模式识别-研究生课程教学大纲-张良课程教学大纲.docxVIP

PAGE9

《模式识别》教学大纲

课程英文名称

PatternRecognition

开课院系

电子信息与自动化学院

课程类别

学科选修课

授课对象

学术型

授课方式

讲授类

课程总学时

36

课程总学分

2

开课学期

第2学期

适用专业

信息与通信工程

预修课程

概率论与数理统计

主讲教师1

张良

职称

教授

主讲教师2

刘家学

职称

教授

课程简介（500字以内）：

讲授统计模式识别的基本理论和方法，学习利用训练样本集进行分类器设计和性能评价的方法，解决模式识别实际问题。

课程内容涉及模式识别基本概念、贝叶斯决策理论、类条件概率密度的参数和非参数估计方法、线性和非线性分类器、特征选择和特征提取、聚类分析、分类器的性能评价等。

课程教学目标与基本要求：

教学目标：通过教学及做一定的习题和上机作业，使学生掌握统计模式识别的基本理论和方法，了解模式识别技术在各领域中的应用方法，具备应用所学知识解决实际问题的能力。

基本要求：了解模式识别相关概念、分类器设计的基本过程；掌握基于最小错误率的贝叶斯决策和基于最小风险的贝叶斯决策；理解概率密度估计的基本原理和方法；掌握Fisher线性判别，并通过实例熟悉其处理过程；掌握支撑向量机、神经网络等非线性分类方法；掌握特征选择和提取的基本理论和方法；掌握基本的聚类分析方法；掌握分类器的性能评价方法

课程考核方式和成绩计算评定：

1．考核方式：考试（）；考查（√）

2．成绩评定：

总评成绩构成：平时考核（50）％；中期考核（0）％；期末考核（50）％

平时成绩构成：考勤考纪（20）％；作业（80）％。

课程内容及详细教学计划

授课内容（细化到章、节、目）

教学目标

授课模式

绪论（2学时）

模式识别基本概念及一些基本问题。

了解模式识别相关概念、分类器设计的基本过程。

多媒体教学

统计决策方法（4学时）

常用的决策规则，正态分布时的统计决策

重点掌握基于最小错误率的贝叶斯决策和基于最小风险的贝叶斯决策。

多媒体教学

概率密度函数的估计（4学时）

正态分布的监督参数估计，非监督参数估计，总体分布的非参数估计，分类器错误率的估计。

理解概率密度估计的基本原理和方法。

多媒体教学

线性分类器（4学时）

Fisher线性判别，感知准则函数，最小错分样本数准则，最小平方误差准则函数，随机最小错误率线性判别准则函数，多类问题

重点掌握Fisher线性判别，并通过实例（手写数字的Fisher线性判别）熟悉其处理过程。

多媒体教学

非线性分类器（8学时）

分段线性判别，支持向量机，神经网络模式识别，卷积神经网络和深度学习

理解其原理，并能设计分类器解决实际问题。

多媒体教学

其它分类方法（4学时）

最近邻法，k-近邻法，随机森林，罗杰斯特回归，Boosting

了解方法的原理、特点、适用条件。

多媒体教学

特征选择（2学时）

类别可分离性判据、最优和次优特征选择

了解特征选择基本方法，掌握分支定界算法

多媒体教学

特征提取（2学时）

主成份分析、KL变换及人脸识别

了解基本方法

多媒体教学

非监督模式识别（4学时）

动态聚类分析、分层聚类、自组织映射

重点掌握C均值聚类方法

多媒体教学

第十章模式识别系统的评价（2学时）

分类器的错误率估计

掌握一般的分类器性能评价方法

多媒体教学

教材及教学参考资料

教材

序号

教材名称

编著者

出版单位

出版时间

1

模式识别（第三版）

张学工

清华大学出版社

2010.09

2

机器学习

周志华

清华大学出版社

2016.01

参考资料

序号

参考资料名称

编著者

出版单位

出版时间

1

VisualC++数字图象模式识别技术及工程实践，，

张宏林

人民邮电出版社

2003.01

注：1.课程类别参考培养方案，学位课明细到公共必修课、学科基础课和学科必修课；

2.主讲教师1和授课教师2两栏必填。