模式识别及应用--教学大纲.doc

《模式识别及应用》课程教学大纲 ( 06、07级) 编号英文名称：Pattern Recognition and Its Applications 适用专业：电子信息工程 责任教学单位：电子工程系电子信息 教研室 总 学 时：32 学 分：2 考核形式：考查 课程类别：专业课 修读方式：必修 教学目的：模式识别是电子信息工程专业的一门专业必修课。通过该课程的学习，学生能够掌握模式识别的基本理论和主要方法，并且能掌握在大量的模式样本中获取有用信息的原理和算法，通过课外上机练习，学会编写模式识别的算法程序，达到理论和实践相结合的目的，使学生了解模式识别的应用领域，为将来从事这一方面的研究打下初步基础。 主要教学内容及要求：由于本课程的目标是侧重在应用模式识别技术，因此在学习内容上侧重基本概念的讲解，辅以必要的数学推导，使学生能掌握模式识别技术中最基本的概念，以及最基本的处理问题方法。 本课程安排了一些习题，以便学生能通过做练习与实验进一步掌握课堂知识，学习了本课程后，大部分学生能处理一些简单模式识别问题，如设计获取信息的手段，选择要识别事物的描述方法以及进行分类器设计。 第一章 概论 1.掌握模式识别的概念 2.熟悉模式识别系统 3.熟悉模式识别的应用 第二章 统计模式识别——概率分类法 1. 掌握概率分类的判别标准 （1）Bayes法则 （2）Bayes风险 （3）基于Bayes法则的分类器 （4）最小最大决策 （5）Neyman-pearson决策 2. 熟悉正态密度及其判别函数 （1）正态密度函数 （2）正态分布样品的判别函数 3.了解密度函数的估计 第三章 聚类分析 1. 掌握基于试探的聚类算法 （1）基于最近邻规则的试探法 （2）最大最小距离法 2.熟悉层次聚类算法 3.熟悉动态聚类法 （1）K均值算法 （2）迭代自组织的数据分析算法 4.了解合取聚类法、最小张树分类法 第四章 模糊模式识别 1.掌握模糊信息处理的基本概念 2.熟悉模糊识别信息地获取 3.熟悉模糊综合评判 4.熟悉基于识别算法的模糊模式识别 5.熟悉模糊聚类分析 第五章 神经网络识别理论及模型 1.掌握人工神经网络基本模型 2.熟悉神经网络分类器 3.熟悉模糊神经网络系统 4.熟悉神经网络识别模型及相关技术 第六章 特征提取与选择 1.掌握类别可分性判据 2.掌握基于可分性判据进行变换的特征提取与选择 3.掌握最佳鉴别矢量的提取 4.熟悉离散K-L变换及其在特征提取与选择中的应用 5.熟悉基于决策界的特征提取 6.熟悉特征选择中的直接挑选法 本课程与其他课程的联系与分工：本课程的先修课程是线性代数、概率与数理统计。它与数字图像处理课可并开。所学知识可以直接应用于相关课题的毕业设计中，并可为学生在研究生阶段进一步深入学习模式识别理论和从事模式识别方向的研究工作打下基础。 学时分配表： 序号 章节及名称 学时分配 学时 备注 讲课 实验 上机 1 第一章 概论 2 2 2 第二章 统计模式识别——概率分类法 6 6 3 第三章 聚类分析 4 4 8 4 第四章 模糊模式识别 4 4 5 第五章 神经网络识别理论及模型 6 6 6 第六章 特征提取与选择 6 6 合计 28 4 32 实验和上机要求： 实验的名称：聚类分析 实验的目的：设计基于等价关系的C均值模型并编程实现 实验的内容和要求：（1）写出算法计算公式；（2）基于等价关系的C均值模型数据结构设计；（3）程序设计的实现流程；（4）编程实现训练算法；（5）验证实例。 使用的设备和仪器：微型计算机，Visual Basic或Visual C++程序设计环境 编制人：韦雪洁 2006年 审核人：王俊红 2006年