计算机应用技术学科硕士学位培养措施.docVIP

计算机应用技术学科硕士研究方向 (3) 数字信号处理 数字信号处理课程最初作为电子信息类各专业的重要基础课，现已成为自动化、生物医学、化工、精密仪器、测试计量技术、机械等专业的必备基础课。随着计算机和信息技术的飞速发展，数字信号处理技术在电子、通信、测试、自动化等领域得到极为广泛的应用。其内容包括：离散时间信号、系统和Z变换；DFT及其快速算法；数字滤波器设计；离散随机信号的处理；有效字长效应；离散随机信号；维纳过滤与卡尔曼过滤；自适应过滤系统；功率谱估计；同态滤波；二维信号处理等。 本课程总计60学时，其中讲课60学时，实验及设计放在DSP技术课程中进行。本课程由我校信息学院电子信息工程系刘云飞副教授主讲。 (4) 数字图像处理 数字图像处理技术始于于20世纪50年代，主要研究图像预处理、图像增强、图像变换、图像恢复、图像分割与分析等。对图像处理来说,输入是图像,处理后输出的也是图像图像。数字图像处理科学已成为工程学、计算机科学、信息科学、统计学、物理、化学、生物学、医学、视觉心理、人工智能、智能信息处理等领域中各学科学习和研究的对象。随着信息高速公路、数字地球概念的提出以及Internet的广泛应用，图像处理技术的需求与日俱增。因此，数字图像处理技术逐步向其他学科领域渗透并为其他学科所利用是必然的。 本课程主要讲解的内容有图像和视觉基础（计算机数字图像的采集、格式、显示和存储）、图像增强（空间域变换增强和空间域滤波增强）、图像分割（边缘检测、基于直方图的图像分割和基于区域的图像分割）、数学形态学和图像分析等主要章节内容。 本课程总计40学时，其中讲课40学时。本课程由信息学院教师李勇智副教授讲授。 (5) 模式识别 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。模式识别: 模式识别的概念、贝叶斯决策理论、聚类分析、模糊模式识别、人工神经网络模式识别、子空间法模式识别、特征的选择与提取。本课程的特点是利用到的数学知识和前沿科学知识比较多，因此要求学生必须掌握好相关理论基础。模式识别的前导课程是高等数学、离散数学和一门计算机程序设计语言。掌握光栅图形学、图形变换、曲线绘制、图形算法基础、视觉变换与载剪、消隐处理的基本人工神经网络人工神经网络及其应用是目前国际上一门发展迅速的前沿交叉学科。它是模拟生物神经结构及其功能的新型信息处理系统，目前已有广泛的应用。至今，国内外人工神经网络的研究仍然方兴未艾，其研究成果已被用于许多学科领域。本课程人工神经网络的基本概念、原理和方法，尤其是人工神经网络的设计概念与方法，设计神经网络模型去解决实际问题，了解人工神经网络的发展动向和应用前景。主要内容：人工神经网络的基础知识，包括人工神经网络的概述，人工神经元的模型，人工神经网络的模型，人工神经网络的学习规则；前馈型人工神经网络；自组织神经网络；反馈型人工神经网络；局部逼近神经网络。 （10）现代数据库技术 自20世纪80年代以来，数据库技术在商业领域的巨大成功刺激了其他领域对数据库技术需求的迅速增长。这些新的领域为数据库的应用开辟了新的天地，促进了分布式数据库、并行数据库、面向对象数据库、数据仓库、空间数据库、多媒体数据库等新技术的产生。通过本课程的学习，要求学生掌握或了解数据库系统的一些高级技术、新技术和新应用。 主要教学内容包括：数据库管理系统实现技术；新数据模型（面向对象数据库、对象关系数据库、XML等）； 数据库系统体系结构（分布式数据库、并行数据库）；新应用（数据仓库、OLAP与数据挖掘、时态数据库、空间数据库、多媒体数据库、移动数据库、高级事务处理） 本课程总计40学时，其中讲课40学时。本课程由信息学院教师沈丽容讲授。 （11）分布式数据库系统及其应用本课程要求学生掌握分布式数据库系统的理论、结构、技术和方法,了解实现分布式数据库的关键和难点，认清数据库学科的发展趋势和前景,为今后从事分布式数据库研究和应用打下良好的专业基础。分布式数据库系统概述分布式数据库系统的设计分布式查询处理和优化分布式事务管理和恢复分布式数据库中的并发控制分布式数据库的可靠性分布式数据库的安全与管理 客户机/服务器模式与分布式数据库 基于客户机/服务器模式的SYBASE系统分布式数据库发展展望线性模型? ??线性模型是一类统计模型的总称，它包括了线性回归模型，方差分析模型，协方差分析模型和线性混合效应模型（或称方差分量模型）等。许多生物，医学，经济，管理，气象，工程技术等领域的现象都可以用线性模型来近似描述。因此线性模型成为现代统计学中应用最为广泛的模型之一。主要线性模型统计推断的基本理论