模式识别(研究生大纲).doc

模式识别 课程编码： 课程英文译名：Pattern Recognition 课程类别：学位课 开课对象：模式识别与智能系统 开课学期：第2学期 学分： 3 学分； 总学时： 48 学时； 理论课学时：48 学时； 实验学时：0 学时； 上机学时： 先修课程：学习本课程之前，应先学习《概率论》、《线性代数》课程。 教材： 《模式识别》清华大学出版社，2000年1月，第二版 参考书：【1】《数字图像处理》 Kenneth.R.Castleman著，朱志刚等译，电子工业出版社 1998年9月 一、课程的性质、目的和任务 《模式识别》是模式识别与智能系统硕士生一门学位课。模式识别就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。本课程的任务是使学生掌握模式识别的基本原理和方法，了解模式识别在实际系统中的应用。 课程的基本要求 通过本课程的学习，要求重点掌握统计模式识别的基本理论和应用。掌握统计模式识别方法中的特征提取和分类决策。掌握特征提取和选择的准则和算法，掌握监督学习的原理以及分类器的设计方法。基本掌握非监督模式识别方法。了解应用人工神经网络和模糊理论的模式识别方法。掌握模式识别的应用和系统设计。 教学方式 课程采用教师课堂讲授和学生课外自学相结合的教学方式。教师课堂讲模式识别方面的核心内容，学生通过阅读参考书和文献资料，进一步深入了解课程的最新研究成果。 四、课程的主要教学内容和学时分配 授课时数：48学时 主要内容： 第一章 绪论 1.1 模式和模式识别的概念 1.2 模式识别系统 1.3 关于模式识别的一些基本问题 第二章 贝叶斯决策理论 2.1 几种常用的决策规则 2.2 正态分布时的统计决策 2.3 分类器的错误率分析 第三章 概率密度函数的估计 3.1 参数估计的基本原理 3.2 监督参数估计 3.3非监督参数估计 第四章 线性判别函数 4.1线性判别函数和线性分类器的基本概念 4.2 常用准则函数的线性分类器设计 4.3 多类问题 第五章 非线性判别函数 5.1 分段线性判别函数的基本概念 5.2 分段线性分类器设计 5.3 二次判别函数 5.4 近邻法 第六章 特征的选择与提取 6.1 基本概念 6.2 类别可分离性 6.3 特征提取 6.4 特征选择 第七章 非监督学习方法 7.1 引言 7.2 单峰子集（类）的分离方法 7.3 类别分离的间接方法 7.4 分级聚类方法 第八章 模式识别的发展与应用 8.1 神经网络模式识别 8.2 模糊模式识别方法 8.3 识别方法在语音信号数字处理中的应用 8.4 印刷体汉字识别中的特征提取 五、习题及课外教学要求 通过习题巩固和加深对所学知识的理解，培养分析能力计算能力，为此要布置适量的习题。 六、考核方式及成绩评定 本课程期末进行考查，总评成绩平时作业占20%，五级计分。 大纲撰写人：