练字模板范文1
关键词： “六模块建构式课堂” 写字教学 能说会写
这几年我市推行了新课改――“六模块建构式课堂”，随着这种教学模式的全面铺开，学生真正成为课堂的主人了。不论是农村的课堂，还是城市的课堂，学生都积极参与，大胆发言，一个个能说会道，俨然是一个个小先生在讲课。这样的课堂真是让人高兴。但一看到学生在黑板上的书写，普遍不尽如人意。2011年中考监考时，我看到试卷纸张厚实、光洁、美观，特别是作文方格纸，更是方方正正、美观大方，而学生写的字却歪歪扭扭，看上去是那样的不和谐，真让人揪心。要知道这些试卷都要扫描进电脑的，到了电脑里不知阅卷老师还能认识不。
《全日制语文课程标准》对7―9年级的写字要求是：“养成正确的写字姿势和良好的写字习惯，书写规范、端正、整洁。”“初步感受汉字的形体美。”“使用硬笔熟练地书写正楷字，提高书写的速度。临摹名家书法，体会书法的审美价值。”
我不禁想起上世纪九十年代，那时候省里要来写字验收，老师每天签到之后就要到指定的黑板前练写一首古诗；学生每节语文课都要练二十分钟的字，每天上午第四节还有二十分钟专门练字课。所以那几届的学生，字写得普遍漂亮。旧事重提，并不是想回到过去，只是想提醒一下同仁，写字教学不是为了应付检查，它是为学生的终身发展服务的，它是永恒的话题，不容忽视。课堂以生为本，讨论交流已不成问题了，学生的书写应当引起重视。他们“说”得像一朵花，能否让他们笔下也生花呢？
一、写字规范是对他人的一种尊重
有些学生认为字写得孬好无所谓，对成绩影响很小。一些理科老师也这么认为，题目能做对就行；现在上网聊天都是用电脑打字，哪还用手写呀；某某写字不好，照样考上名牌大学，等等。所以学生从思想上就不重视，不把写字当回事。他们已走入写字的误区。我认为练字的好处并不仅仅在于使用，其更大的意义在于，练习写字的过程，实际上就是陶冶情操、培养审美能力、提高文化修养的过程。现在日本人都把我国的软笔书法当做宝，用以修身养性，教育孩子从小就练习书法。作为炎黄子孙，我们有何理由不把方块字写好呢？岂能落后于他人？
课堂上有的学生说得头头是道，古诗文也背得滚瓜烂熟，但是一默写，龙飞凤舞，错字连篇。就拿每年中考来说，10分的古诗词名句默写，看似简单，都是书上平时背过的，能得满分的却很少。这一题是阅卷老师最头疼的一题――错得教你防不胜防，连笔连得教你摸不着头脑。2008年中考有一名句默写是“海内存知己，天涯若比邻”，其中“己”有的学生写成“已”，这还好改，关键有的学生那个竖弯钩似出头又未出头，这就叫阅卷老师左右为难了。最后市教研员朱老师都被问得崩溃了，她说：“对和错，你们自己把握吧！”所以不要小看写字。小小的方块字并不是那么好写的，写不好会很折磨人的。所以写好字不只是自己的门面，而且是对他人的一种尊重。
不管时展多快，网络多发达，写字教学不能丢。
二、磨刀不误砍柴工
写字是慢功，一时半会儿看不出成效，课堂时间那么宝贵，给学生练字岂不浪费？有练字的功夫，学生能做多少题，背多少书呀？教师赶课程，学生赶学案，一个个忙忙碌碌，哪有时间静下心来写字呢？
“磨刀不误砍柴工”，写字虽然是慢功，但日积月累就会见成效的。学生的书写对他的考试成绩会有影响的。2008年我参加中考的阅卷工作，我改的是阅读理解题，有些考生答题内容差不多，但书写好的就占优势了，阅卷老师不由得就要多给几分。对那些书写潦草的，认都认不清，叫阅卷老师怎么给分？所以字写得好会使自己的成绩锦上添花。
三、写字教学要灵活穿插于各模块中
有些老师对新教学模式理解有偏颇。上级领导来听课，或者上公开课，先分组讨论交流，后每个小组选派一人到黑板前讲演，以展示交流成果。教室四周都是黑板，学生一呼啦到这块黑板前听讲，一呼啦到那块黑板前听讲，认为这就是互动，只注重学生讲的过程，却没有对黑板上的字做一些评价。久而久之，学生也认为：新课改只会说只会表演就行了。
新课改展示的不应当都是“说”的能力，还应当有“写”的能力。写字教学应当灵活地穿插到一些模块中，如自学、交流展示、矫正反馈等模块。我校许老师在这方面就做得很好，她的字写得非常漂亮，每堂课一开始，她总是把课题一笔一画地写在黑板上，学生什么也不做，就是看她板书。在交流展示模块中，她就让每组选派一名同学，到黑板上展示自己在本课中习得的最拿手的三个生字。因为要在全班面前展示，所以在黑板上书写的学生都是一笔一画，别提多带劲了。有的学生怕在展示时写不好，会让人笑话，有时在课前自己找零碎的时间先练。每堂课的最后5分钟是雷打不动的练字时间，这时候，学生手中的一切活计都要停下来，就是练字，老师相机指导。一学年下来之后，再走进她的课堂，眼前一亮――学生的板书是那样令人赏心悦目。同样是新模式，都是学生分组把题目写在黑板上，但她班学生的书写和其他平行班学生的书写已经拉开很大距离了，有的学生的字已经入体了。真是“功夫不负有心人”呀。
鲁迅说：“时间就像海绵里的水，只要挤总是有的。”许老师她也没有利用整节课的时间去练字呀，也没有把写字安排在课外呀，而是灵活地把写字教学穿插于各模块中。学生说和写结合，动和静结合，各方面都得到了调节，所以对写字充满了兴趣。还有老师的率先垂范和相机指导，对学生写好字也起很大的作用。
四、学校要营造浓厚的写字氛围
到初中阶段，学校对写字教学渐渐放松要求了，认为那是小学的事。随着其他文化课的增加，写字课被挤掉了。我认为写字教学不只是小学的事，在初中阶段也很重要。学校应把写字教学纳入学校整个教学计划，开设专门的写字课或写字兴趣小组，做到有专门的教材，有专门的教师，有正规的作业，有等级的测试，让学生得到正规、系统的训练，培养学生良好的书写习惯，提高书写能力。
校园是学生活动的重要阵地，良好的文化气氛无疑对学生学习生活产生有益的影响。2011年5月份我校语文组在教研室张老师的组织下，到我县一所双语学校去听课。这个学校在我县是最先实行“六模块建构式课堂”这种教学模式的，也是搞得特别好的一个。一到校园，摆放在路两边的一块块漂亮的展板映入眼帘，像是在对我们夹道欢迎。一边是教师的钢笔字展，一边是学生的钢笔字展，师生对展，好像在PK：“我们孰美？”不论是老师的字，还是学生的字，都是那样的工整、大方、入体。再往里走，在教室背面的墙基上张贴着师生的毛笔字展。就连水泥路边都打上了方格子，师生每天一早在那儿练写粉笔字，晚上由值日生用拖把沾水擦掉。可以说整个校园都被立体化的写字氛围包围了，在这样的环境中，不想写好字都难。每个人的字都是要展示给大家看的，所以在无形中就形成了一种竞争的压力，练字就会形成一种自觉行为，真正由“要我写”变成“我要写”。在2011年九年级一次模拟考中，该校作文均分是51.5分，这令人惊羡的分数，我认为除了老师作文指导得法之外，恐怕和这种日积月累的立体化写字熏陶是分不开的。所以写字教学看似花费了学生不少时间，其实对学生的各科成绩都是有促进作用的，尤其是他们终身的一种素质。
总之，在新一轮的课改中，写字教学，不容忽视。学校领导要重视，我们一线老师更要积极行动起来，把写字教学灵活地渗透到各模块中，要常抓不懈，使学生人人说得漂亮，个个写得潇洒。
参考文献：
［1］语文新课程标准.北京师范大学出版社，2001，7，（1）.
［2］“‘六模块’建构式课堂”指要.本市教育局，2010，9.
练字模板范文2
乙方： ____________________
经甲、乙双方共同协商，本着互惠互利、共同发展，使“九宫格作文构思练习模板”这项新发明以及相关的“中国九宫格作文教学”项目尽快转化为教育培训的生产力，达成如下合作协议：
一、甲方授权乙方为 省 市 县“九宫格作文构思练习模板教学应用” 实验研究合作单位之一。同时为了维护双方的合法权益，乙方一次性向甲方交纳履约保证金 元。
二、甲方职责：
1、向乙方提供合作范围内的《授权书》;
2、向乙方提供“九宫格作文构思练习模板教学应用” 实验研究的方案;
3、向乙方有偿提供从事“九宫格作文构思练习模板教学应用实验研究”和示范教学所需要的《胖胖鼠创意作文练习本》等相关教材。
三、乙方职责：
1、负责在当地办理“九宫格作文构思练习模板教学应用”实验研究合作项目的有关手续;
2、负责在当地开展“九宫格作文构思练习模板教学应用”实验研究合作项目的设计与实施以及阶段性的检验与评估;
3、自筹科研课题经费，并负责向各级教育科研部门申报教育科研课题;
4、乙方必须严格执行甲方所制定的实验研究设计方案，并及时向甲方通报教学实验研究的执行情况;
5、负责撰写“九宫格作文构思练习模板教学应用”实验研究报告或论文以及“成果应用证明”，并以书面版和电子版两种形式呈报给甲方;
6、如需甲方赴乙方所在地作现场指导、示范讲学，乙方需承担甲方讲课费、交通费、食宿费等基本费用。
7、乙方从事开展“九宫格作文构思练习模板教学应用”实验研究合作项目期间自行管理，自负盈亏，并承担相应的责任和义务。
四、项目名称及相关情况
项目名称：“九宫格作文构思练习模板教学应用”实验研究
“中国九宫格作文教学”是吉林省磐石市天下英才九宫格作文教学研究中心李永强研究员发明的一套旨在推动中小学作文教学发展的互动作文教学体系。它以“学生习作与教师再创作比较作文教学”为指导思想，以李氏作文三步构思法和十三种一句话作文构思法为基本方法，以九宫格作文构思练习纸为基本操作工具，是帮助广大中小学生快速提升作文能力的系统工程。
1、实验假设：
(1)使用九宫格作文构思练习模板的小学实验组学生，其“记叙文评定量表”的分数显著高于没有使用九宫格作文构思练习模板的小学控制组学生。(2)使用九宫格作文构思练习模板的小学实验组学生，其“写作态度问卷”的分数显著高于没有使用九宫格作文构思练习模板的小学控制组学生。
2、合作研究项目负责人应具备的条件：(1)具有高级以上专业技术职称或多年教育行政管理工作经验;(2)有参加教育科研的经历;(3)能够筹措经费和获得必要的研究条件;(4)能够切实承担起研究、组织和指导课题的责任。
3、合作模式： “九宫格创意作文教学大纲”所规定的实验研究课程为研究者对小学生所设计的应用“九宫格作文构思练习模板”写作记叙文的教学参考方案。 在连续十五周中每周实施两节课共15单元的教学方案。教学内容为指导学生使用“九宫格作文构思练习模板”，并融入作文写作与评量之中，并创立“中国九宫格作文教学”写作模式，以李氏作文三步构思法“捕捉醒悟-感觉到位-心灵外化”的教学模式，引导学生熟悉“九宫格作文构思练习模板”使用技巧，并实际运用于写作之中，提升学生对写作的兴趣与成就，并启发学生的创造性思考能力。
4、实验教材供应及结算办法：九宫格作文系列培训项目产品均系独家研发，实验研究用培训教材50套起订，第一期作文教材每册124页，第一期阅读教材每册144页，这套书可使用一学期32次课，64学时，定价64元/套(含知识产权使用费24元，但未包括书款15%的邮寄费)，建议以40元/套价格卖给学生。
五、发生以下情况之一者，本合同自行终止，甲方有权收回授予乙方的有关“中国九宫格作文教学”的相关权益。
1、乙方以甲方名义从事与甲乙双方合作项目无关的活动;
2、乙方违规办学;
3、乙方违背本合同的有关条款;
六、本协议未尽事宜，由双方友好协商解决;协议履行过程中，如发生纠纷，双方协商解决，协商未果交于甲方所在地的人民法院处理。
七、本协议一式两份，双方各执一份，自双方正式签字盖章之日起生效，有效期一年，届时可优先续签。
甲方法人代表签字： 乙方法人代表签字：
练字模板范文3
关键词：人工智能；模式识别；广义置信度；样本选择；手写汉字识别；HCL2004
中图分类号：TP391 文献标识码：A
1 引言
对于有监督的模式识别系统而言，模式识别的过程就是通过各模式类中一定数量的样本训练得到它们的基本模型，然后对未知样本进行分类决策的过程，因此，训练结果的好坏将直接影响到整个识别系统的性能[1]，而要得到一个好的训练结果，除了要选择合适的模型外，训练样本的好坏也是至关重要的，由于不同训练样本在训练过程中所起的作用不同，这就需要对训练样本进行选择。
近年来，许多学者在样本选择方面进行了大量的研究工作。文献[2～4]指出，对训练样本进行精心选择可以在缩短训练时问的同时增加分类器的推广能力。研究还表明，在训练样本中，位于分类边界面附近的样本(即边界样本)和位于模式类中心部分的非边界样本对分类所起的作用不同，其中，边界样本对分类的精度起主要作用[5～6]，也即在选择训练样本时，只有包含了足够多的边界样本，才能训练出好的分类曲面。对应于不同的分类器，有各种不同的边界样本的定义方法，在文献[7]中的基于神经网络分类器的识别系统中，边界样本定义为使输出变化较大的输入样本，从而将位于输出对输入的一阶偏导峰值某邻域内的点作为边界样本。文献[8]中则给出了通过聚类的边缘定义边界样本的方法。
本文以基于模板匹配的手写汉字识别系统为基础，定义了一种通过广义置信度判定边界样本的方法，并在此基础上建立了手写汉字样本选择算法。文章介绍了置信度和广义置信度的概念，并给出了广义置信度的估计方法，选取其中的最优估计形式，建立了基于广义置信度边界样本的定义和样本选择方法，最后给出了该算法在HCL2004手写汉字数据库上的实验结果。
2 分类器的置信度分析
对于任何一个模式分类器，除了希望它有尽可能高的识别率外，还希望能比较准确地估计其分类结果的准确性，也即识别结果的置信度。置信度越高，则识别结果的可信程度越高。对于字符识别来说，为了估计其识别结果的准确性，给出了广义置信度的概念[9]。
2.1 分类器的置信度和广义置信度
设分类器S，x为待识别样本的特征向量，S对x的判决为es(x)，x的真实类别为ω(x)，则定义S在特征向量空间内点x处的置信度cs(x)为es(x)判定正确的概率，即：
cs(x)=P(es(x)=ω(x))
(1)
由置信度的概念可见，置信度为值域在[0，1]上的关于分类器S在不同特征点的可靠性度量，为一种广义的绝对的概率度量。但在实际系统中，我们直接得到的观察量往往只能反映识别结果的相对可靠性，而无法给出绝对的概率度量，为此，我们引入了广义置信度的概念。具体为：
若存在函数fs(x)和一个单调递增函数g(・)，使得：
fs(x)=g(cs(x))
(2)则称fs(x)为S的广义置信度。可见，广义置信度是一种相对度量，即：只要fs(x1)＞fs(x2)，就认为分类器S在特征点x1上比在x2上更可靠一些，而无须给出绝对的概率度量。
显然，置信度cs(x)是广义置信度的一个特例。对一个分类器而言，其置信度是唯一的，广义置信度则不是唯一的。因为只要将任何一个单调递增函数作用在置信度上就可以得到一个广义置信度。
2．2分类器的置信度估计
为了在实际中应用置信度进行分析，首先要找到置信度的估计方法。对基于距离的分类器，常用的广义置信度估计的公式有：
c1(x)=-d1(x)
(3)
c2(x)=d2(x)-d1(x)
(4)
c3(x)=1-d1(x)/d2(x)
(5)
其中：d1(x)是未知样本x与最近的代表样本xm间的距离，d2(x)是x与代表样本中与xm属于不同类别的样本的最近距离。
在文献[10，11]中证明了：对于最近邻分类器，在训练样本充分多、特征维数为1、类别数为2的情况下，式(5)的数学期望是一种广义置信度，而式(3)和(4)的数学期望都不是广义置信度。文献[12]中在用最近邻分类器进行手写数字识别的实验中，用参数优化的方法求广义置信度的表达式时，得到的也是(5)式。综合以上的理论分析和应用，有理由认为：对基于距离的分类器，用式(5)作为广义置信度估计是一种有理的选择。因此在本文中，我们一律用(5)式给出的表达式作为分类器的置信度估计。
3 基于广义置信度的边界样本定义
广义置信度给出了对样本识别结果正确性的评价指标。置信度较小，相当于样本被识别为当前类别的后验概率比较小，反之，则认为样本被识别为当前类别的后验概率比较大。样本被识别为当前类别的后验概率小，也就意味着该样本容易被误认为其他类，或者说容易与其他类的样本混淆，因此认为该样本为位于分类面附近的样本，也即边界样本。基于这一思想，给出了如下的基于广义置信度的边界样本的定义。
定义：对于分类器s，用训练样本集X训练得到该分类器所需的识别要素，然后再对该样本集作识别，分别得到正确识别样本集Xc和误识样本集Xe，可见，Xc+Xe=X，分别对Xc和Xe中的样本的置 信度进行排序，则各数据集中置信度较小的样本为边界样本。
由上述定义可见，我们将训练样本中置信度比较小的样本定义为边界样本，这与广义的边界样本的定义是一致的，所谓边界样本，是指位于两类的分界面附近的点，而样本的置信度比较小，则认为它被判定为当前类别数的后验概率比较小，也即容易与其他类的样本发生混淆的样本，也就是位于分界面附近的样本。若置信度比较大，则当样本被正确识别时，说明它不容易与其他类混淆，则为好样本。对置信度较大的误识样本，则认为它被识别为其他类的概率比判定为其本身所属类别的概率要大，是坏样本。
在给出边界样本的定义时，之所以要将被正确识别和误识的样本分开来考虑，一方面是便于一同给出好样本和坏样本的定义，另一方面，通过我们对手写汉字训练样本置信度的统计，发现误识样本的置信度分布区间往往比被正确识别样本的置信度分布区间要小，因此，如果统一定义，则不利于对训练过程中不同样本所起的作用进行分析。
4 基于广义置信度的样本选择算法
基于上节给出的边界样本的定义，我们给出如下的基于广义置信度的样本选择算法。
设初始训练样本集为X0={X0m，m=1,…，M}，其中，M为类别数，X0m={Xi，i=1，2，…，N0m}为各类的训练样本集，N0m为第m类的初始训练样本数，则基于广义置信度的样本选择算法描述为：
(1)取训练样本集X0。中的全部样本进行训练，得到各模式类的初始模型T0m(m=1，…，M)；
(2)用初始模型T0m(m＝1，2，…，M)对所有样本X0进行识别，得到所有样本的平均识别率r0和各样本的识别结果置信度，以及各类中样本的识别情况，即哪些样本的识别结果正确，哪些样本发生了误识，将第m类中识别正确的样本组成数据集X0cm={Xj，j=1，2，…，N0cm}，被误识的样本组成数据集X0em={Xk，k=1，2，…，N0em}，其中N0cm和N0em分别为该类中正确识别和错误识别的样本数；
(3)分别将各类的识别正确的样本数据集X0cm(m=1，2，…，M)和误识样本数据集X0em(m=1，2，…，M)中的样本按置信度由大到小的顺序进行排序；
(4)初始化参数：n1，Unit，其中n为迭代参数，Unit为在每次迭代时减少的样本个数，为一个事先设定的参数；
(5)剔除各类中置信度较大的n・Unit个样本(具体方法见下)，其余的样本构成新的训练样本集Xn={Xnm=1，…，M}，Xnm={xi，i=1，2，…，Nnm}；
(6)由Xn训练得到各类的新模型Tnm(m=1，2，…，M)：
(7)通过Tnm(m=1，2，…，M)对样本集X0进行识别，得到所有样本的平均识别率rn
(8)若rn＞rn-1，则nn+1，转到(5)；
否则，迭代终止。
则训练样本集Xn-1={Xn-1m，m=1，…，M}，Xn-1m={xi，i＝1，2，…，Nn-1m}为选择出的训练样本集，其中各类的样本数为Nn-1m，模型为Tn-1m(m=1，2，…，M)。
在上述算法第(5)步中，每次迭代时需要剔除各类中置信度较大的n・Unit个样本，也即选择置信度较小的(N0m-n・Unit)个样本。为了比较各种不同样本在训练过程中的作用，本文给出了三种不同的方法。
Meth.a正确识别样本和错误识别样本成比例减小。
对第n次迭代，要求各类的样本数Nnm=N0m-n・Unit，则我们从各类的正确识别样本数据集中选取Nncm个样本，并从各类的误识样本数据集中选取Nnem个样本，其中
Meth.b 选取全部误识样本，减少正确识别样本。
对第n次迭代，要求各类的样本数Nnm=N0m-n・Unit，则我们保持误识数据集中的样本数不变，只是从各类的正确识别样本数据集选取Nncm个样本，即
Nncm=N0cm-n・Unit，Nnem=N0em
(8)
Meth．c 只选取全部正确识别的样本进行训练。
该方法只选择被正确识别的样本作为训练样本，即对第n次迭代，有
Nnm＝Nncm=N0cm-n・Unit
(9)
5 实验
为了证实本文给出的算法的有效性，我们在HCL2004脱机手写汉字数据库中的3755个字类 上进行实验。训练样本为各字类第600～899的300个样本，测试样本为各汉字900～999的100个样本。实验系统为先粗分类后细分类的两级识别系统，其中粗分类为基于绝对值距离的模板匹配，细分类则采用基于二阶标准差的距离测度进行模板匹配，粗分类时的特征向量为由5×5的模板分割生成的100维方向线素特征组成，细分类特征向量则为由7×7+8×8的重叠网格分割得到的452维方向线素特征。另外，在本文给出的系统中，取Unit＝20，即训练样本以20为单位逐步递减。
图1给出了通过本文给出的样本选择方法对训练样本进行选择，并由挑选出的样本生成各字类的标准模板，然后对训练样本和测试样本进行识别得到的实验结果。其中，图1(a)、图1(b)和图1(c)分别对应于上节给出的Meth.a、Meth.b和Meth.c三种不同的样本选择方法。在各图中，横坐标为各类的训练样本数，纵坐标为识别率(以百分比为单位)，“train”为对训练样本进行识别的结果，“test”为在测试样本集上的识别结果。
由图1(a)可见，采用成比例减少正确识别样本集和误识样本集中置信度较大的样本的方法对样本进行选择，随着训练样本数的减少，训练样本的识别率逐渐增大，当各类的样本数减小到220时，识别率达到最大，为97.52％，比采用全部样本进行训练时的识别率要高0.54个百分点，而当样本数继续减少时，识别率则开始下降，由此可见，基于方法(a)进行样本选择，当训练样本数为220时的样本集为最佳训练样本集，此时得到的标准模板为最佳模板。通过在测试样本上进行实验，其识别率变化曲线“test”曲线与训练样本集上的识别率变化曲线有相同的趋势，而且也为当样本数为220时，识别率达到最大，从而证实了用成比例减少正确识别样本集和误识样本集中置信度较大的样本的方法对样本进行选择的正确性。
同样地，由图1(b)中给出的曲线，可以证实通过保留全部的误识样本，剔除正确识别样本集中置信度较大的样本得到最佳训练样本集的方法的正确性，而且由图可知，样本数为220时生成的模板为最佳模板。
图1(c)给出了通过由正确识别样本集中的边界样本生成的标准模板对整个训练样本集作识别的识别结果，由图可见，训练样本数的减少，系统的识别率一直在下降，这说明通过该方法对样本进行选择是不正确的，也起不到提高分类器识别率的作用。究其原因，主要在于在训练样本中只包含了被正确识别的样本，而没有包含误识样本的信息。因此尽管所选出的样本为被正确识别的样本中的边界样本，但系统的识别率却始终在降低，从而说明在训练分类器的过程中，误识样本是必不可少的。
综上所述，可以得到如下的结论：
(1)在基于广义置信度的边界样本定义的前提下，通过正确识别样本和误识样本成比例减少的样本选择方法，以及选取全部误识样本，只减少正确样本的样本选择方法是有效的；而只选取正确识别样本的样本选择方法是不可行的。
(2)在训练样本中，误识样本是必须的。
6 结论
在训练样本中，位于分类边界面附近的边界样本和位于模式类中心部分的非边界样本对分类所起的作用不同，其中，边界样本对分类的精度起主要作用，因此，在对训练样本进行选择时，只有包含了足够多的边界样本，才能训练出好的分类曲面。本文在距离分类器的基础上，给出了基于广义置信度的边界样本的定义，并在此基础上，给出了基于广义置信度的样本选择算法，为了分析不同的样本在训练分类器时所起的作用，文中给出了三种不同的样本挑选的方法。通过在手写汉字数据库HCL2004上进行测试，分析了该样本选择算法的可行性，进而也说明了本文给出的基于广义置信度的边界样本的定义是合理的。
需要说明的是，本文给出的基于广义置信度的样本选择算法有很好的推广性，对所有基于最近邻的分类都是适用的。对于其他类型的分类器，只要能得到关于其识别结果的置信度估计，则可以通过本文所给出的算法进行训练样本的选择。
收稿日期：2005－08－30 定稿日期：2007－01－25
基金项目：国家自然科学基金资助项目(60475007)
作者简介：任俊玲(1979－)，女，博士，讲师，主要研究领域为图像处理与中文信息处理。
参考文献：
[1]Foody,G.M.,Issue in training set selection and re-finement for classification by a feedforward neural net-work[A].In:IEEE International Geoscience and Re-mote Sensing sysmposium proceedings[C].1998.1:409-411.July.
[2]M.Wann,T.Hediger,and N.N.Greenbaun,The influence of training sets on generalization in feesfor-ward neural networks[A].In:Proc.International Joint Conf.On Neural Networks[C].1990.3:137- 142.
[3]D Cohn,L Altlas,R Ladner,Improving generalization with active learning[J].Machine Learning,1994,15:201-221.
[4]A Robel,Dynamic pattern selection for faster learning and controlled generalization of neural networks [A].ESANN[C].1994.
[5]Chaudhuri D.,Murthy C.A.,Chaudhuri B.B.,Find-ing a subset of representative points in a dataset[J].IEEE Trans.Syst.Man Cyber.,24,1994,1416-1425.
[6]Dasarathy B.V.,Minimal consistent set identification for optimal nearest neighbor decision system design[J].IEEE Trans,Syst.Man Cyber.,6,1994,511-516.
[7]Engelbrecht,A.P.;Cloete,I.,Selective learning u-sing sensitivity analysis[A].In:Neural Networks Proceedings,1998.IEEE World Congress on Compu-tational Intelligence[C].1998.2:1150-1155.
[8]Tatiana Tambouratzis,Counter-clustering for training pattern selection[J].The Computer Journal,2000,43(3):177-190.
[9]林晓帆，丁晓青，吴佑寿，等．字符识别的置信度分析[J]．清华大学学报(自然科学版)，1998，38(9)：47－50．[10]林晓帆，丁晓青，吴佑寿．最近邻分类器置信度估计的理论分析[J]．科学通报，1998，43(3)：322-325．
练字模板范文4
(1)第一个字是“和”。要“三和”。首先,教师和学生备考氛围要和谐。高三年级的每个班就是一个大家庭,要处理好教师和学生的各种关系,使每个家庭和谐美好。其次,备课组是一个战斗堡垒,不能心胸狭窄,要真正体现好的备考资源共分享,要乐意帮助组内其他同志,做到教师之间和谐相处,统一讲授。最后,加大教研力度,形成教研必读制。利用教研活动统一要求读《考纲》,把教材里没有的、大纲不要求的内容删除掉,在《考纲》研究的基础上,再研究近三年高考试题,要取长补短、相互借鉴、共同提高。
(2)第二个字是“序”。古人说:“凡事预测立,不预则废。”说的就是无论做什么事情,都要有个计划、有个安排,不能打无准备之仗,不能打乱仗。所以,各个备课小组复习安排要有序,各个教师的复习要按“序”有条不紊进行。
(3)第三个字是“本”。“本”就是指复习时,学生是复习学习的根本,要以学生为本,课堂上要让学生“多动手、多动脑、多动口”,教师教学切忌满堂灌,满堂灌是低效的教学方法;多做多练对提高成绩有利。说到“本”,还体现在高考复习要见到“本质”,要完善知识网络,对知识进行整合,要注意问题研究性,要注意解题方法性和规范性,要不断强化和更新旧知识,不断地造就思维落差,获得新智能,第一轮复习不能是无谓的重复,机械的回顾。
(4)第四个字是 “练”。首先,要练题,要练新课改省份高考题,对原创题进行改编。其次,要小题、专题、综合题相结合,让学生多练,通过多练,培养做题感觉,快速找到解题思路。学生多练的好处还在于:能够掌握个案,探索类别,理解规律,获得经验。这里强调一点,教师也要多做题,与学生一起练。教师不仅要练,还要在学生前面练。通过练,感受新背景下课改试题的新高度、新深广度;也能对高考试题进行对比、分析,找差别、找共性、找联系,使复习目标更准确,复习思路更开阔。练,还有一个综合练,即理科综合与文科综合合卷的练习,所有专家都有一个共同建议,就是合卷要早。因为新背景下的高考理综与文综,不仅有原来的三科知识合成一张试卷,存在三科难易问题以及答题时间分配问题,还出现了选作题,必须及早训练学生,才能积累做综合卷的经验。
(5)第五个字是 “评”。把好评讲关,必须坚持实施“四必”:有发必收,有收必改,有改必评,有评必补。这里强调一下“有收必改”,有一位教育专家说过这样一句话:“卫生看公厕,教学看作业”,这充分体现了批改作业在教学五个环节中的最重要位置,作业首先要改,改作业的目的就是发现问题,了解学情,才能有的放矢。反之,如果少改,甚至不改作业,就不能及时发现学生存在的问题,评讲缺乏针对性,就是无的放矢。在高三复习备考过程中,我们将加大对教师批改练习的检查力度,确保复习落到实处。 (6)第六个字是“补”。指的是要重视查漏补差工作。对学生而言,查漏补差的重要性在此不用多费笔墨,而是要注重查漏补差的方法和效果,学生查漏补差效果显着例子不胜枚举。查漏补差不能挂在嘴上,要落实到具体行动中,补差要有计划和安排,不是脚踩西瓜皮,划到哪里是哪里。查漏补缺是一项艰苦工作,除了有计划、早安排之外,还要持之以恒。第一轮复习是查漏补差最好的时期,错过这个时机,可能会与成功和机会失之交臂,每个教师都要引起足够重视。
(7)第七个字是“悟”。在整个复习过程中,一定要注重让学生多反思总结。高三我们的学生会花80%的时间来听课和做题,20%的时间来反思和总结。从效果而言,20%的反思和总结时间会换回80%的效率,做题的时间很难压缩,它是“原始积累”,是一切基础,而反思和总结是画龙点睛之笔,是做一套题最重要的工作。听课也是如此,听是铁,悟是钢。每个学生听的课一样,做的题也一样,差异就体现在感悟上,这点一定要重视,总结有多种方法,高三不要原用高一、高二的大段总结,最好用“一句话”式的总结。
(8)最后一个字是“明”。指的是要明白新高考形式,2013年高考考试方案与2012年高考从形式和内容上基本不变化。试卷分为必作题和选作题,其中选作题占15%,现行教材分必修和选修两部分,必修部分和选修模板构成必考内容,部分选修模板内容构成选作题,要把主要精力放在必考内容上。
练字模板范文5
关键词： 方位角估计； 稀疏描述； 目标识别； 合成孔径雷达
中图分类号： TN911?34； TN957.52 文献标识码： A 文章编号： 1004?373X（2017）12?0132?04
Abstract： Precise estimation of target azimuth angle has a great advantage for improving the performance of template?based automation target recognition （ATR） algorithm of synthetic aperture radar （SAR）， which can dramatically reduce the computational burden. A SAR azimuth angle estimation algorithm based on sparse representation is proposed in this paper. Firstly， the dictionary matrix is constructed by all the training samples to get the sparse representation vector of the testing sample， and then the reconstruction errors are calculated with the nonzero coefficients in the sparse representation vector. The azimuth angle corresponding to the sample with smallest reconstruction error is selected as the final estimation result by means of the sensitivity property of target azimuth angle in SAR images. The proposed algorithm can overcome the ambiguity phenomenon in 180° azimuth angle effectively， which is different from the existing algorithms. The experiment based on measured MSTAR （moving and stationary target acquisition and recognition） data was performed. The validity of the proposed algorithm was verified by the experimental results.
Keywords： azimuth angle estimation； sparse representation； target recognition； synthetic aperture radar
0 引 言
合成孔嚼状铮Synthetic Aperture Radar，SAR）由于其全天时、全天候等诸多优势，已经被广泛应用于各种领域中[1?4]。SAR自动目标识别（Automation Target Recognition，ATR）作为SAR应用的一个重要分支，在战场感知、精确打击、目标细节特征获取等领域吸引了越来越多的关注[5?10]。
模板法[5?6]是一种有效的SAR ATR算法，在实际工程应用中，为了确保算法的稳健性以及考虑易于工程化实现的特性，往往采用模板法进行识别。在测试样本和训练样本的成像条件比较接近的情况下，模板法往往能够得到令人满意的识别结果，而且当待识别目标的种类增加时，有的训练好的目标模板不需要重新进行训练，只需要建立新增目标的模板即可，比较方便。采用模板匹配法进行识别时，首先，产生每个目标在不同方位区间上的模板，每一个模板都反映了目标在该方位区间内的目标特性；然后，将待识别的样本与所有目标的模板按照某种匹配准则（如常见的匹配准则有：最小均方误差、最小欧氏距离、最小余弦距离、最大相关系数等）进行对比，和待识别目标最匹配的模板所对应的目标类别作为识别结果。但是模板法的缺点是由于目标的后向散射对雷达入射波的俯仰角、目标方位角和周围环境等因素都比较敏感，所以很难建立完备的目标模板库，而且随着目标类别数的增加，模板总数也会相应的大量增加，需要大量的存储空间来储存模板，匹配得到识别结果的运算时间也会随之大幅度的增加。因此，如果能提前估计出测试样本的方位角，那么就不需要将测试样本和所有模板进行对比，可以只将测试样本和其方位角区间内的模板进行对比，可极大地降低模板法的运算量[11?12]。
针对上述问题，本文提出一种有效的目标方位角估计方法，将稀疏描述理论[13]引入SAR图像的目标方位角估计中。利用全体训练样本构造字典矩阵，将测试样本在该字典上进行投影获得其对应的稀疏描述向量；利用稀疏描述向量中的非零系数计算对应训练样本的重构误差；最后选出重构误差最小的训练样本对应的方位角作为方位角的估计结果。此外，本文算法不存在现有目标方位角估计方法[11?12]普遍存在的180°模糊问题，可有效地提高模板匹配识别算法的运算效率。
1 基于稀疏描述的方位角估计方法
通过构造合适的字典矩阵，稀疏描述算法利用较少的非零系数即可实现样本的准确描述，构造不同的判别准则，可高效地应用于图像处理和目标识别等领域。本文意在将稀疏描述算法引入到SAR图像中目标的方位角估计中来。首先通过优化式（1）获得测试样本的稀疏描述向量：
式中：表示测试样本；表示测试样本图像的总像素数；字典矩阵由所有的训练样本组成，表示第个训练样本，表示训练样本总数；表示测试样本的稀疏描述向量，可由标准线性规划方法获得[14]。稀疏描述向量中较大的非零值对应于与测试样本方位角相近的训练样本，其余测试样本将对应稀疏描述向量中的较小非零值或者零值。
获得稀疏描述向量以后，根据向量中的非零系数，通过式（2）计算样本的重构误差：
式中：表示稀疏描述向量中的非零值个数，也就是稀疏描述向量的稀疏度；表示提取出稀疏描述向量中的第个非零元素，并且将该向量其余位置的元素全部置零的函数。
之所以构造式（2）的误差准则，是由于SAR特有的相干成像机制，使得SAR图像具有方位角敏感特性。也就是说，不同类型目标但方位角相近的样本之间的差异通常要远远小于相同类型目标但方位角明显不同的样本之间的差异。如图1所示，每一行样本（同一个目标不同方位角下的样本）之间的差异明显要大于每一列样本（不同目标相同方位角下的样本）之间的差异。考虑到SAR图像的方位角敏感特性，只有与测试样本同类且具有相同方位角的训练样本能够实现对该测试样本的最佳描述，该训练样本所对应的重构误差在所有样本中会是最小的一个。
也就是说，将对应最小重构误差的训练样本的方位角作为最终的目标方位角估计结果。
式中：表示取出向量中第个非零值元素对应的索引（即第个非零元素在稀疏描述向量中的所处位置的序号）；表示提取出训练样本方位角的函数。
2 实验结果与分析
采用运动与静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition，MSTAR）数据[15]验证所提算法的有效性。每一幅训练样本图像和测试样本图像均含有个像素，图像的距离向分辨率和方位向分辨率均为 m，目标方位角变化范围为0°～360°。表1给出了训练样本和测试样本的图像数。
首先在每幅图像中心截取一个50×50像素的子图像，以减弱SAR图像中大面积背景杂波对算法的影响；然后利用标准直方图均衡化将每一幅截取的子图像的幅度值调整到区间。
图2给出了目标BMP2?9563的方位角为的测试样本的稀疏描述向量。图3给出了对应每一个非零系数的重构误差结果。由图3可见，对应稀疏描述向量第2个非零元素的重构误差最小，该样本的方位角即为最终的方位角估计结果。可见，所提算法可以实现对测试样本方位角的准确估计。
对所有测试样本进行方位角估计，所得的估计结果误差的直方图如图4所示。由图4可见，绝大多数样本的方位角估计误差均在以内，方位角估计的结果如表2所示。
由表2可见，在进行方位角估计的所有1 365个测试样本中，有1 334个样本的方位角估计结果的绝对误差在5°以内，所占比例为97.73%；而样本的方位角估计结果的绝对误差在以内的样本有1 357个，所占比例99.41%。由实验结果可知，所提算法可以实现高精度的目标方位角估计。
下面以模板识别算法为例说明所提方位角估计方法的优越性，假设利用训练样本产生36个模板，即每个模板占据整个360°方位角范围中连续的10°。假如某个待测试样本的方位角为45°，那么利用所提的方位角估计方法，只需要将测试样本与每个类型目标的3个模板进行比较即可，这3个模板对应的方位角区间分别为，和。
此外，所提算法成功地克服了方位角模糊问题。假设文献[11?12]中的方位角估计结果能获得与本文算法相同的精度，这里再次采用上述例子进行对比，对于这个测试样本而言，它除了需要与对应上述3个方位角区间的模板进行匹配以外，还需要分别与对应，和三个区间的模板进行匹配，才能得到最终的识别结果。
3 结 论
目标的方位角估计是高精度识别的重要前提。本文提出了一种基于稀疏描述的目标方位角估计方法，利用SAR图像特有的方位角敏感特性，通过构造单个样本重构误差最小准则，得到了高精度的方位角估计结果。此外，所提算法不存在传统目标方位角估计算法中普遍存在的方位角模糊问题。
参考文献
[1] ZHAO Y， ZHANG M， ZHAO Y， et al. A bistatic SAR image intensity model for the composite ship?ocean scene [J]. IEEE transactions on geoscience and remote sensing， 2015， 53（8）： 4250?4258.
[2] LUO Y， SONG H， WANG R， et al. Arc FMCW SAR and applications in ground monitoring [J]. IEEE transactions on geoscience and remote sensing， 2014， 52（9）： 5989?5998.
[3] ZHANG H， LIN H， LI Y. Impacts of feature normalization on optical and SAR data fusion for land use/land cover classification [J]. IEEE geoscience and remote sensing letters， 2015， 12（5）： 1061?1065.
[4] HE Y， HE S， ZHANG Y， et al. A forward approach to establish parametric scattering center models for known complex radar targets applied to SAR ATR [J]. IEEE transactions on antennas and propagation， 2014， 62（12）： 6192?6205.
[5] NOVAK L M， OWIRKA G J， BROWER W S. Performance of 10? and 20?target MSE classifiers [J]. IEEE transactions on aerospace and electronic systems， 2000， 36（4）： 1279?1289.
[6] PHAM Q H， EZEKIEL A， CAMPBELL M T. New end?to?end SAR ATR system [C]// Proceedings of 6th SPIE Conference on Algorithms Synthetic Aperture Radar Imagery. Orlando， USA： SPIE， 1999： 293?301.
[7] HUANG X， QIAO H， ZHANG B. SAR target configuration recognition using tensor global and local discriminant embedding [J]. IEEE geoscience and remote sensing letters， 2016， 13（2）： 222?226.
[8] LIU M， WU Y， ZHANG Q， et al. Synthetic aperture radar target configuration recognition using locality?preserving property and the Gamma distribution [J]. IET radar sonar navigation， 2016， 10（2）： 256?263.
[9] CUI Z， CAO Z， YANG J， et al. Target recognition in synthetic aperture radar images via non?negative matrix factorisation [J]. IET radar sonar navigation， 2015， 9（9）： 1376?1385.
[10] OHNO S， KIDERA S， KIRIMOTO T， et al. Efficient SOM?based ATR method for SAR imagery with azimuth angular variations [J]. IEEE geoscience and remote sensing letters， 2014， 11（11）： 1901?1905.
[11] SUN Y， LIU Z， TODOROVIC S， et al. Adaptive boosting for SAR automatic target recognition [J]. IEEE transactions on aerospace and electronic systems， 2007， 43（1）： 112?125.
[12] VOICU L I， PATTON R， MYLER H R. Multicriterion vehicle pose estimation for SAR ATR [C]// Proceedings of 6th SPIE Conference on Algorithms Synthetic Aperture Radar Imagery. Orlando， USA： SPIE， 1999： 497?506.
[13] DONG G， KUANG G， WANG N， et al. SAR target recognition via joint sparse representation of monogenic signal [J]. IEEE journal of selected topics in applied earth observations and remote sensing， 2015， 8（7）： 3316?3328.
练字模板范文6
动植物嵌板，让宝宝认识人类赖以生存的自然，理解人与自然的关系；同时，宝宝通过嵌板游戏，可以锻炼手的抓握能力、眼的观察能力、对比能力，并形成一一对应的观念：还能建立起初步的秩序感，体会不断尝试直至成功的心理过程。
唱歌的小鸟
模特宝宝：新爱婴蒙台棱利早期教育中心(廊坊园)王玮
学习目标：培养宝宝三指抓的能力和手眼协调能力，以及提高观察、分析、判断能力，了解动物“鸟”的身体构造，从而更加爱护鸟类。
蒙氏教具：鸟嵌板
适合月龄：16～24个月龄
学习步骤
Pad1知识讲解
第一步：家长给宝宝出示鸟嵌板后，向宝宝展示、讲解鸟，认识鸟的身体部位。
第二步：宝宝认识鸟后，家长把嵌板中鸟身体的部位一一取出来，并逐一介绍给宝宝。
第三步：全部取完了以后进行名称“三阶段教学”。如：命名：这是鸟的头部，这是鸟的身体……这是鸟的爪。辨认：哪一个是鸟的头部?哪一个是鸟的腹部?……哪一个是鸟的爪?
Pad2反复练习
第四步：把鸟嵌板底座除去，将鸟身体各部位散放在旁边，家长提示宝宝复习鸟的身体名称，然后让宝宝一边说出名称一边进行拼合。
第五步：家长可以给宝宝讲一个关于鸟的故事，加深宝宝对鸟的认知。
Pad3探索创新
第六步：家长把白纸铺垫在嵌板上，画出鸟的轮廓，然后和宝宝一起用彩笔进行涂色。
第七步：待宝宝熟悉了鸟的嵌板、实物、图片之后，家长可以进行图文配对游戏，让宝宝认识“鸟”这个汉字。
奔跑的骏马
模特宝宝：新爱婴蒙台梭利早期教育中心(青岛园)何囿伯
学习目标：培养宝宝手眼协作，提高观察分析能力和专注力，了解马的基本构造。
蒙氏教具：马嵌板
适合月龄：16～24个月龄
学习步骤
Part1，知识讲解
第一步：家长可以先让宝宝观看马的图片或者影像资料，让宝宝对马有5"初步的认识。然后给宝宝出示马嵌板，让宝宝认识马的身体部位。
第二步：家长把马嵌板中马的身体各部位一个一个取出来，并介绍马身体各部位的名称。
第三步：取完后进行名称和辨认的练习(如游戏一)。
Part2，反复练习
第四步：把马嵌板底座移开，将马身体的各部位散放在旁边，家长让宝宝指认马身体各部位的名称，一边说出名称一边进行拼合。
第五步：家长给宝宝讲一个关于马的故事，加深宝宝对马的认知。
Part3探索创新
第六步：家长将白纸铺垫在嵌板上，在纸上画出鸟的轮廓，然后和宝宝一起用彩笔进行涂色。
第七步：待宝宝认识马之后，可以与宝宝进行图文配对游戏，让宝宝认识“马”这个汉字。
懒惰的小鸟龟
模特宝宝：新爱婴蒙台梭利早期教育中心(青岛园)孙立
学习目标：培养宝宝手眼协作，提高观察分析能力和专注力，了解鸟龟的基本构造。
蒙氏教具：鸟龟嵌板
适合月龄：16～24个月龄
学习步骤
Part1知识讲解
第一步：家长取用蒙氏教具中的鸟龟嵌板给宝宝指认、讲解，认识鸟龟的身体部位。
第二步：接着，家长把鸟龟嵌板中的身体部位――取出来，并逐一介绍给宝宝认识。
第三步：全部取完了以后进行命名和辨认的练习。
Part2反复练习
第四步：熟悉之后，家长将鸟龟嵌板底座除去，把鸟龟身体部位的嵌板散放在旁边，然后让宝宝一边说出名称―边进行拼合。
第五步：家长给宝宝讲一个关于鸟龟的故事，加深宝宝对鸟龟的认知。
Part3探索创新
第六步：家长用白纸铺垫在嵌板上，画出鸟龟的轮廓和宝宝一起进行涂色。
第七步：宝宝认识鸟龟后，家长可以进行图文配对游戏，让宝宝认识“鸟龟”这两个汉字。
游泳的鱼
模特宝宝：新爱婴蒙台棱利早期教育中心(廊坊园)于鹏洋
学习目标：培养宝宝手眼协作，提高观察分析能力和专注力，了解鱼的基本构造。
蒙氏教具：鱼嵌板
适合月龄：16～24个月龄
学习步骤
Part1知识讲解
第一步：用蒙氏教具鱼嵌板，给宝宝展示、讲解，认识鱼的身体部位。
第二步：家长把鱼嵌板中鱼的身体各部位――取出来，并逐一介绍给宝宝认识。
第三步：全部取完了以后进行命名和辨认的练习。
Part2反复练习
第四步：将鱼嵌板底座除去，把鱼身体的各部位散放在旁边，引导宝宝复习鱼的身体名称，并进行拼合。
第五步：家长给宝宝讲一个关于鱼的故事，加深宝宝对鱼的认知。
Part3探索创新
