《模式识别导论课程教学大纲.docx》由会员分享，可在线阅读，更多相关《模式识别导论课程教学大纲.docx（5页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、模式识别导论课程教学大纲课程中文名称：模式识别导论课程英文名称：An Introduction to Pattern Recognition课程编号：C1305开课学期：6学时数：32学分数：2适用专业：自动化（拔尖计划）课程类型：专业拓展课/选修先修课程：高等数学、线性代数、概率论与数理统计一、课程性质本课程是自动化专业的高年级专业拓展课和选修课。课程主要介绍统计模式识别的基本 理论和方法，包括统计决策、聚类分析、线性分法，以及特征提取与选择等内容。模式识别 是研究信息分类识别理论和方法的科学，综合性、交叉性强，在工业生产控制中得到了广泛 应用。课程特点是理论与实践联系密切，通过课程学习可以
2、培养学生理论素养、实践技能与 创新能力，提高学生对控制工程问题的分析问题和解决问题能力。二、课程目标通过本课程的学习，学生应掌握下列基础知识点：1 .模式识别的基本概念、学科特点、和发展应用情况；2 .聚类分析；3 .界面域代数界面方程法：4 .统计判决；5 .统计决策中的经典学习方法；6 .最近邻法；7 .特征提取和选择。三、支撑的毕业要求课程对毕业要求的支撑课程教学目标、达成途径和评价依据等毕业要求3.掌握工程基础知识 和本专业的基本理论知识，具有 系统的工程实践学习经历；了解 本专业的前沿发展现状和趋势。教学目标：掌握统计模式识别的基本理论和方法，包括聚类分析, 判别域代数界面方程法，统
3、计判决、训练学习与错误率估计，最 近邻方法以及特征提取与选择等。通过课程学习，掌握模式识别 的基本概念、基本原理、基本分析方法和算法。能够利用模式识 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。 达成途径：课堂讲解；平时作业；上机实践；专题讨论。评价依据：课后作业；大型作业报告与上机实践：专题讨论答辩 与报告；课程考试。评价方式：评估平时作业的正确性与完整性，给出成绩；评估大 型作业及上机实践报告的正确性与内容的完整性，给出成绩；结 合团队答辩表现与团队专题讨论报告，给出个人团队合作成绩与 个人表现成绩；评价课程结束考试的得分情况。毕业要求4.具备设计和实施工 程实验的能力，并能够对
4、实验结 果进行分析。教学目标：完成两个大型作业设计及报告提交。通过提供三个以 上大型设计作业选题，让学生根据兴趣选定两个。给定一些特征 数据，让学生设计分类方案，采用C语言或Matlab语言编程实现 正确分类，评估分类结果。学会运用模式分类方法解决实际工程 问题。达成途径：大型作业及上机实践。评价依据：作业报告；上机实践结果。评价方式：评估程序运行结果的正确性与合理性，给出成绩；根 据大型作业目标任务要求，要求学生给出设计方案，评估方案的 合理性，给出成绩。毕业要求6.掌握文献检索、资 料查询及运用现代信息技术获 取相关信息的基本方法。教学目标：模式识别是一门涉及信息处理、计算机技术和人工智
5、能的交叉性学科。而计算机技术、信息技术和人工智能的发展日 新月异，要想了解和跟上学科的最新发展超势，需要具有自主终 身学习的意识和能力，只有通过不断的自主学习，才能具有适应 行业发展的能力。达成途径：课堂讲解：平时作业；文献阅读。评价依据：作业；文献阅读结果。评价方式：评估平时作业的正确性与完整性，给出成绩；评估文 献查阅的准确性和完整性，给出成绩。四、教学内容、学时安排和基本要求第一章绪论（2学时）重点难点：模式识别的概念、基本问题，特征矢量的描述方法和特征空间概念，随机矢 量间的统计关系。（1）介绍模式识别的基本概念；（2）概述模式识别过程、方法，学科特点；（3） 了解模式识别的历史现状和
6、发展、应用。（4）特征矢量及特征空间基本要求：了解模式识别的研究内容、应用领域及发展过程，掌握模式识别的基本概念、 系统组成、特征矢量的描述方法和特征空间的概念。第二章聚类分析（4学时）重点难点：相似性测度，聚类准则函数，层次聚类法和K-均值算法。影响K-均值算法 的因数及改进方法。（1）聚类分析的概念：（2）模式相似性测度；（3）类的定义与类间距离；（4）聚类算法，包括：经验法，层次聚类法，动态聚类法。基本要求：掌握聚类分析的基本思想、影响分类有效性的因素：掌握类间距离的定义及 递推计算、聚类准则函数，了解它们劝聚类的影响；掌握依据模式相似性测度进行聚类的概 念和基本方法。第三章界面域代数界
7、面方程法（6学时）重点难点：线性判别函数的判别意义，一次、二次准则波函数及其解法，势函数法。（1）用判别函数分类的概念；（2）线性判别函数；（3）判别函数值的鉴别意义；（4）线性判别函数的求解方法：（5）非线性差别函数。基本要求：建立差别域的概念，掌握用判别域界面进行分类的思想；掌握n维特征空间 中线性判别函数的一般形式，两类问题和多类问题的判别问题，处理多类问题的方法；掌握 特征空间、权空间、解空间的概念，n维线性判别函数的几何意义：掌握Fisher线性判别法, 一次、二次准则函数及梯度下降法，感知器算法解多类问题。了解广义线性判别函数、非线 性差别函数方法。第四章统计判决（6学时）重点难点
8、：分类识别判决的基本准则及其适用场合，误判概率的计算。（1）最小误判概率准则；（2）最小损失准则判决；（4） N-P 判决;基本要求：掌握最小误判概率准则，及误判概率的简单计算；掌握损失与损失函数的概 念，最小损失准则下的判决规则，平均损失函数：掌握N-P判决准则及适用场合。第五章统计决策中的经典学习方法（6学时）重点难点：类概率密度函数逼近的思想和有关具体方法，最近邻方法与类域界面方法、 贝叶斯方法的对比；贝叶斯方法。（I）参数估计；（2）贝叶斯学习;（3）概率密度的窗函数估计法及Kn近邻法；（4）有限项正交函数级数逼近法；（5）错误率估计；（6）最近邻法。基本要求：掌握矩估计，均值矢量和协
9、方差矩阵估计的递推关系：掌握贝叶斯方学习法， 了解其在统计模式识别中的重要地位：掌握类概率密度函数估计法的原理：掌握实验法估计误 判概率的基本原理和方法；掌握近邻法的分类决策规则及方法。第六章最近邻法（4学时）重点难点：引入拒绝决策的最近邻法。（1）基本的最近邻法；（2）剪辑最近邻法；（3）引入拒绝决策的最近邻法；（4）最近邻法中的最佳距离及实际计算。基本要求：掌握基本的最近邻法；剪辑最近邻法；引入拒绝决策的最近邻法；最近邻法 中的最佳距离及实际计算。第七章特征提取和选择（4学时）重点难点：可分性判据及特征提取与选择方法。（1）概述；（2）类别可分性判据；（3）基于可分性判据的特征提取选择；（
10、5） K-L变换与特征提取；（5）特征提取中的直接挑选法。基本要求：明确特征选择的重要性和特征选择应遵循的基本原则；掌握几种重要判据的 具体形式；了解离差矩阵的主分量提取；掌握K-L变换在特征提取中的应用；掌握算法的基 本特点及搜索的结构规律。五、教学方法与手段本课程教学主要采用讲授、多媒体教学、计算机仿真、大型作业报告等教学方法与手段。六、推荐教材和教学参考资源教材：1 .孙即祥，模式识别，国防工业出版社，2009.参考书：2 .张学工编，模式识别，清华大学出版社，2010.3 . Richard O.Duda,模式分类（第2版），机械工业出版社，2007.4 .孙即祥，现代模式识别（第2版），高等教育出版社，2008.八、课程考核内容及方式平时成绩占50% （平时考勤及平时作业20%+两次大作业报告30%）,课程结束开卷考 试或课程报告成绩占50%）。