模式识别课程教学大纲.docVIP

101--2000-2003年课程教学大纲（信息） 目录号 4.1.2.4 PAGE PAGE 4 《模式识别》课程教学大纲 课程 编号课程名称 （中文）模式识别 （英文）Pattern Recognition 课程基本情况 1．学分： 4 学时：40 （课内学时：40 ） 2．课程性质：专业课 3．适用专业：通信与信息处理 适用对象：工学 4．先修课程：概率论，微积分，线性代数 5．首选教材：沈清等，模式识别导论，国防大学出版社，1991，5第一版 二选教材：蔡云龙，模式识别，西北电讯工程学院出版社，1986，6第一版 参考书目：李介谷，计算机模式识别技术，上海交通大学出版社，1986第一版 6．考核形式：闭卷 7．教学环境：课堂 课程教学目的及 要求 教学目的：本课程是电子与通信类学生的一门专业课程，目的是使学生掌握运用模式识别和句法模式识别的理论和方法，了解新兴的模糊模式识别与智能模式识别的方法及应用。 教学要求：掌握判别函数、可训练的模式分类器、统计判别及其可训练的模式分类器、形式语言与串文法、有限自动机以及句法分析与文法推断等模式识别的基本理论及方法应用，了解模糊模式识别、神经网络的基本方法。 课程 内容 及学 时分 配 课程 内容 及学 时分 配 （一）绪论 （ 2 学时） 模式识别及其意义 一、模式与模式识别 二、研究模式识别的意义 第二节 模式识别的全过程 模式识别的方法分类及应用 模式识别的分类 模式识别的应用 基本要求：了解模式识别的概念、处理过程及方法分类。 重点与难点：模式识别的过程及方法分类 （二）几何分类法 （ 10 学时） 统计分类的基本思想 模式的相似性度量及距离分类法 相似性度量与距离函数 距离分类器 几何分类法 线性判别函数 广义线性判别函数 感知器算法 LMSE算法 势函数法 基本要求：1.掌握并熟练运用判别函数、感知器和LMSE等分类算法。 2.了解相似性度量及势函数分类法。 重点及难点：1.判别函数，感知器和LMSE算法 2.广义线形判别函数，势函数法 （三）概率分类法 （ 10 学时） 统计分类的判别准则 Bayes法则 最小错误的Bayes分类 最小风险的Bayes分类 纽曼-皮尔逊准则 最大最小准则 正态分布的Bayes分类器 错误概率 密度函数的估计 最大似然估计 Bayes估计 降低特征的维数 基本要求：1.理解Bayes分类器的基本理论，熟练掌握各种Bayes分类器算法 2.了解错误概率理论及参数估计、降低特征维数的方法 重点及难点：1.Bayes 准则及错误概率分析。 2.错误概率分析、特征降维 （四）聚类分析 （ 8 学时） 聚类的基础 基于试探的聚类算法 基于最近邻规则的试探法 最大最小距离算法 层次聚类算法 动态聚类法 K均值算法 迭代自组织数据分析算法 基本要求：1.理解聚类的基本思想。 2.掌握并熟练运用各类聚类算法。 重点及难点：1.层次聚类法和动态聚类法 2.交互式数据分析聚类算法 （五）结构模式识别 （ 6 学时） 概述 结构模式识别系统 串文法与形式语言基础 符号的含义 文法类型 图象描述语言 等价的上下文无关文法 其他文法介绍 串的识别与分析 有限自动机 导出树 CYK算法 Early算法 基本要求：1.掌握串文法与形式语言、有限自动机理论。 2．理解句法分析和文法推断的基本思想。 重点及难点：1.串文法与形式语言、句法分析与推断 2.文法分析及优化 （六）模糊模式识别，智能模式识别 （ 4 学时） 模糊模式识别 概述 模糊子集 模糊关系 模糊模式识别 智能模式识别 逻辑推理法 神经网络法 基本要求：理解模糊模式识别及智能模式识别的基本理论。 重点及难点：基于模糊子集和模糊关系的识别 配套 实践 环节 说明 大纲编写 责任人 信息处理教研室 （教研组） 安平 （签名） 2001 年 12 月 1 日 系审核 意见 电子信息工程 （系） 陆亨立 （签名）