智能信息处理学大纲.docVIP

《智能信息处理》教学大纲 一、课程基本信息 课程编号：2271130 课程中文名称 ：智能信息处理 课程英文名称 ：Intelligent Signal Processing 课程类型：信息处理专业方向选修课 总 学 时 ：54 理论学时：54 实验学时：0 学 分 ：3 适用专业：信息工程 先修课程：高等数学、（信号与系统、）概率统计、线性代数、离散 开课院系：信息科学与工程学院 二、课程性质和任务 智能信息处理是就是将不完全、不可靠、不精确、不一致和不确定的知识和信息逐步改变为完全、可靠、精确、一致和确定的知识和信息的方法。智能信息处理是当前科学技术发展中的前沿学科，同时也是新思想、新观念、新理论、新技术不断出现并迅速发展的新兴学科，它涉及到信息科学的多个领域，是现代信号处理、人工神经网络、模糊理论、人工智能等理论和方法的综合应用。 该课程的主要任务是通过各个教学环节，运用各种教学手段和方法，使学生掌握智能信息处理的基本概念、基本原理、基本计算方法；能够阅读相关中外文献，了解其最新动态；培养学生分析、解决问题的能力，为日后从事工程技术工作、科学研究以及开拓新技术领域，打下坚实的基础。 三、课程教学目标 在学完本课程之后，学生能够： 1．了解人工智能的概念和应用、智能信息的处理方法综述； 2．熟悉模型理论的基础，掌握模糊规则与推理；理解模糊推理系统，了解其在生活中的应用； 3．掌握神经网络信息处理的基本原理及模型，了解其在生活中的应用； 4．掌握粗糙集的基本理论及其应用，了解其应用； 5．掌握遗传算法的基本算法及改进算法，了解其应用； 6．掌握信息融合的模型与算法，了解其应用； 7．理解反向选择算法和人工免疫系统模型；了解人工免疫系统在计算机安全中的应用。 四、理论教学环节和基本要求 （一）人工智能导论 1．理解并掌握人工智能的基本概念和范畴、基本原理和研究方法； 2．理解知识和知识表示的概念，掌握四种表示法； 3．了解常见的智能信息的处理方法及各个处理方法的应用 教学重点： 人工智能的基本原理，四种知识表示方法 教学难点： 四种知识表示方法 （二）模糊理论及其应用 1．掌握模糊集合的基本概念、基本运算及隶属函数的确定方法； 2．理解模糊逻辑系统的组成； 3．掌握模糊信息处理方法：模糊熵方法、模糊聚类分析、模糊关联分析、模糊信息优化方法。 4．了解模糊信息处理方法的应用。 教学重点： 隶属函数的确定方法；模糊信息的处理方法。 教学难点： 模糊信息的处理方法。 （三）神经网络信息处理 1．理解人工神经网络所借鉴的生物学上的人脑神经元的信息处理模式；掌握人工神经网络的结构、特点、学习方式和工作方式； 2．掌握BP神经网络学习算法，及BP神经网络建模； 3．掌握贝叶斯神经网络算法； 4．了解Hopfield网络模型及其算法，熟悉用Hopfield神经网络优化方法求解TSF； 5．理解径向基函数（RBF）网络模型； 6．了解不同模型在实际中的应用。 教学重点： 典型的神经网络模型（如BP神经网络、贝叶斯神经网络等）及其工作原理。 教学难点： 人工神经网络的相关算法的理解及应用。 （四）粗糙集信息处理 1．掌握粗糙集的理论基础：等价类、知识约简等。 2．理解粗糙集与模糊集结合、粗糙集与神经网络结合所构成的模型及其应用。 3．掌握基于粗集的贝叶斯分类器算法。 4．了解粗糙集理论的研究现状及发展趋势。 教学重点： 知识约简算法、基于粗集的贝叶斯分类器算法。 教学难点： 知识约简算法。 （五）遗传算法及其应用 1．了解遗传算法及其应用； 2．掌握遗传算法的基本算法及改进算法； 3. 了解基于遗传算法的生产调度方法。 教学重点： 遗传算法的基本算法及改进算法； 教学难点： 遗传算法的相关算法及应用 （六）信息融合技术及其应用 1．理解信息融合的概念、基本原理、功能模型及相应方法； 2．掌握用于目标识别和确认的算法：物理模型类识别算法、基于特征的推理技术和认知模型类识别算法； 3．掌握D-S证据理论的基本概念、相关术语及一些关键问题； 4．了解信息融合的应用领域及发展趋势。 教学重点： 用于目标识别和确认的主要算法、D-S证据理论。 教学难点： D-S证据理论的关键问题。 （七）免疫算法 1．了解生物免疫学基础； 2．理解反向选择算法和人工免疫系统模型；了解人工免疫系统在计算机安全中的应用； 3．了解人工免疫系统其他的应用领域。 教学重点： 反向选择算法和人工免疫系统模型。 教学难点： 五、实践教学环节和基本要求 六、有关教学环节的说明 （一）关于理论教学环节的说明 理论教学内容的选取注重基础性、实用性、先进性。在教学过程中，教师应根据教学大纲基本要求，结合专业特点和学科发展，及时补充更