课程名称模式识别及创新途径.docVIP

课程名称：模式识别 课程代码：210.537 课程类型：√ 博士专修课程 √ 硕士专修课程 考核方式： 全英文考试 （提交报告） 教学方式：全英文讲授 适用专业： 理工各专业 适用层次：√ 硕士 √ 博士 开课学期： 秋季 总学时：32 学分：2 先修课程要求：高等数学、线性代数、概率论 课程组教师姓名 职 称 专 业 年 龄 学术方向 刘 宏 副教授 计算机应用 模式识别,图像处理 马光志 副教授 计算机应用 47 人工智能,数据挖掘 课程负责教师留学经历及学术专长简介： 刘宏，博士，副教授。1995年－1996年在美国德州大学( University? of?Texas at?San?Antonio,?UTSA) 做访问学者。?1996年－1999年在英国Teesside大学攻读得电子与计算机专业博士学位。?2000年至2005年在美国硅谷FastForward,?Inktomi/Yahoo等高科技公司担任软件高级工程师。2005年被华中科技大学引进。现在华中科技大学计算机学院医学图像信息研究中心（）工作，主要研究方向为图像处理、模式识别、体感互动。在国内外学术期刊上发表专业论文50多篇，获得国家发明专利6项出版软件著作版权3套。 人工智能为计算机视觉基础模式识别的基本概念、基本原理典型方法，了解模式识别的应用、实用技术新成果发展前景有效运用所学知识和方法解决实际问题章 导论 1.1 模式识别的重要性 1.2 特征、特征向量和分类器 1.3 有监督、无监督和半监督学习 1.4 matlab程序章 基于贝叶斯决策理论的分类器 2.1 引言 2.2 贝叶斯决策理论 2.3 判别函数和决策面 2.4 正态分布的贝叶斯分类 2.5 未知概率密度函数的估计 2.6 最近邻规则 2.7 贝叶斯网络 章 线性分类器 3.1 引言 3.2 线性判别函数和决策超平面 3.3 感知器算法 3.4 最小二乘法 3.5 均方估计的回顾 3.6 逻辑识别 3.7 支持向量机 章 非线性分类器 4.1 引言 4.2 异或问题 4.3 两层感知器 4.4 三层感知器 4.5 基于训练集准确分类的算法 4.6 反向传播算法 4.7 反向传播算法的改进 4.8 代价函数选择 4.9 神经网络大小的选择 4.10 仿真实例 4.11 具有权值共享的网络 4.12 线性分类器的推广 4.13 线性二分法中1维空间的容量 4.14 多项式分类器 4.15 径向基函数网络 4.16 通用逼近 4.17 概率神经元网络 4.18 支持向量机：非线性情况 4.19 超越svm的范例 4.20 决策树 4.21 合并分类器 4.22 合并分类器的增强法 4.23 类的不平衡问题 4.24 讨论 章 特征选择 5.1 引言 5.2 预处理 5.3 峰值现象 5.4 基于统计假设检验的特征选择 5.5 接收机操作特性（roc）曲线 5.6 类可分性测量 5.7 特征子集的选择 5.8 最优特征生成 5.9 神经网络和特征生成/选择 5.10 推广理论的提示 5.11 贝叶斯信息准则 章 特征生成i：线性变换 6.1 引言 6.2 基本向量和图像 6.3 karhunen-loève变换 6.4 奇异值分解 6.5 独立成分分析 6.6 非负矩阵因子分解 6.7 非线性维数降低 6.8 离散傅里叶变换（dft） 6.9 离散正弦和余弦变换 6.10 hadamard变换 6.11 haar变换 6.12 回顾haar展开式 6.13 离散时间小波变换（dtwt） 6.14 多分辨解释 6.15 小波包 6.16 二维推广简介 6.17 应用 章 特征生成ii 7.1 引言 7.2 区域特征 7.3 字符形状和大小的特征 7.4 分形概述 7.5 语音和声音分类的典型特征 章 模板匹配 8.1 引言 8.2 基于最优路径搜索技术的测度 8.3 基于相关的测度 8.4 可变形的模板模型 8.5 基于内容的信息检索：相关反馈 章 上下文相关分类 9.1 引言 9.2 贝叶斯分类器 9.3 马尔可夫链模型 9.4 viterbi算法 §9.5 信道均衡 §9.6 隐马尔可夫模型 9.7 状态驻留的hmm 9.8 用神经网络训练马尔可夫模型 9.9 马尔可夫随机场的讨论 章 监督学习：尾声 10.1 引言 10.2 误差计算方法 10.3 探讨有限数据集的大小 10.4 医学图像实例研究 10.5 半监督学习 章 聚类：基本概念 11.1 引言 11.2 近邻测度 章 聚类算法i：顺序算法 12.1 引言 12.2 聚类算法的种类 12.3 顺序聚类算