模式识别教学大纲.docVIP

《模式识别》教 学 大 纲 一．课程性质与教学目的 本课程是计算机科学与技术专业研究生一年级的专业选修课，是研究计算机模式识别的基本理论、方法和应用。本课程的教学目的是，通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。 二．课程要求 重点掌握下列几方面的知识。 （1）贝叶斯决策理论。 （2）概率密度函数的估计。 （3）线性差别函数。 （4）非线性差别函数。 （5）近邻法。 （6）特征的选择与提取。 （7）基于K-L展开式的特征提取。 （8）非监督学习方法。 （9）人工神经网络。 （10）模糊模式识别方法。 （11）统计学习理论 支持向量机。 三．教学内容及要求 教学内容 教学要求 第1章 概论1.1模式与模式识别1.2模式识别的主要方法1.3监督模式识别与非监督模式识别1.4模式识别系统举例1.5模式识别系统的典型构成 了解模式识别的相关常识与概念，以及一些基本问题 第2章 统计决策方法2.1引言：一个简单的例子2.2最小错误率贝叶斯决策2.3最小风险贝叶斯决策2.4两类错误率、neyman-pearson决策与roc曲线2.5正态分布时的统计决策2.6错误率的计算2.7离散概率模型下的统计决策举例 1.理解最小错误率贝叶斯决策和最小风险贝叶斯决策，2.理解正态分布时的统计决策 3.理解错误率的计算 第3章 概率密度函数的估计3.1引言3.2最大似然估计3.3贝叶斯估计与贝叶斯学习3.4概率密度估计的非参数方法 了解最大似然估计、贝叶斯方法与概率密度估计。 第4章 线性分类器4.1引言4.2线性判别函数的基本概念4.3fisher线性判别分析4.4感知器4.5最小平方误差判别4.6最优分类超平面与线性支持向量机4.7多类线性分类器 1.理解线性判别函数的基本概念 2.理解fisher线性判别分析 3.理解感知器和最小平方误差判别 4.了解最优分类超平面与线性支持向量机 5.了解多类线性分类器 第5章 非线性分类器5.1引言5.2分段线性判别函数5.3二次判别函数5.4多层感知器神经网络5.5支持向量机5.6核函数机器 1.理解分段线性判别函数和二次判别函数 2.理解多层感知器神经网络 3.理解支持向量机和核函数机器 第6章 其他分类方法.6.1近邻法6.2决策树与随机森林6.3罗杰斯特回归6.4boosting方法 1.理解近邻法和决策树与随机森林 2.理解罗杰斯特回归 3.了解boosting方法 第7章 特征选择7.1引言7.2特征的评价准则7.3特征选择的最优算法7.4特征选择的次优算法7.5特征选择的遗传算法7.6以分类性能为准则的特征选择方法 1．理解特征的评价准则 2．理解特征选择的各种算法 3. 理解以分类性能为准则的特征选择方法 第8章 特征提取8.1引言8.2基于类别可分性判据的特征提取8.3主成分分析方法8.4karhunen-loeve变换8.5k-l变换在人脸识别中的应用举例8.6高维数据的低维显示8.7多维尺度法8.8非线性变换方法简介 1．掌握基于类别可分性判据的特征提取 2．掌握主成分分析方法 3．理解karhunen-loeve变换 4. 理解高维数据的低维显示和多维尺度法5.了解非线性变换方法 第9章 非监督模式识别9.1引言9.2基于模型的方法9.3混合模型的估计9.4动态聚类算法9.5模糊聚类方法9.6分级聚类方法9.7自组织映射神经网络 1．了解基于模型的方法 2．理解混合模型的估计 3. 理解动态聚类算法、模糊聚类方法和分级聚类方法6. 了解自组织映射神经网络 第10章 模式识别系统的评价10.1监督模式识别方法的错误率估计10.2有限样本下错误率的区间估计问题10.3特征提取与选择对分类器性能估计的影响10.4从分类的显著性推断特征与类别的关系10.5非监督模式识别系统性能的评价 理解错误率估计、区间估计以及分类器性能估计等模式识别系统的评价方法 四．使用教材和教学参考书 使用教材： 张学工编，模式识别，清华大学出版社，2010年8月。 教学参考书： 1、边肇祺编，模式识别，清华大学出版社。 2、范九伦等编，模式识别导论，西安电子科技大学出版社。