《模式识别》课程教学大纲（本科）.docxVIP

本科课程教学大纲 《模式识别》课程教学大纲 课程编号：04226 课程名称：模式识别 英文名称： Pattern Recognition 课程类型：专业课课程要求：选修 学时/学分：32/2（讲课学时：28 实验学时：4）适用专业：智能科学与技术 一、课程性质与任务 模式识别课程是智能科学与技术专业的一门选修课，是研究计算机模式识别的基本理论和方法、应用。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。这门课的教学目的是让学生掌握统计模式识别和结构模式识别基本原理和方法。本课程的主要任务是通过对模式识别的基本理论和方法、运用实例的学习，使学生掌握模式识别的基本理论与方法，培养学生利用模式识别方法、运用技能解决本专业及相关领域实际问题的能力，为将来继续深入学习或进行科学研究打下坚实的基础。 本课程的教学目的是为了使学生能应用模式识别处理计算机自动识别事物，机器学习数据分析中有关的技术问题。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。学生在学习过程中还会用到一些概率论的最基本知识，线性代数中的部分知识，对学生在数学课中学到知识的进一步理解与巩固起到温故而知新的作用。 （该门课程支撑毕业要求中 1.1，2.1，3.1，3.3，4.1，6.1，10.1 和 12.1） 二、课程与其他课程的联系 先修课程：概率论与数理统计、线性代数、机器学习后续课程：智能感知综合实践 先修课程概率论与数理统计和线性代数为学生学习模式识别技术中最基本的概念，必要的数学推导打下基础，机器学习可以使学生建立整体思考问题的方法，并具有系统性能优化的概念。本课程为后续智能优化方法打下理论基础。 三、课程教学目标 学习模式识别基本理论知识，理解参数估计的基本思想，掌握最大似然和贝叶斯几种典型算法，理解聚类分析的的基本思想，掌握聚类分析的几种典型算法；（支撑毕业要求 1.1，2.1） 具有数学分析和识别的基本能力；（支撑毕业要求1.1） 掌握基本的识别优化创新方法，培养学生追求创新的态度和意识；（支撑毕业要求 3.1） 培养学生树立正确的分析和识别思想，了解设计过程中国家有关的经济、环境、法律、安全、健康、伦理等政策和制约因素；（支撑毕业要求3.3） 培养学生的工程实践学习能力，使学生具有运用标准、规范、手册、图册和查阅有 关技术资料的能力；（支撑毕业要求4.1，6.1） 了解模式识别方法前沿和新发展动向；（支撑毕业要求10.1，12.1） 四、教学内容、基本要求与学时分配 序号 教学内容 教学要求 学时 教学方式 对应课程教学目标 1 一、概论 模式和模式识别的概念 模式识别的主要方法 监督模式识别和非监督模式识别 模式识别系统举例 模式识别系统的典型构成 掌握模式识别的概念、基本构成，发展和应用； 了解模式识别的研究方法。 2 讲授 2,6 2 二、概率密度函数的估计 引言 最大似然估计 贝叶斯估计与贝叶斯学习 概率密度估计非参数方法 了解参数估计的基本概念； 了解非参数技术的基本方法； 掌握最大似然估计方法； 掌握贝叶斯估计方法。 4 讲授讨论自学 1,2 3 三、线性分类器分类器 引言 线性分类器的基本概念 Fisher线性判别分析 4.感知器 最小平方误差判别 最优分类超平面与线性支持向量机 多类线性分类器 实验：基于Fisher线性判别线性分类器设计 理解线性判别函数的基本概念； 理解 Fisher线性判别分析； 掌握感知器和最小平方误差准则； 了解最优分类超平面与线性支持向量机。 6 2 讲授讨论自学 1,2,3,6 4 四、特征的抽取和选择 引言 特征的评价准则 特征选择的最优算法 特征选择的次优算法 特征选择的遗传算法 理解特征的评价准则； 掌握特征选择的各种算法。 6 讲授讨论上机 1,2,3 5 五、特征提取 引言 基于类别可分性判据的特征提取 掌握基于类别可分性判据的特征提取； 掌握主成分分析方法； 4 讲授 讨论自学 1,2,3,4 成分分析方法 karhunen-loeve 变换 KL 变换在人脸识别中的应用举例 3.理解karhunen-loeve变换。 4.了解KL变换在人脸识别中 的应用过程 6 六、非监督模式识别 引言 动态聚类算法 模糊聚类方法 分级聚类方法 实验： 动态聚类算法 掌握动态聚类算法； 掌握模糊聚类方法； 了解分级聚类方法。 4 2 讲授讨论自学 1,2,3 7 七、复习 掌握主要知识点 2 2 五、其他教学环节（课外教学环节、要求、目标） 无 六、教学方法 本课程以课堂教学为主，结合作业、自学及测验等教学手段和形式完成课程教学任务。在课堂教学中