沈阳理工大学 模式识别及神经元网 2012版.docVIP

《模式识别与神经元网》课程教学大纲 课程代码：030342001 课程英文名称：Pattern Recognition Artificial Neural Network 课程总学时：32 讲课：32 实验：0 上机：0 适用专业：电子信息工程专业 大纲编写（修订）时间：2011.7 一、大纲使用说明 （一）课程的地位及教学目标 模式识别与神经元网是高等工业学校电子信息工程专业开设的一门的培养学生具有模式识别的专业必选课，本课程主要讲授统计模式识别以及神经网络的基本知识、基本理论、基本方法及其相关应用。在电子信息工程专业培养计划中，它是专业方向课。本课程在教学内容方面除基本知识、基本理论和基本方法的教学外，通过应用研究，着重培养学生的实际应用能力。 通过本课程的学习，学生将达到以下要求： 1．掌握模式识别的基本概念，基本原理和基本方法； 2．掌握人工神经网络的工作原理和典型算法及其在模式识别中的应用； 3．了解计算机分类识别事物和计算机分析数据的概念及典型方法； 4．了解模式识别与神经元网的新发展。 （二）知识、能力及技能方面的基本要求 1.基本知识：掌握统计模式识别以及神经网络的基本知识、基本理论、基本方法及其相关应用等。 2.基本理论和方法：掌握模式识别的基本概念，模式识别系统的主要组成部分及其相应的研究方法、贝叶斯决策理论、概率密度函数的估计、线性判别函数、邻近法、模式特征的选择与提取、神经网络模式识别等。 3.基本技能:掌握设计模式识别的基本方法等。 （三）实施说明 1．教学方法：课堂讲授中要重点对基本概念、基本方法和解题思路的讲解；采用启发式教学，培养学生思考问题、分析问题和解决问题的能力；引导和鼓励学生通过实践和自学获取知识，培养学生的自学能力；增加讨论课，调动学生学习的主观能动性；讲课要联系实际并注重培养学生的创新能力。 2．教学手段：本课程属于技术基础课，在教学中采用电子教案、CAI课件及多媒体教学系统等先进教学手段，以确保在有限的学时内，全面、高质量地完成课程教学任务。 （四）对先修课的要求 本课程的教学必须在完成先修课程之后进行。本课程主要的先修课程有高等数学、概率论与数理统计、线性代数、数字信号处理及数字图像处理等。本课程将为电子信息工程专业课、课程设计以及毕业设计的学习打下良好基础。 （五）对习题课、实践环节的要求 1．对重点、难点章节（如贝叶斯决策理论、概率密度函数的估计、线性判别函数、邻近法、模式特征的选择与提取、神经网络模式识别等）应安排习题课，例题的选择以培养学生消化和巩固所学知识，用以解决实际问题为目的。 2．课后作业要少而精，内容要多样化，作业题内容必须包括基本概念、基本理论及设计计算方面的内容，作业要能起到巩固理论，掌握计算方法和技巧，提高分析问题、解决问题能力，熟悉标准、规范等的作用，对作业中的重点、难点，课上应做必要的提示，并适当安排课内讲评作业。学生必须独立、按时完成课外习题和作业，作业的完成情况应作为评定课程成绩的一部分。 3．安排大作业，大作业成绩作为平时成绩的一部分。 （六）课程考核方式 1．考核方式：笔试，开卷 2．考核目标：在考核学生对模式识别的基本概念和基本方法的掌握程度，采用贝叶斯决策理论、概率密度函数的估计、线性判别函数、邻近法、模式特征的选择与提取、神经网络方法设计模式识别方法的能力。 3．成绩构成：本课程的总成绩主要由三部分组成：平时成绩（包括作业情况、出勤情况等）占30%，期末考试成绩占70%。 最终理论考试、平时考核（包括中期考试、作业、小测验、提问等）考核成绩的总和。 （七）参考书目 《模式识别》(第二版)，边肇祺，张学工等，清华大学出版社，2000 《模式识别原理、方法及应用》，J．P．Marques de sa，清华大学出版社，2002 《模式识别》，杨光正等，中国科学科技大学出版社，2003 《Neural Network Design》，Martin T.Hagan，机械工业出版社，2002 《神经网络模式识别及其潘蒂（美）电子工业出版社 学时 讲课 实验 上机 1 第一章 引论 4 4 1.1 模式识别和模式的概念以及模式识别的发展简史 1 1 1.2 模式识别系统 1 1 1.3 关于模式识别的一些基本问题 1 1 1.4 关于本书的内容安排 1 1 2 第2章贝叶斯决策理论 10 10 2.1 引言,补充数学知识 2 2 2.2 几种常用的决策规则 4 4 2.3 正态分布时的统计决策 2 2 2.4 关于分类器的错误率问题 2 2 3 第3章概率密度函数的估计 2 2