《模式识别及应用》课程教学大纲.docxVIP

《模式识别及应用》课程教学大纲 编 号英文名称：Pattern Recognition and Its Applications 适用专业：电子信息工程 责任教学单位：电子工程系电子信息教研室总 学 时：32 学 分 ：2.0 考核形式：考查 课程类别：专业课修读方式：必修 教学目的：模式识别是电子信息工程专业的一门专业必修课。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， 通过课外上机练习，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，为将来从事这一方面的研究打下初步基础。 本课程的主要教学方法： 本课程以理论教学为主，实践教学为辅。 本课程与其他课程的联系与分工：本课程的先修课程是线性代数、概率与数理统计。它与数字图像处理课可并开。所学知识可以直接应用于相关课题的毕业设计中，并可为学生在研究生阶段进 一步深入学习模式识别理论和从事模式识别方向的研究工作打下基础。 主要教学内容及要求： 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。 本课程安排了一些习题，以便学生能通过做练习与实验进一步掌握课堂知识，学习了本课程后， 大部分学生能处理一些简单模式识别问题，如设计获取信息的手段，选择要识别事物的描述方法以 及进行分类器设计。 第一部分 模式识别及应用概述教学重点：模式识别的概念。教学难点：模式识别的概念。教学要点及要求： 理解模式识别系统，模式识别的应用； 掌握模式识别的概念。 第二部分 统计模式识别——概率分类法教学重点：概率分类的判别标准。 教学难点：概率分类的判别标准，正态密度及其判别函数。教学要点及要求： 了解密度函数的估计； 理解正态密度及其判别函数：（1）正态密度函数，（2）正态分布样品的判别函数； 掌握概率分类的判别标准：（1）Bayes 法则，（2）Bayes 风险，（3）基于 Bayes 法则的分类器， （4）最小最大决策，（5）Neyman-pearson 决策。第三部分 聚类分析 教学重点：基于试探的聚类算法。 教学难点：基于试探的聚类算法，层次聚类算法，动态聚类法。 教学要点及要求： 了解合取聚类法、最小张树分类法； 理解层次聚类算法，动态聚类法：（1）K 均值算法，（2）迭代自组织的数据分析算法；掌握基于试探的聚类算法：（1）基于最近邻规则的试探法，（2）最大最小距离法。 第四部分 模糊模式识别 教学重点：模糊信息处理的基本概念。 教学难点：模糊综合评判，基于识别算法的模糊模式识别。教学要点及要求： 理解模糊识别信息地获取，模糊综合评判，基于识别算法的模糊模式识别，模糊聚类分析； 掌握模糊信息处理的基本概念。 第五部分 神经网络识别理论及模型教学重点：人工神经网络基本模型。教学难点：模糊神经网络系统。 教学要点及要求： 理解神经网络分类器，模糊神经网络系统，神经网络识别模型及相关技术； 掌握人工神经网络基本模型。 第六部分 特征提取与选择 教学重点：类别可分性判据，基于可分性判据进行变换的特征提取与选择，最佳鉴别矢量的提取。 教学难点：基于可分性判据进行变换的特征提取与选择，最佳鉴别矢量的提取。教学要点及要求： 理解离散 K-L 变换及其在特征提取与选择中的应用，熟悉基于决策界的特征提取，熟悉特征选择中的直接挑选法； 序号教学内容学时分配学时 序号 教学内容 学时分配 学时 备注 理论 实践 小计 1 第一章 概论 2 0 2 2 第二章 统计模式识别——概率分类法 6 0 6 3 第三章 聚类分析 4 4 8 4 第四章 模糊模式识别 4 0 4 5 第五章 神经网络识别理论及模型 6 0 6 6 第六章 特征提取与选择 6 0 6 7 合计 28 4 32 实验要求： 实验的名称：聚类分析（4 学时） 实验的目的：设计基于等价关系的C 均值模型并编程实现 实验的内容和要求：（1）写出算法计算公式；（2）基于等价关系的 C 均值模型数据结构设计； （3）程序设计的实现流程；（4）编程实现训练算法；（5）验证实例。 使用的设备和仪器：微型计算机，Visual Basic 或Visual C++程序设计环境