《《模式识别基础》课程教学大纲.docx》由会员分享，可在线阅读，更多相关《《模式识别基础》课程教学大纲.docx（10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、模式识别基础教学大纲一、课程基本信息课程名称模式识别基础Fundamental of Pattern Recognition课程编码CTL110921020开课院部控制科学与工程学院课程团队模式识别与人工智能学分2.0课内学时32讲授32实验0上机0实践0课外学时32适用专业自动化授课语言双语先修课程线性代数、高等数学(2-1).高等数学(2-2).概率论与数理统计、信号与系统课程简介 (限选)本课程是自动化专业的限选课。本课程重点介绍模式识别概述、模式识别系统的基本框架、贝叶斯决策理论、线性判别函数、特征提 取、聚类等基础知识及模式识别系统评价方法，简单介绍神经网络和深度学习的模型和方法。通
2、过学习使学生了解模式识别在自动化工程 领域中的地位和作用及解决模式分类问题的正确方法。通过本课程的学习，进一步拓宽本科生的自动化知识，使本科生掌握模式识别的基 本知识，能设计实现简单的识别系统，具备系统模型选择、设计实现和结果的能力，同时为学生进入高层次学习打下良好的理论基础。This course is the distributional elective course of Automation. This course focuses on the overview of pattern recognition, the basic framework of pattern recog
3、nition; Bayes decision theory, linear discriminant functions, feature extraction, cluster, and evaluation of pattern recognition systems. The model and the training methods Neural Network and Deep Learning are introduced. By learning to enable students to understand the status and role of pattern re
4、cognition in automation area and the correct way to solve the problem of pattern classification. Through this course, to further expand the automation knowledge of undergraduate students, the undergraduate basic knowledge of pattern recognition, able to design and implement a simple recognition syst
5、em, with the ability of system model selection, design implementation and results. At the same time lay a solid theoretical foundation for students to enter the high level.负责人大纲执笔人审核人二、课程目标序号代号课程目标0BE毕业要求指标点任务自选1Ml目标1 ：根据所学模式识别知识能够具备系统输入的特征选择、识别模型选择、模型判别准则选择、是1.31.3系统的训练和识别结果分析、进行系统评估等的能力。2M2目标2 ： 了
6、解模式识别的国内外发展趋势和研究热点，能就模式识别领域相关问题进行综述和分析， 能够具备选择适合研究问题的参考方案的能力。是4. 14. 13M3目标3 ：根据所学模式识别的基本算法，能够具备根据调研的结果，选择建立适合问题的系统模型的 能力，并能够进行多种模型的简化或转换，了解各模型的特点和适用场合。是4.24.24M4目标4 ：根据所学模式识别的基本原理和编程方法，能够具备编程或调试程序实现对应的模式识别系 统，分析系统或算法的性能的能力。是4.34.35M5目标5：分组完成大作业，培养学生的团队协作意识，每个团队成员完成项目中的具体工作，如文件 检索、编写源代码、调试程序、撰写报告、制作
7、PPT答辩等。是9. 19. 1三、课程内容序号章节号标题课程内容/重难点支撑课 程目标课内 学时教学方式课外 学时课外环节1第1章第1章绪论本章重点难点：模式识别和模式的概念，学习模式识别的基本 知识，了解模式识别的流程和框架。/ /21.11.1模式识别概念 及发展模式、模式识别等基本知识。31讲授/讨论1自学31.21.2模式识别系统 框架模式识别系统的基本组成和流程，建立课程的知识体系架构。31讲授/讨论1自学4第2章第2章贝叶斯分 类本章重点难点：学习贝叶斯决策理论的知识，掌握基于贝叶斯 决策的识别系统设计方法。/52. 12.1贝叶斯决策理 论贝叶斯规则，贝叶斯分类准则，分类误差，
8、最小风险决策等的 简介。31讲授/讨论1项目62.22.2判别函数及决 策平面后验概率，最小风险，决策函数，决策面的概念32讲授/讨论2自学/项目72.32.3正态分布的贝 叶斯分类高斯概率密度函数，基于正态分布的贝叶斯决策方法，介绍简 单案例。32讲授/讨论2自学/项目82.42. 4样本分布概率最大似然估计，最大后验概率估计，贝叶斯推理，最大嫡估1讲授/讨论1自学/项目密度估计计，混合模型，非参数估计的知识。39第3章第3章线性分类器本章重点难点：线性判别函数的基本概念、感知准则函数，掌 握线性分类器的设计方法。/103. 13.1线性判别函数对于二分类问题的线性判别函数和判别准则。Ml,
9、 M2, M 3, M4, M52讲授/讨论2自学/项目113.23.2感知准则函数感知器的结构、梯度下降优化方法，感知器算法收敛性的证 明。3, M4, M52讲授/讨论2自学/项目123.33. 3最小平方误差 准则最小平方误差准则的基本原理和几何解释，多类综合。3, M4, M51讲授/讨论1自学/项目133.43.4均方差估计准 则均方误差准则的基本原理。3, M4, M51讲授/讨论1自学/项目143.53.5支持向量机支撑向量和最大化边界准则。3, M4, M52讲授/讨论2自学/项目15第4章第4章特征的选 择与提取本章重点难点：掌握特征提取、特征选择的常用方法，在实际 应用中的
10、应用。/164. 14.1数据预处理方 法特征向量，特征提取，剔除离群点，数据归一化，补充丢失数 据等。3, M4, M51讲授/讨论1自学/项目174.24.2类别可分离性 判据ROC曲线，发散度，散度矩阵等相关的判别方法。3, M4, M51讲授/讨论1自学/项目184.34. 3特征子集选择标量特征选择，次优搜索技术进行特征子集选择方法。3, M4, M51讲授/讨论1自学/项目194.44. 4最优特征生成主成分分析和线性判别分析方法原理与应用。3, M4, M52讲授/讨论2自学/项目20第5章第5章系统评估本章重点难点：掌握误差计算的方法和对系统评估的常用参数 及意义。/215.
11、15.1误差计算方法有限样本集合的错误样本统计方法，正确识别的概率估计。M1,M2,M31讲授/讨论1自学225.25. 2有限数据集挖 掘恢复方法，保留方法，保留一个方法，与正样本模式选择交叉 验证，混淆矩阵，召回率和准确率等。31讲授/讨论1自学23第6章第6章聚类：基 本概念本章重点难点：近邻准则/246. 16. 1近邻准则无监督学习的概念，不同的距离概念，判别准则。Ml, M2, M31讲授/讨论1自学256.26. 2 k均值聚类算 法k均值聚类算法基本原理。31讲授/讨论1自学266.36. 3均值漂移算法均值漂移算法的基本原理。31讲授/讨论1自学276.46. 4高斯混合模型
12、高斯混合模型的基本原理。31讲授/讨论1自学28第7章第7章深度学习本章重点难点：卷积神经网络/297. 17. 1 BP神经网络人工神经网络的基本概念、BP神经网络的基本原理。3, M4, M51讲授/讨论1自学/项目307.27. 2卷积神经网络卷积神经网络的基本概念与原理。3, M4, M51讲授/讨论1自学/项目317.37.3生成对抗网络生成对抗网络的基本概念与原理。3, M4, M51讲授/讨论1自学/项目327.47.4图卷积神经网 络图卷积神经网络的基本概念与原理。3, M4, M51讲授/讨论1自学/项目337.57.5元学习元学习基本概念、小样本学习。3, M4, M51讲
13、授/讨论1自学/项目四、考核方式序号考核环节操作细节总评占比1线上学习 和作业1、要求每章观看线上学习视频并进行讨论，统计观看线上资源学习情况评分。2、布置关于特征提取方法总结、贝叶斯分类器和线性分类器的总结等作业，根据完成情况评分。30%2综合系统 设计项目本课程要求设计完成一个模式识别的应用系统，实现数字识别或人脸识别，也可选择其他应用，可分组合作完成。该项 目综合考查学生对基本概念和基本识别模型的理解和应用，也综合训练学生的等方面的能力。最后根据完成系统的功能 和难度等情况、答辩汇报、提交的程序代码和项目报告等进行评分。70%五、评分细则序号课程目标考核环节大致占比评分等级1Ml线上学习
14、 和作业80%A-完成线上学习并积极参与讨论，较好地完成课后作业，作业思路清晰，分析正确并有知识点拓展。B-完成线上学习，参与讨论，较好地完成课后作业，作业思路清晰，分析正确。C-完成线上学习和课后作业，作业思路清晰，分析基本正确。D-未参与线上学习，作业抄袭，思路混乱，未能完成。2Ml综合系统 设计项目20%A-项目答辩汇报中算法原理阐述准确清楚，语言和流程描述规范，结果分析正确；项目报告格式规范，文 献综述部分内容完整，总结分析合理，有自己的设计思想和部分改进；源程序代码完整优化，界面友好， 运行结果正确。B-项目答辩汇报中算法原理阐述准确清楚，语言和流程描述规范，结果分析正确；项目报告格
15、式规范，内 容完整，总结分析合理，有自己的设计思想；源程序代码完整，运行结果正确。c-项目答辩汇报中算法原理阐述基本准确清楚，语言和流程描述规范，结果分析基本正确；项目报告格式 规范，文献综述部分内容完整，原理正确流程清楚，总结分析基本合理；源程序代码基本完整，运行结果 基本正确。D-项目答辩汇报中算法原理阐述不清楚，语言和流程描述不规范，结果分析不止确；项目报告格式不规范 或文献综述部分内容欠缺，实施方法内容不完整，总结分析合理；源程序代码不完整或运行结果不正确。3M2线上学习 和作业20%A-完成线上学习并积极参与讨论，较好地完成课后作业，作业思路清晰，分析正确并有知识点拓展。B-完成线上
16、学习，参与讨论，较好地完成课后作业，作业思路清晰，分析正确。c-完成线上学习和课后作业，作业思路清晰，分析基本正确。D-未参与线上学习，作业抄袭，思路混乱，未能完成。4M2综合系统 设计项目80%A-项目答辩汇报中算法原理阐述准确清楚，语言和流程描述规范，结果分析正确；项目报告格式规范，文 献综述部分内容完整，总结分析合理，有自己的设计思想和部分改进；源程序代码完整优化，界面友好， 运行结果正确。B-项目答辩汇报中算法原理阐述准确清楚，语言和流程描述规范，结果分析正确；项目报告格式规范，内 容完整，总结分析合理，有自己的设计思想；源程序代码完整，运行结果正确。C-项目答辩汇报中算法原理阐述基本
17、准确清楚，语言和流程描述规范，结果分析基本正确；项目报告格式 规范，文献综述部分内容完整，原理正确流程清楚，总结分析基本合理；源程序代码基本完整，运行结果 基本正确。D-项目答辩汇报中算法原理阐述不清楚，语言和流程描述不规范，结果分析不止确；项目报告格式不规范 或文献综述部分内容欠缺，实施方法内容不完整，总结分析合理；源程序代码不完整或运行结果不正确。5M3综合系统 设计项目100%A-项目答辩汇报中算法原理阐述准确清楚，语言和流程描述规范，结果分析正确；项目报告格式规范，文 献综述部分内容完整，总结分析合理，有自己的设计思想和部分改进；源程序代码完整优化，界面友好， 运行结果正确。B-项目答
18、辩汇报中算法原理阐述准确清楚，语言和流程描述规范，结果分析正确；项目报告格式规范，内 容完整，总结分析合理，有自己的设计思想；源程序代码完整，运行结果正确。C-项目答辩汇报中算法原理阐述基本准确清楚，语言和流程描述规范，结果分析基本正确；项目报告格式 规范，文献综述部分内容完整，原理正确流程清楚，总结分析基本合理；源程序代码基本完整，运行结果 基本正确。D-项目答辩汇报中算法原理阐述不清楚，语言和流程描述不规范，结果分析不止确；项目报告格式不规范 或文献综述部分内容欠缺，实施方法内容不完整，总结分析合理；源程序代码不完整或运行结果不正确。6M4综合系统 设计项目100%A-项目答辩汇报中算法原
19、理阐述准确清楚，语言和流程描述规范，结果分析正确；项目报告格式规范，文 献综述部分内容完整，总结分析合理，有自己的设计思想和部分改进；源程序代码完整优化，界面友好， 运行结果正确。B-项目答辩汇报中算法原理阐述准确清楚，语言和流程描述规范，结果分析正确；项目报告格式规范，内 容完整，总结分析合理，有自己的设计思想；源程序代码完整，运行结果正确。C-项目答辩汇报中算法原理阐述基本准确清楚，语言和流程描述规范，结果分析基本正确；项目报告格式 规范，文献综述部分内容完整，原埋止确流程清楚，总结分析基本合理；源程序代码基本完整，运行结果 基本正确。D-项目答辩汇报中算法原理阐述不清楚，语言和流程描述不
20、规范，结果分析不止确；项目报告格式不规范 或文献综述部分内容欠缺，实施方法内容不完整，总结分析合理；源程序代码不完整或运行结果不正确。7M5综合系统 设计项目100%A-项目答辩汇报中算法原理阐述准确清楚，语言和流程描述规范，结果分析正确；项目报告格式规范，文 献综述部分内容完整，总结分析合理，有自己的设计思想和部分改进；源程序代码完整优化，界面友好， 运行结果正确。B-项目答辩汇报中算法原理阐述准确清楚，语言和流程描述规范，结果分析正确；项目报告格式规范，内 容完整，总结分析合理，有自己的设计思想；源程序代码完整，运行结果正确。c-项目答辩汇报中算法原理阐述基本准确清楚，语言和流程描述规范，
21、结果分析基本正确；项目报告格式 规范，文献综述部分内容完整，原理止确流程清楚，总结分析基本合理；源程序代码基本完整，运行结果 基本正确。D-项目答辩汇报中算法原理阐述不清楚，语言和流程描述不规范，结果分析不止确；项目报告格式不规范 或文献综述部分内容欠缺，实施方法内容不完整，总结分析合理；源程序代码不完整或运行结果不正确。评分等级说明：A, B, C, D = 90-100, 70-89, 60-69, 0-59;六、教材与参考资料序号教学参考资料明细1图书 Pattern Recognition, Second Edition, Sergios Theodor id is and Konstantinos Koutroumbas, Academic Press, 2003. （*主教材）2图书 Pattern Classification, Second Edition, Richard 0. Duda Peter E. Hart David G. Stork, Wiley-Tnterscience Press, 2001. （*主教 材）