《模式识别教学大纲.docx》由会员分享，可在线阅读，更多相关《模式识别教学大纲.docx（8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、模式识别教学大纲目录一、教学目的和要求185二、教学中应注意的问题185三、教学内容186第1章绪论186第2章贝叶斯决策理论186第3章概率密度函数的估计186第4章线性判别函数.187第5章非线性判别函数.187第6章近邻法187第7章经验风险最小化和有序风险最小化方法188第8章特征的选择与提取188第9章基于K-L展开式的特征提取.188第10章非监督学习方法188第11章人工神经网络188第12章模糊模式识别方法189第13章统计学习理论和支持向量机189第14章模式识别在语音信号数字处理中的应用举例.189第15章印刷体汉字识别中的特征提取190四、教学课时分配190五、建议教材及
2、参考书目191课程名称：模式识别课程编号:056136英文名称：Pattern Recognition课程性质：独立设课课程属性：专业方向共选课应开学期：第7学期学时学分：课程总学时-48,其中实验学时一16。课程总学分-3学生类别：本科生适用专业：电子信息工程、电子信息科学与技术等专业学生。先修课程：高等数学、线形代数、概率论与数理统计一、教学目的和要求模式识别是研究用计算机自动识别事物的一门科学，其目的是用机器完成类似 于人类智能通过视觉、听觉等感官去识别外界环境所进行的工作，它包括语音识别、印 刷体字符识别、手写汉字识别等典型应用。人工神经网络是一种基于大量神经元广泛互 联的数学模型，具
3、有自学习、自组织、自适应的特点，与模式识别有密切的关系，在优 化计算，信号处理，智能控制等众多领域也得到广泛的应用。作为电子信息类本科专业的一门专业课。本课程的主要目的是通过对模式识别的基 本概念、基本理论和方法及应用范例的学习以及对模式识别理论的最新进展的介绍，使 学生能够掌握模式识别的基本概念、各种常用分类器的设计方法；基本的特征提取和选 择方法；以及在不利用样本或没有样本所属类别信息的情况下的非监督模式识别方法。 通过范例的学习，对模式识别的基本方法的应用有一个直观的认识，了解利用信号处理 技术和图像处理技术获取模式识别的特征方法。了解模式识别的现状和发展动向。本课 程为将来从事电子工程
4、与信息工程的工作和研究打下基础。本课程的先修课程有：高等数学、线形代数、概率论与数理统计。二、教学中应注意的问题本课程教学的难点主要有模式识别的贝叶斯决策理论，线性和非线性判别函数。近邻分类法。特征选择和特征提取技术。模式识别是当前信号处理和信息融合等领域的一个重要的研究热点，涉及内容广泛, 与实际问题联系密切。要在有限的较少的学时内让学生领悟和掌握模式识别的基本方法, 确实不是易事。因此在讲授过程中，应注意加强学生对本课程基本内涵的理解，强调让 学生清楚模式识别过程和基本方法，再将一些新型技术引入进来，引起学生的学习兴趣。三、教学内容模式识别是人工智能的一个重要分支，它所研究的理论和方法已应
5、用于许多领域。 本课程主要讲授统计模式识别的基本概念、常用的分类决策理论和分类算法、基本的特 征提取和选择方法以及最近的模式识别理论进展。主要内容如下：第1章绪论主要介绍模式识别的基本概念、模式识别的研究对象、模式识别系统的构成以及模 式识别的一些基本问题。1.1 模式识别和模式的概念1.2 模式识别系统1.3 关于模式识别的一些基本问题1.4 关于本书的内容安排第2章贝叶斯决策理论主要讲授几种常用的决策规则，包括贝叶斯准则、最小风险准则、最大最小准则、 最小错误率准则、Neyman-pearson准则、两类及多类决策，分类器的设计、分类器的错 误率等。2.1 引言2.2 几种常用的决策规则2
6、.3 正态分布时的统计决策2.4 关于分类器的错误率问题第3章概率密度函数的估计本章主要讲授概率密度函数的估计方法。该部分内容在概率论与数理统计中已作讲 授。因此可以不讲或略讲。3.1 引言3.2 参数估计的基本概念3.3 正态分布的监督参数估计3.4 非监督参数估计3.5 总体分布的非参数估计3.6 关于分类器错误率的估计问题第4章线性判别函数主要介绍线性判别函数以及广义线性判别函数的基本概念和线性分类港设计的基 本方法和主要步骤。学习常用的判别函数与准则，如：Fisher判别，感知准则函数，最 小错分样本准则、最小平方误差准则函数以及随机最小错误率线性判别函数等。4.1 引言4.2 Fis
7、her线性判别4.3 感知准则函数4.4 最小错分样本数准则4.5 最小平方误差准则函数4.6 随机最小错误率线性判别准则函数4.7 多类问题第5章非线性判别函数本章主要讲授非线性判别函数及非线性分类理论。主要包括分段线性判别函数及其 分段线性分类器设计的一般方法，以及二次判别函数等。5.1 分段线性判别函数的基本概念5.2 5用凹函数的并表示分段线性判别函数5.3 5用交遇区的样本设计分段线性分类器5.4 二次判别函数第6章近邻法本章主要讲授近邻分类法。包括最近邻法、k近邻法、减少近邻法的计算量和存储量的方法、最佳 距离近邻法等。6.1 最近邻法6.2 k近邻法6.3 关于减少近邻法计算量和
8、存储量的考虑6.4 可做拒绝决策的近邻法6.5 最佳距离度量近邻法第7章经验风险最小化和有序风险最小化方法由于学时关系，本章内容不讲。第8章特征的选择与提取本章主要讲授特征选择与提取方法。包括特征提取与选择的基本概念和区别、特征 选择与提取的判别准则，以及各种特征选择算法和特征提取方法。特征提取与选择的判 别准则主要讲述基本的类别可分性判据，包括：类内类间距离判据、基于概率分布的可 分性判据、基于函数的可分性判据。特征提取主要学习按欧氏距离度量的特征提取方法、 按概率距离判据的特征提取方法、用散度准则的特征提取方法以及基于判别蜡最小化的 特征提取、基于K.L变换的特征提取方法等。特征选择则讲授
9、最优搜索算法、次最优搜 索算法。9.1 基本概念9.2 类别可分离性判据9.3 特征提取9.4 特征选择9.5 特征选择的几种新方法第9章基于K-L展开式的特征提取由于学时关系，本章内容属于第8章的延伸，因此不作要求。第10章非监督学习方法主要讲授单峰子集分离方法及其迭代算法，类别分离的间接方法，包括动态聚类算 法和近邻函数准则算法，以及分级聚类算法。10.1 引言10.2 单峰子集（类）的分离方法10.3 类别分离的间接方法10.4 分级聚类方法10.5 非监督学习方法中的一些问题第11章人工神经网络人工神经网络是当前模式识别得前沿研究领域，本章仅介绍其基本内容。主要讲授人 工神经网络的基本
10、概念，前馈神经网络和感知器，神经网络模式识别的典型做法，达到抛砖引玉的效果。11.1 引言11.2 人工神经元11.3 前馈神经网络及其主要算法11.4 竞争学习和侧抑制11.5 自组织特征映射11.6 Hopfield 网络11.7 神经网络模式识别的典型做法11.8 前馈神经网络与统计模式识别的关系第12章模糊模式识别方法本章内容涉及到模糊数学基础，由于学时关系，不作要求。第13章统计学习理论和支持向量机统计学习理论和支持向量级(SVM)是近年来发展起来的模式识别新方法，能够较好 地解决小样本的学习问题，目前已成为国际上机器学习领域新的研究热点。本章仅介绍 其基本内容。主要包括：机器学习的
11、基本问题和方法、统计学习理论的核心内容及支持 向量机。13.1 引言13.2 机器学习的基本问题和方法13.3 统计学习理论的核心内容13.4 支持向量机第14章模式识别在语音信号数字处理中的应用举例本章和第15章是模式识别的两个应用举例。通过两个实际的例子介绍模式识别的 应用以及基本的处理思路和过程。本章作为例1,介绍模式识别在语音信号处理中的应 用，包括语音信号的特征提取、基音周期的提取和说话人识别系统的构成。14.1 说话人识别概述14.2 语音信号及其几个特性14.3 短时基音周期的估计14.4 一个说话人识别系统举例第15章印刷体汉字识别中的特征提取本章是应用举例2,介绍印刷体汉字识
12、别技术，包括汉字识别的基本知识、汉字特 征分析和提取以及分类与判别准则问题。15.1 印刷体汉字识别的基本知识15.2 印刷体汉字的统计特性及分析15.3 文字的归一化15.4 印刷体汉字识别中的一些特征15.5 分类问题15.6 判别准则四、教学课时分配教学课时分配表注：课时分配中的内容可根据课程需要进行设置。章内容课时分配（学时）课堂授课实验上机讨论课外备注1绪论22贝叶斯决策理论44线性判别函数65非线性判别函数26近邻法28特征的选择与提取610非监督学习方法211人工神经网络213统计学习理论和支持向量机214模式识别在语音信号数字处理中的应用举例215印刷体汉字识别中的特征提取2合计32总授课课时32五、建议教材及参考书目教材：模式识别（第二版），边肇祺，张学工等，清华大学出版社，2000参考书：1、模式浜别导论，沈清、汤霖编著，国防科技大学出版社，1997年2、模式识别导论，李金宗编著，哈尔滨工业大学出版社，1995年3、模式识别-原理、方法及应用，美马奎斯德萨著，吴逸飞译，科学出版社，2002 年4、模式识别，杨光正，中国科学科技大学出版社，2003192