著走。老師讓做什么，他們就做什么，學(xué)生始終處于被動中，可是這樣的學(xué)習(xí)是不會有利于學(xué)生的長遠(yuǎn)發(fā)展的。

針對這種情況，我對教案做了重新調(diào)整，在本課中，我采用了“任務(wù)型”的教學(xué)途徑。在熱身復(fù)習(xí)之后，我交待了本課的學(xué)習(xí)任務(wù)，請同學(xué)們和老師一起多學(xué)一些禮貌用語。我們要開展評比“禮貌星”的活動?？凑l能獲勝。任務(wù)的明確，給了學(xué)生一個學(xué)習(xí)的動力，讓他們有了明確的目標(biāo)。他們的積極性就高了。當(dāng)我組織學(xué)生參加“找朋友并問候你的朋友”的活動時，學(xué)生的學(xué)習(xí)興趣達(dá)到了高潮。他們拍著手，興致勃勃的去交朋友，用英語問候朋友。這種活動的設(shè)計(jì)也正是《新課標(biāo)》中所倡導(dǎo)的：教師應(yīng)依據(jù)課程的總體目標(biāo)并結(jié)合教學(xué)內(nèi)容，創(chuàng)造性地設(shè)計(jì)貼近學(xué)生實(shí)際的教學(xué)活動，吸引和組織他們積極參與。這樣學(xué)生可以通過思考、交流和合作等方式，更好的學(xué)習(xí)和使用英語，完成學(xué)習(xí)任務(wù)。

當(dāng)然了在采用“任務(wù)型”的教學(xué)途徑的過程中，也有許多環(huán)節(jié)還需要我在今后的教學(xué)中進(jìn)一步完善，如：活動不應(yīng)該僅限于課堂教學(xué)，而應(yīng)該延伸到課堂之外的學(xué)習(xí)和生活中，鼓勵學(xué)生平日里多說英語，讓學(xué)生達(dá)到“活學(xué)活用、學(xué)以致用”，更好的突出我們語言教學(xué)的語用性和交際性。

第四篇：漢語拼音教學(xué)方式論文

漢語拼音是識字和學(xué)習(xí)普通話的工具，是低年級語文教學(xué)的重要任務(wù)。以下是“漢語拼音教學(xué)方式論文”，希望能夠幫助的到您！

漢語拼音是識字和學(xué)習(xí)普通話的工具。漢語拼音學(xué)得如何，對于以后學(xué)習(xí)語文知識有著直接的影響。傳統(tǒng)的拼音教學(xué)，學(xué)生機(jī)械地記，枯燥地讀。教師的指導(dǎo)僅僅體現(xiàn)在領(lǐng)讀上。使用人教版新教材的過程中，我對拼音教學(xué)有了新的認(rèn)識。

一、改善漢語拼音教學(xué)理念

新《語文課程標(biāo)準(zhǔn)》強(qiáng)調(diào)全面提高學(xué)生語文素養(yǎng)，賦予了漢語拼音教學(xué)全新的教學(xué)理念。漢語拼音與識字、寫字、閱讀、口語交際等方面是密不可分的。在拼音教學(xué)中，要徹底擺脫傳統(tǒng)拼音教學(xué)“孤立地學(xué)拼音”的束縛，讓學(xué)生在“自主、合作、探究”的全新的學(xué)習(xí)方式中學(xué)習(xí)拼音。

二、使用新穎、有效的教學(xué)方法

1.歌訣鞏固法

拼音字母是一些抽象的符號，如果只是分析字母構(gòu)成效果不會太好，為了提高教學(xué)效果可以采用歌訣法來進(jìn)行拼音教學(xué)。兒歌由于其瑯瑯上口、通俗易懂的特點(diǎn)而受到了學(xué)生的喜愛。在教學(xué)中，我們緊緊抓住一特點(diǎn)，把大量的兒歌引入課堂，使兒歌成為提高漢語拼音教學(xué)效果的一條有效途徑。例如，在學(xué)習(xí)“a o e”時，教學(xué)生朗讀兒歌：“嘴巴張大aaa，嘴巴圓圓ooo，嘴巴扁扁e e e”學(xué)生邊唱邊記住了a o e 的發(fā)音。在學(xué)習(xí)“ch”時，教師教讀兒歌：“小猴子，嘴兒饞，吃了杏子吃李子，吃了李子吃柿子，吃了柿子鬧肚子?！痹诜磸?fù)吟誦中，學(xué)生熟悉了“ch”的發(fā)音。

2.插圖提示法

人教版實(shí)驗(yàn)教材中的每一課都安排了色彩明麗、內(nèi)容豐富、具有啟發(fā)性及思想深刻的圖畫。對于以直觀形象思維為主的一年級學(xué)生，這些圖畫是鞏固漢語拼音、進(jìn)行聽、說、想像與拓展思維訓(xùn)練、培養(yǎng)創(chuàng)新精神的極好素材。我們應(yīng)該相信孩子們的想像力，如果教師能為他們構(gòu)筑足夠高的梯子，為他們的想像插上有力的翅膀，他們的想像會遠(yuǎn)遠(yuǎn)超出我們成人，他們的心是純凈的，應(yīng)該還給他們本屬于他們的空間，讓他們自由暢想。在教學(xué)中，教師應(yīng)根據(jù)編者意圖，從課文的插圖入手，啟發(fā)學(xué)生發(fā)現(xiàn)插圖跟字母音形的內(nèi)在聯(lián)系。例如：在教聲母k時，先讓學(xué)生觀察圖上畫的是什么？（生：圖上有小蝌蚪和水草）你們喜歡小蝌蚪嗎？（生：喜歡）這些可愛的小蝌蚪在那干什么？（生：小蝌蚪在水草邊玩）接著板書k讓學(xué)生看，這個字母像什么？（生：它像兩只小蝌蚪靠在水草邊玩）這樣結(jié)合看圖，啟發(fā)學(xué)生想象，不僅增加了兒童情趣，而且能幫助學(xué)生記憶字母的音和形。

3.創(chuàng)設(shè)情境法

創(chuàng)設(shè)情境法是指在課堂教學(xué)中，教師用語言、插圖、演示教具、表情等手段把學(xué)生帶入情境，從而使學(xué)生在一個愉悅、寬松的環(huán)境中積極主動地參與學(xué)習(xí)的方法。比如我在教u的四聲時，運(yùn)用教具演示，邊演示邊模擬汽車開動的聲音發(fā)u的四聲，學(xué)生們看到后感到很有趣，也跟著我做手握方向盤的姿勢，并且邊開車邊發(fā)音。隨后，我就向?qū)W生總結(jié)規(guī)律：“一聲道路平又直，二聲就像上山坡，三聲下坡又上坡，四聲就像下山坡。”這樣讓學(xué)生的腦、眼、手、口多種感官協(xié)調(diào)活動，化難為易，學(xué)生學(xué)得特別輕松愉快。

4.游戲?qū)W習(xí)法

游戲?qū)W習(xí)法是指在課堂教學(xué)中，通過學(xué)生參與游戲活動，在游戲中獲取知識，發(fā)展思維，培養(yǎng)能力，達(dá)到寓教于樂。教育心理學(xué)研究的成果表明，兒童的思維是從活動開始的，在活動中，孩子的大腦處于高度興奮狀態(tài)。因此，在教學(xué)中我經(jīng)常采用游戲?qū)W習(xí)法，讓學(xué)生在玩中思，玩中學(xué)，使認(rèn)知與情感融為一體。如在學(xué)習(xí)整體認(rèn)讀音節(jié)后，我設(shè)計(jì)了如下練習(xí)（出示圖：圖上畫的是一棵大樹，樹上結(jié)滿蘋果，蘋果上寫著整體認(rèn)讀音節(jié)）。師：秋天到了，果園豐收了，我們一起去果園幫農(nóng)民伯伯摘蘋果好嗎？（生：好極了）農(nóng)民伯伯還說了，如果你能帶領(lǐng)全班同學(xué)讀一讀蘋果上的音節(jié)，他就把這個大蘋果送給你，你們想不想要？學(xué)生很興奮，有的同學(xué)甚至說：“老師，我最愛吃蘋果了，叫我去吧，我肯定能讀對?！边@樣緊密結(jié)合課文，針對兒童年齡特征安排一些游戲，使學(xué)生在輕松愉快的氣氛中，體會到學(xué)中有趣、趣中有知，使認(rèn)知活動與師生情感交織在一起。

三、培養(yǎng)合作學(xué)習(xí)意識

新課程改革，倡導(dǎo)自主、合作、探究的學(xué)習(xí)方式，目的在于培養(yǎng)學(xué)生的實(shí)踐能力和創(chuàng)新精神，為人的終身學(xué)習(xí)打下基礎(chǔ)。我認(rèn)為低年級的語文教學(xué)應(yīng)該是教師指導(dǎo)學(xué)生自己學(xué)習(xí)的過程。在拼音教學(xué)中，我體會到小組討論研究學(xué)習(xí)很有必要，它能夠幫助學(xué)生樹立初步的合作意識。在小組學(xué)習(xí)過程中，教師首先要教給學(xué)生學(xué)習(xí)的方法：先自己試一試，掌握好的同學(xué)幫助一下有困難的同學(xué)。例如拼讀時，可以這樣跟學(xué)生說：“要像老師那樣，先看聲母、后看韻母、再加上聲調(diào)、碰一碰看看發(fā)什么音？”這樣的要求實(shí)際上強(qiáng)調(diào)拼讀的方法，學(xué)生容易接受。教師再補(bǔ)充一句，“看誰是最好的小老師”。這樣極易調(diào)動學(xué)生學(xué)習(xí)的積極性，好勝心理促使他們競讀互學(xué)，課堂氣氛熱烈。在這一過程中，學(xué)生的參本文由論文聯(lián)盟http://004km.cn收集整理與意識、合作意識樹立起來了。因?yàn)橹挥袇⑴c具體的活動，他們才能獲取知識、與人合作，才會感受到成功的喜悅。

總之，當(dāng)學(xué)習(xí)成為一種樂趣時，學(xué)習(xí)才更為有效。在漢語拼音教學(xué)中，教師要注意創(chuàng)情、激情，將師生情感融于學(xué)生的認(rèn)知活動全過程，這樣就會大大提高學(xué)習(xí)效率，促其較快地掌握漢語拼音。蘇聯(lián)著名教育學(xué)家蘇霍姆林斯基說：“學(xué)習(xí)如果為思想感情、創(chuàng)造、美和游戲的璀璨所照，就能成為孩子妙趣橫生和心醉神迷的樂事。”基于這種認(rèn)識，針對兒童形象思維發(fā)達(dá)的特點(diǎn)，在教學(xué)中采用孩子們喜聞樂見的方法，寓拼音教學(xué)于兒歌、故事、音樂、游戲、表演之中，讓兒童在歡樂的氣氛中獲取知識，培養(yǎng)能力。

第五篇：任務(wù)型教學(xué)法論文

任務(wù)型教學(xué)法在小學(xué)英語教學(xué)中的實(shí)踐與應(yīng)用研究

王艷艷

引言：

任務(wù)型教學(xué)（Task-Based Approach）是20世紀(jì)80年代外語教學(xué)研究者經(jīng)過大量研究和實(shí)踐提出的一個具有重要影響的語言教學(xué)模式。該模式以任務(wù)為中心，是20年來交際教學(xué)思想的一種發(fā)展形態(tài)，它把語言運(yùn)用的基本理念轉(zhuǎn)化為具有實(shí)踐意義的課堂教學(xué)方式。任務(wù)型教學(xué)法產(chǎn)生于國外，始于1979年，N.S.Prabhu在印度高科技區(qū)進(jìn)行了一項(xiàng)強(qiáng)交際法的實(shí)驗(yàn)（Bangalore Project）提出了許多任務(wù)類型，并把學(xué)習(xí)內(nèi)容設(shè)計(jì)成各種交際任務(wù)，讓學(xué)生通過完成任務(wù)進(jìn)行學(xué)習(xí)。Prabhu的這項(xiàng)實(shí)驗(yàn)可以看作是把任務(wù)作為課堂設(shè)計(jì)的單元的第一次嘗試，并引起了語言教學(xué)界的關(guān)注。任務(wù)型教學(xué)法以具體的任務(wù)為學(xué)習(xí)動力或動機(jī)，以完成任務(wù)的過程為學(xué)習(xí)的過程，以展示任務(wù)成果的方式（而不僅僅是以測試的分?jǐn)?shù)）來體現(xiàn)教學(xué)的成就。在教學(xué)過程中，教師圍繞特定的交際目的和語言項(xiàng)目，設(shè)計(jì)出可操作性強(qiáng)的、任務(wù)化的教學(xué)活動，運(yùn)用學(xué)習(xí)任務(wù)組織教學(xué)，強(qiáng)化了語言實(shí)際應(yīng)用的過程，充分體現(xiàn)了語言的交際本質(zhì)；學(xué)生通過多種語言活動完成任務(wù)，達(dá)到學(xué)習(xí)語言和掌握語言的目的。近年來，國際上廣泛采用任務(wù)型教學(xué)途徑。我國的《英語課程標(biāo)準(zhǔn)》以學(xué)生 “能做某事”的描述方式設(shè)定各級目標(biāo)要求。要求學(xué)生在教師的指導(dǎo)下，通過“任務(wù)型”學(xué)習(xí)活動發(fā)展他們的“綜合語言運(yùn)用能力”。它要求教師應(yīng)該避免單純傳授語言知識的教學(xué)方法，盡量采用“任務(wù)型”的教學(xué)途徑。教師應(yīng)依據(jù)課程的總體目標(biāo)并結(jié)合教學(xué)內(nèi)容，創(chuàng)造性地設(shè)計(jì)貼近學(xué)生實(shí)際的教學(xué)活動，吸引和組織他們積極參與。學(xué)生通過思考、調(diào)查、討論、交流和合作等方式，學(xué)習(xí)和使用英語，完成學(xué)習(xí)任務(wù)。這說明任務(wù)型教學(xué)途徑是我國外語教育教學(xué)改革的一個走向。同時，現(xiàn)采用的人教版PEP小學(xué)英語教材，從內(nèi)容的選擇，層次的遞進(jìn),課程的設(shè)置等各方面都很適合任務(wù)型教學(xué)的實(shí)施。為此,我們在課堂進(jìn)行了任務(wù)型教學(xué)模式的研究,旨在構(gòu)建小學(xué)英語任務(wù)型教學(xué)模式的課堂結(jié)構(gòu)和提供一套相應(yīng)的操作措施。

一、任務(wù)型教學(xué)法在小學(xué)英語教學(xué)中的操作措施

任務(wù)型教學(xué)模式結(jié)合小學(xué)生的特征，有效整合人教版PEP小學(xué)英語教材，并且“以學(xué)生為主體，以任務(wù)為載體，以話題為主線，以培養(yǎng)學(xué)生的綜合語言能力為目的”的教學(xué)理念，初步構(gòu)建了小學(xué)英語任務(wù)型教學(xué)模式，并將其操作步驟規(guī)范如下：

1、Leading-in（熱身運(yùn)動，引起學(xué)生的興趣）

2、Pre-task（呈現(xiàn)完成任務(wù)需要的知識，介紹任務(wù)的要求和實(shí)施任務(wù)的步驟）

3、While-task（設(shè)計(jì)數(shù)個微型任務(wù)，構(gòu)成任務(wù)鏈，學(xué)生一個人或小組形式完成各項(xiàng)任務(wù)）

4、Post-task（以展示、表演等形式出示結(jié)果）

5、Check（自我評價、小組互評、教師總評價）

6、Homework（做與任務(wù)有關(guān)的作業(yè)或?yàn)橄鹿?jié)課做準(zhǔn)備的作業(yè)）

英語教學(xué)法的過程實(shí)際上是把教材內(nèi)容活化為學(xué)生交際行為的過程。這就需要教師結(jié)教材進(jìn)行活化處理，把文字形式化為聲情并茂的語言活動。因此，教師精心設(shè)計(jì)教學(xué)任務(wù)非常重要。教師必須深入分析教材，把握各個單元的語言功能話題在真實(shí)生活中的運(yùn)用情景，根據(jù)教學(xué)內(nèi)容、教學(xué)條件以及師生狀況，設(shè)計(jì)出符合真實(shí)生活的任務(wù)型教學(xué)活動。

其次，認(rèn)真設(shè)計(jì)教學(xué)過程。在課堂教學(xué)的開始階段教師就應(yīng)把設(shè)計(jì)好的任務(wù)以不同的方式呈現(xiàn)給學(xué)生。如，教師可以運(yùn)用實(shí)物、圖片或形體語言，配合錄音、錄像、幻燈以及多媒體課件等視聽手段進(jìn)行該任務(wù)的整體輸入，讓學(xué)生在感知語言信息的同時自然地受到任務(wù)的驅(qū)動，這有利于提高學(xué)生的學(xué)習(xí)興趣和強(qiáng)化學(xué)生的學(xué)習(xí)動機(jī)。由于學(xué)生的語言知識和語言技能與完成任務(wù)之間存在著差距，他們需要通過學(xué)習(xí)來獲得完成教學(xué)任務(wù)的知識教學(xué)的技能。這個學(xué)習(xí)的過程就是完成教學(xué)任務(wù)的知識教學(xué)和技能訓(xùn)練的過程。教師在這一教學(xué)過程的備課階段，要抓住小學(xué)生好活動、善模仿和記憶力強(qiáng)的特點(diǎn)，組織好與完成任務(wù)密切相關(guān)的、生動活潑的課堂教學(xué)活動（例如，聽、說、唱、寫、畫、賽、游戲、表演等），使學(xué)生主動、愉快地參與學(xué)習(xí)，自然、輕松地學(xué)習(xí)和掌握完成任務(wù)所需的語言知識和技能。這些圍繞完成任務(wù)所需的語言知識而進(jìn)行的聽、說、讀、寫的基礎(chǔ)訓(xùn)練為隨后的學(xué)生分小組完成數(shù)個微型任務(wù)打下基礎(chǔ)。在完成上述教學(xué)活動之后，教師可把教學(xué)進(jìn)程自然過渡到完成任務(wù)上來。在此階段，教師要根據(jù)學(xué)生的實(shí)際情況設(shè)計(jì)各種任務(wù)，并引導(dǎo)學(xué)生創(chuàng)造地完成。

同時，教師可以在學(xué)生完成任務(wù)的過程中和任務(wù)完成后，通過考察和交流，對學(xué)生的書面作業(yè)、口頭問答、課堂展示、學(xué)習(xí)態(tài)度、參與程度和合作精神等作出過程性評價。這種評價可使學(xué)生在學(xué)習(xí)過程中不斷得到激勵，產(chǎn)生自信心和成就感，并轉(zhuǎn)化為繼續(xù)進(jìn)步的動力。而在布置家庭作業(yè)時，教師應(yīng)擬出一至兩個與教學(xué)內(nèi)容和話題任務(wù)相關(guān)的話題，讓學(xué)生在下一節(jié)課以小組為單位進(jìn)行匯報或表演。小學(xué)階段我們所設(shè)計(jì)的課外作業(yè)有：制作姓名卡片和地址簿，用英語給朋友或老師打電話，學(xué)唱英語歌曲，講英語幽默故事，自制寫有英文祝辭的圣誕卡或新年賀卡，模仿課文或?qū)υ挷浺?，用英語寫配圖短文，給筆友發(fā)E-mail,設(shè)計(jì)英語晚會，用英語收集自己、朋友和家人喜歡的食物、飲料、水果、蔬菜、服裝等，查尋各國主要城市及首都名稱用英語做簡單介紹等。

二、采用任務(wù)型教學(xué)法設(shè)計(jì)課堂教學(xué)應(yīng)注意的幾點(diǎn)

筆者認(rèn)為，“任務(wù)型”教學(xué)活動中所設(shè)置的活動要有明確的目的性和可操作活動應(yīng)以學(xué)生的生活經(jīng)驗(yàn)和興趣為出發(fā)點(diǎn)，設(shè)計(jì)出讓小學(xué)生樂于參加的游戲、猜謎、小制作的小品表演等活動，使學(xué)生在學(xué)中玩，玩中學(xué)，緊緊地抓住他們的好奇心理，吸引他們的注意力，參與到活動中來，比如：學(xué)習(xí)第五冊Unit 3時讓學(xué)生為自己喜歡的食品制一份廣告的活動，能大大調(diào)動學(xué)生的學(xué)習(xí)積極性，激發(fā)他們的興趣，當(dāng)他們能順利完成任務(wù)感受成功的時候，就會樹立起自信心，把興趣化成動機(jī)，豪情滿懷地參加到學(xué)習(xí)中來，在學(xué)習(xí)過程中遇到的困難也能克服。

其次，任務(wù)的設(shè)計(jì)要難度適當(dāng)，給予學(xué)生成功的機(jī)會。教師設(shè)計(jì)活動時，必須根據(jù)教學(xué)內(nèi)容設(shè)計(jì)適合學(xué)生水平的任務(wù)，要讓學(xué)生有事可做、有話可說，并讓學(xué)生感受到“我能做我會做”。即使是預(yù)先設(shè)計(jì)好的任務(wù)，也應(yīng)根據(jù)形式掌握的情況隨時進(jìn)行調(diào)整。對于低、中、高不同年級的學(xué)生，教師更要把握好任務(wù)的形式、內(nèi)容和難度。比如：同樣的話題“food”要求低年級的學(xué)生能進(jìn)行簡單的交流，相互了解對方所喜歡的食物；要求中高年級的學(xué)生能說出喜歡某種食物的原因,并能設(shè)計(jì)出一日三餐的營養(yǎng)食譜。

任務(wù)型教學(xué)采取合作學(xué)習(xí)，注意組內(nèi)的合理分工 任務(wù)型教學(xué)中所設(shè)計(jì)的任務(wù)大部分依靠小組活動來完成，小組的作用不僅體現(xiàn)在課堂上，它還可以延伸到課外，取得良好的效果。小組是一個密不可分的整體，是親密的合作伙伴。采用合作學(xué)習(xí)的方式有利于學(xué)生共同提高。同時要確保每個學(xué)生都有事可做，這點(diǎn)非常重要。因此，學(xué)生在組內(nèi)要有明確的分工。每組的組長要協(xié)助教師組織和監(jiān)督任務(wù)的執(zhí)行情況。教師的任務(wù)是：規(guī)定任務(wù)準(zhǔn)備與完成的日期、任務(wù)內(nèi)容、展示要求和注意事項(xiàng)。

《新標(biāo)準(zhǔn)》所倡導(dǎo)的任務(wù)型教學(xué)將成為發(fā)展學(xué)生語言能力和綜合素質(zhì)的重要途徑。當(dāng)然，這一教學(xué)模式還有好些問題有待于解決，比如任務(wù)的選擇并有進(jìn)行需求分析，任務(wù)的等級評定也是任意的，并且任何形式中心的活動在語言教學(xué)中都受到排斥，學(xué)生以對子或小組的形式來完成任務(wù)，教師在其間不直接指導(dǎo)都有待進(jìn)一步探討和研究。

任務(wù)型教學(xué)法是語言教學(xué)的有效途徑，同時它是一種新型的教學(xué)方式，因此需要在教學(xué)中大膽實(shí)踐，積極探索，使任務(wù)型教學(xué)模式能夠在提高學(xué)生的英語實(shí)際運(yùn)用能力上發(fā)揮出最大的效應(yīng)。