《模式识别》课程教大纲.docVIP

《模式识别》课程教学大纲 一、课程基本信息 课程代码：110441 课程名称：模式识别 英文名称：pattern recognition 课程类别：专业选修课 学 时：总学时54 学 分：3 适用对象：信息与计算科学专业本科 考核方式：考查（开卷） 先修课程：离散数学、高级语言程序设计、数据结构、高等数学、工程数学、数字图像处理 二、课程简介 模式识别诞生于20世纪20年代，随着计算机的出现，人工智能的兴起，模式识别迅速发展成为一门学科。它所研究的理论和方法 在很多技术领域中得到广泛的重视，推动了人工智能系统的发展，扩大了计算机应用的可能性。几十年来模式识别研究取得了大量的成果在很多地方得到了成功的应用。但是，由于模式识别涉及到很多复杂的问题，现有的理论和方法对于解决这些问题还有很多不足之处。还有待进一步研究发展。 《模式识别》就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。模式识别的原理和方法在医学、军事等众多领域应用十分广泛，是计算机及其相关专业进行科学研究的基础。这门课的教学目的是让学生掌握统计模式识别和结构模式识别基本原理和方法。为将来继续深入学习或进行科学研究打下坚实的基础。 《recognition》physical phenomenon with the help of computer.the result should best match the real matter under the condition of least probability.The theory of pattern recognition is widely used,including medicine,military affairs,etc.and it is also the base of computer speciality and other related speciality. 三、课程性质与教学目的 本课程一综合性学科，同时又需要一定的理论基础。 把理论和实践相结合是本课程的重点所在，本课程不是偏重于理论尝试和数学复杂性，也不是只注意时下实际的应用，而是强调理论如何用于解决工程或研究中常见的实际问题。 本课程将模式识别方面的理论知识、各种工具与其它开发工具相结合。并与实践应用紧密联系在一起。 模式识别是计算机及应用专业的一门专业选修课。通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法和算法，具有初步设计、实现模式识别中比较简单的分类器算法的能力，从而为学生进一步从事该方向的学习与研究工作打下基础。 主要内容包括，模式识别的目的和意义，模式识别的过程。统计分类法的基本思想，几何分类法和概率分类法的几种典型算法，聚类分析的的基本思想，聚类分析的几种典型算法，结构模式识别的基本思想，结构模式识别分类的过程，印刷体汉字识别系统的组成及各部分的实现过程。 重点掌握下列几方面的知识。 （1）贝叶斯决策理论。 （2）概率密度函数的估计。 （3）线性差别函数。 （4）非线性差别函数。 （5）近邻法。 （6）经验风险最小化有有序风险最小化方法。 （7）特征的选择与提取。 （8）基于K-L展开式的特征提取。 （9）非监督学习方法。 （10）人工神经网络。 （11）模糊模式识别方法。 （12）统计学习理论 支持向量机。 四、教学内容及要求 第一章 绪论 （一）目的与要求 了解模式识别的相关常识与概念，以及一些基本问题。 （二）教学内容 1．模式识别和模式的概念。 2．模式识别系统。 3．关系模式识别的一些基本问题。 （三）教学方法与手段 课堂讲解与讨论。 第二章 贝叶期斯决策理论 （一）目的与要求 1．掌握几种学用的决策规则； 2．掌握正态分布时的统计决策； 3．了解序贯分类法，分类器的设计。 （二）教学内容 第一节 几种常用的决策规则 1.主要内容 基于最小错误率的贝叶期斯决策，基于最小风险的贝叶斯决策， 在限定一类错误率条件下使用另一类错误率为最小的两类别决 策，最小最大决策，序贯分类方法，分类器的设计。 2. 基本概念和知识点 贝叶期斯决策、最小最大决策，序贯分类方法，分类器的设计。 3. 问题与应用(能力要求) 理解各种决策规则。 第二节 正态分布时的统计决策 1. 主要内容 正态分布概率密度函数的定义及性质，多元正态概率型下的最小错误率贝叶斯判别函数和决策面。 2. 基本概念和知识点 正态分布概率密度函数的定义及性质、贝叶斯判别函数和决策面。 3. 问题与应用(能力要求) 理解各种决策规则。 *第三节 关于分类器的错误率问题（选学） 1．主要内容 分类器的错误率问题：特殊情况下错误率的理论计算。 2. 基本