1、课程中文名称：模式识别原理与技术（课程代码：系统生成，不必填写）课程中文名称：模式识别原理与技术（课程代码：系统生成，不必填写）课程英文名称：课程英文名称：The Principle and Technology of Pattern Recognition学分学分：2总学时总学时：32开课学院开课学院：信息科学与技术学院层层次次：学术硕士研究生主要面向学科（类别主要面向学科（类别） ：控制科学与工程学科/领域（与培养方案保持一致）预备知识预备知识：概率论与数理统计，最优化理论，数据结构课程学习目的与要求课程学习目的与要求：通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法
2、和算法，具有初步设计、实现模式识别中比较简单的分类器算法的能力，从而为学生进一步从事该方向的学习与研究工作打下基础。 要求重点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。掌握模式识别的应用和系统设计。课程主要内容课程主要内容：一、一、绪论（绪论（2 2 学时）学时）1 模式和模式识别的概念2 模式识别系统3 关于模式识别的一些基本问题二、二、贝叶斯决策理论（贝叶斯决策理论（6 6 学时）学时）1 引言2 几种常用的决策规则2.1 基于最小错误率的贝叶斯决策2.2 基于最小风险的贝叶斯决策2.3
3、在限定一类错误率条件下使另一类错误率为最小的两类别决策2.4 判别函数、决策面与分类器设计3 正态分布时的统计决策3.1 正态分布概率密度函数的定义与性质3.2 正态分布概率模型下的最小错误率贝叶斯决策3 分类器的错误率分析4 小结三、三、概率密度函数的估计（概率密度函数的估计（4 4 学时）学时）1. 什么是概率总体的估计？2 正态分布的监督参数估计2.1 极大似然估计2.2 贝叶斯估计2.3 贝叶斯学习2.4 极大似然估计、Bayes 估计和 Bayes 学习之间的关系*3 非参数估计3.1 概率密度函数估计的基本方法3.2 密度函数估计的收敛性4 小结四、四、线性判别函数（线性判别函数（
4、6 6 学时）学时）1 引言2 线性分类器2.1 线性判别函数的基本概念2.2广义线性判别函数2.3线性分类器设计步骤2.4Fisher 线性判别函数2.5感知准则函数2.6多类问题3 非线性判别函数3.1 非线性判别函数与分段线性判别函数3.2 基于距离的分段线性判别函数3.3 错误修正算法3.4 局部训练法4 近邻法4.1 最近邻法决策规划4.2 近邻法错误率分析4.3 改进的近邻法5 支持向量机5.1 线性可分条件下的支持向量机最优分界面5.2 线性不可分条件下的广义最优线性分界面5.3 特征映射法、解决非线性判别分类问题5小结五、五、描述量选择及特征的组合优化描述量选择及特征的组合优化
5、（8 8 学时）学时）1 基本概念2 类别可分离性判据3 按距离度量的特征提取方法3.1 基于距离的可分性判据3.2 按欧氏距离度量的特征提取方法4 按概率距离判据的特征提取方法4.1 基于概率分布的可分性判据4.2 按概率距离判据提取特征5 基于熵函数的可分性判据5.1 基于熵函数的可分性判据5.2 相对熵的概念及应用举例6 基于 KarhunenKarhunenLoeveLoeve 变换的特征提取6.1 KarhunenKarhunen-LoeveLoeve 变换6.2 KarhunenKarhunen-LoeveLoeve 变换的性质6.3 使用 KK-LL 变换进行特征提取7 特征提取
6、方法小结8 特征选择*第六章 非监督学习法（4 学时）6.1 引 言6.2 单峰子类的分离方法6.2.1 投影法6.2.2 基于对称集性质的单峰子集分离法6.3 聚类方法6.3.1 动态聚类方法6.3.2 分级聚类方法6.4 非监督学习方法中的一些问题6.5 本章小节二、二、XXXXXXXXXXXXXXXXXXXXXXXX（X X 学时）学时）.三、三、XXXXXXXXXXXXXXXXXXXXXXXX（X X 学时）学时）.课程考核要求：课程考核要求：1.考核形式，如闭卷考试2.成绩评定规则，如综合成绩=期末考试成绩*70%+平时成绩*30%主要参考书主要参考书：1.主要作者.书名.出版社，出版年2.主要作者.书名.译者.出版社，出版年3.主要作者.题名.期刊/报纸名，年，卷（期）/出版日期（版次）撰写人：年月日学院盖章：教授委员会主任签字：年月日
