《模式识别》课程教学大纲.docVIP

《模式识别》教学大纲 一、课程基本信息 中文名称 模式识别 英文名称 Pattern Recognition 适用专业 信息工程、计算机科学与技术 先修课程 数据结构、数字信号处理、概率论与数理统计 课程类别 专业拓展课 修读性质 限选 学分/学时 2学分/34学时 考核方式 考查 二、教学目标 本课程教学目标：本课程是信息工程专业的一门专业拓展课。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。通过课堂与课外练习，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并能在解决实际问题时得到有效地运用，同时为开发研究新的模式识别的理论和方法打下基础。 三、教学内容及基本要求 第一章 绪论（4学时） （一）教学目标 1. 了解人工智能与模式识别的发展历史与现状； 2. 掌握模式识别和模式的概念，模式的描述方法； 3. 熟悉模式识别系统的组成以及各部分的功能，掌握模式识别的过程。 （二）重点、难点 重点：模式识别和模式的概念，模式识别系统的组成以及各部分的功能；? 难点：模式识别系统的组成以及各部分的功能。 （三）教学方法 本章以课堂教学为主，结合已经存在的资料来介绍该课程的核心内容。 （四）教学内容 1. 模式和模式识别； 　2. 模式的分类； 　3. 模式识别系统的基本构成； 　4. 模式识别方法及其分类； 　5. 模式识别举例。 第二章 统计模式识别中的几何方法（6学时） （一）教学目标 1. 了解统计分类的基本思想； 2. 掌握模式的相似性度量和最小距离分类器； 3. 掌握线性与非线性可分情况下的几何分类法； 4. 了解非线性可分情况下的几何分类法与最优分类超平面。 （二）重点、难点 重点：模式的相似性度量和最小距离分类器，线性与非线性可分情况下的几何分类法；? 难点：模式的相似性度量和最小距离分类器，非线性可分情况下的几何分类法与最优分类超平面。 （三）教学方法 本章以课堂教学为主，结合已经存在的资料来介绍该课程的核心内容。 （四）教学内容 1. 统计分类的基本思想　　 （1）特征空间和分类器设计； 　 （2） 两个例子； 2. 模式的相似性度量和最小距离分类器　　 （1） 相似性度量和距离函数； 　 （2） 最小距离分类器； 3. 线性可分情况下的几何分类法 （1） 线性判别函数和线性分类器； 　 （2） 线性判别函数的参数确定； 　 （3） 感知器算法； 　 （4） 收敛性定理； 　 （5） 梯度下降法； 　 （6） 最小平方误差法； 4. 非线性可分情况下的几何分类法　　（1）广义线性判别函数法； 　（2）分段线性判别函数； 　（3）非线性判别函数法：位势函数法； 5. 线性可分问题的非迭代解法　6. 最优分类超平面 第三章 统计模式识别中的概率方法（8学时） （一）教学目标 1. 了解用概率方法描述分类问题与几个相关的概念； 2. 掌握最小错误概率判决准则和最小风险判决规则； 3. 掌握线性与非线性可分情况下的几何分类法； 4. 掌握贝叶斯统计判决规则的似然比表现形式与贝叶斯分类器的一般结构； 5. 了解最小最大判决规则与几种分类器设计 。 （二）重点、难点 重点：最小错误概率判决准则和最小风险判决规则，贝叶斯统计判决规则的似然比表现形式与贝叶斯分类器的一般结构；? 难点：贝叶斯统计判决规则的似然比表现形式与贝叶斯分类器的一般结构；? （三）教学方法 本章以课堂教学为主，结合已经存在的资料来介绍该课程的核心内容。 （四）教学内容 1. 用概率方法描述分类问题　2. 几个相关的概念　3. 最小错误概率判决准则　4. 最小风险判决规则　5. 贝叶斯统计判决规则的似然比表现形式　　（1）最小错误概率判决规则的似然比表现形式；　 （2）最小风险判决规则的似然比表现形式。　6. 拒绝判决　7. 贝叶斯分类器的一般结构　8. neyman-pearson判决规则　9. 最小最大判决规则　10. 基于分段线性化的分类器设计　11. 正态分布下的分类器设计　12. 有监督情况下类条件概率密度的参数估计　13. 非监督情况下类条件概率密度的参数估计　14. 类条件概率密度的非参数估计 第四章 分类器的错误率（6学时） （一）教学目标 1. 了解正态分布下的错误率； 2. 掌握样本各维之间统计独立情况下的错误率与错误率界限的理论估计； 3. 掌握近邻分类法的错误率； 4. 了解分类器错误率的实验估计。 （二）重点、难点 重点：样本各维之间统计独立情况下的错误率与错误率界限的理论估计，近邻分类法的错误率；? 难点：样本各维之间统计独立情况下的错误率与错误率界限的理论估计；? （三）教学方法