模式识别教学大纲
天津大学模式识别2课程教学大纲
天津大学《模式识别2》课程教学大纲课程代码：2160265 课程名称：模式识别2学 时： 20 学 分： 1学时分配： 授课：12 上机：8 实验： 实践： 实践（周）：授课学院： 计算机学院适用专业： 计算机科学与技术先修课程： 高等数学，线性代数，概率统计一．课程的性质与目的本课程讲授模式识别的基本理论与基本方法。
具体介绍模式识别问题定义，贝叶斯分类器，错误率估计，概率密度估计，窗方法，线性判别分类器，多类别分类，紧邻法，支持向量机，人工神经网络，分类树，K均值聚类，分级聚类等基础模式识别算法的理论和实际使用方法。
二．教学基本要求要求学生了解模式识别的基本理论，掌握基本算法原理，能够根据给出的数据和要求，选择合适的算法，使用现有的软件解决模式识别的模型训练，测试，性能评价问题。
三．教学内容第一章：模式识别的问题定义与数据收集介绍模式识别的问题定义方法，数据形式，模型形式，并指导学生进行一次实际的数据收集。
实践内容：收集包括身高，体重，性别三个维度的数据，并按照模式识别的数据要求进行整理第二章：贝叶斯分类器及其性能评价介绍贝叶斯分类器，两种错误的概念及其估计，证明最小错误率分类器，介绍概率密度估计的基本理论，窗估计方法，介绍性能评价体系，交叉验证的概念，过学习的概念，推广性的概念。
实践内容：利用第一章中收集的数据，建立贝叶斯分类器并进行性能评价。
第三章：线性分类器介绍线性分类器的基本理论，Fisher线性判别器，线性分类器的性能评价。
实践内容：利用第一章的数据，建立Fisher线性分类器，并进行性能评价。
第四章：人工神经网络和支持向量机简介介绍人工神经网络的基本概念和算法，反向传播（BP）训练算法，支持向量机基本概念和算法。
简单介绍统计机器学习理论（SLT）的最基本概念：VC维，泛化能力，模型选择定理。
实践内容：利用第一章中的数据，建立人工神经网络和支持向量机模型，并进行性能评价。
第五章：紧邻法介绍紧邻法的基本理论和方法，紧邻法的错误率边界定理，紧邻法的实现技术，紧邻法在应用上的优势与局限，稀疏性问题。
DX3004模式识别与人工智能--教学大纲
《模式识别与人工智能》课程教学大纲一、课程基本信息课程代码：DX3004课程名称：模式识别与人工智能课程性质：选修课课程类别：专业与专业方向课程适用专业：电气信息类专业总学时： 64 学时总学分： 4 学分先修课程：MATLAB程序设计；数据结构；数字信号处理；概率论与数理统计后续课程：语音处理技术；数字图像处理课程简介：模式识别与人工智能是60年代迅速发展起来的一门学科，属于信息，控制和系统科学的范畴。
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。
模式识别技术主要分为两大类：基于决策理论的统计模式识别和基于形式语言理论的句法模式识别。
模式识别的原理和方法在医学、军事等众多领域应用十分广泛。
本课程着重讲述模式识别的基本概念，基本方法和算法原理，注重理论与实践紧密结合，通过大量实例讲述如何将所学知识运用到实际应用之中去，避免引用过多的、繁琐的数学推导。
这门课的教学目的是让学生掌握统计模式识别基本原理和方法，使学生具有初步综合利用数学知识深入研究有关信息领域问题的能力。
选用教材：《模式识别》第二版，边肇祺，张学工等编著[M]，北京：清华大学出版社，1999；参考书目：[1] 《模式识别导论》，齐敏，李大健，郝重阳编著[M]. 北京：清华大学出版社，2009；[2] 《人工智能基础》，蔡自兴，蒙祖强[M]. 北京：高等教育出版社，2005；[3] 《模式识别》，汪增福编著[M]. 安徽：中国科学技术大学出版社，2010；二、课程总目标本课程为计算机应用技术专业本科生的专业选修课。
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。
了解模式识别的应用和系统设计。
04010290模式识别导论
《模式识别导论》课程教学大纲一、课程基本信息课程编号：04010290课程中文名称：模式识别导论课程英文名称：Introduction of Pattern Recognition课程性质：专业任意选修课考核方式：考查开课专业：自动化、探测制导与控制技术开课学期：7总学时：24 （其中理论24学时，实验0学时）总学分：1.5二、课程目的和任务通过本课程的学习，使学生了解当前模式识别理论的发展现状，初步掌握模式识别的基本方法，使学生对模式、模式识别等基本概念有明确地认识，具有实用统计模式识别完成模式分类的能力。
三、教学基本要求（含素质教育与创新能力培养的要求）1、掌握模式、模式识别的含义；2、掌握基于Bayes决策理论的模式分类方法；3、掌握线性分类的基本方法；4、掌握近邻法；5、了解聚类分析的基本方法；6、了解特征提取的基本方法。
四、教学内容与学时分配第一章绪论（2学时）模式和模式识别；模式识别的发展和应用；模式识别的研究方法。
第二章Bayes决策理论（4学时）最小错误率的Bayes决策；最小风险的Bayes决策；Bayes分类器和判别函数；正态分布模式的Bayes分类器；均值向量和协方差矩阵的估计。
第三章线性判决函数（4学时）线性判决函数和决策面；最小距离分类器；感知机准则函数；平方误差准则函数；多类模式的线性分类器。
第四章非线性判决函数（4学时）分段线性判别函数；近邻法；K－近邻法；快速近邻法。
第五章聚类分析（4学时）模式相似性测度和聚类准则；分级聚类法；C—均值算法。
第六章特征提取（6学时）类别可分性准则；特征选择；基于距离的特征提取；基于K-L变换的特征提取。
五、教学方法及手段（含现代化教学手段）课堂讲授、专题讨论。
六、实验（或）上机内容无七、前续课程、后续课程前续课程：概率论与数理统计、线性代数后续课程：无八、教材及主要参考资料教材：[1] 黄凤岗，宋克欧. 模式识别[M]. 哈尔滨：哈尔滨工程大学出版社，1998.主要参考资料：[1] 杨光正等. 模式识别[M].合肥：中国科技大学出版社，2000.[2] 边肇祺，张学工. 模式识别[M].北京：清华大学出版社，2000.撰写人签字：院（系）教学院长（主任）签字：。
模式识别课程教学大纲
《模式识别》课程教学大纲课程编号：50420361课程名称：模式识别英文名称：Pattern Recognition课程类别：专业限选课学分：2学时：40开课学期：一开课周次：11-20开课教研室：自动化系计算机控制教研室任课教师及职称：刘禾教授先修课程：概率论适用专业：模式识别与智能系统、控制理论与控制工程课程目的和基本要求：课程设置的目的使硕士研究生掌握模式识别的基本理论与方法。
通过课程学习要求学生掌握模式识别的基本理论与方法，了解这些理论与方法的一些典型应用。
通过本课程学习使学生初步具有运用相应理论解决实际问题的能力。
课程主要内容：本课程总学时40学时，从统计模式识别、聚类分析和模糊模式识别等几个方面介绍模式识别的基本理论和知识,全部课程内容分九章，各章具体内容、学时分配如下：第一章概述（4 学时）内容：模式识别分类、系统构成、一些模式识别实用技术和模式识别系统评价方法。
第二章贝叶斯分类方法（4学时）内容：几种常用的分类决策方法：如基于最小错误率的贝叶斯决策、基于最小风险的贝叶斯决策和最大最小决策等。
介绍分类器设计一般规则。
第三章特征的选择与提取（2学时）内容：特征的选择原则和基本方法，特征提取对分类的影响分析。
第四章线性判别函数（4学时）内容：线性分类的基本概念和线性判别函数基本形式，Fisher线性判别方法，支持向量机和多类问题的分类方法。
第五章非线性判别函数（4学时）内容：非线性的分段线性判别方法，特征空间变换，非线性空间的支持向量机和决策树方法。
第六章人工神经网络（8学时）内容：神经网络基础，常用神经网络介绍，基于神经网络的模式识别方法。
第七章聚类分析（6学时）内容：模式的相似性测度，类的定义及类间距和各种聚类算法介绍，如层次聚类算法、动态聚类法和概念合取聚类法等。
第八章模糊模式识别方法（4学时）内容：模糊集、模糊关系和模糊分类方法。
第九章应用举例（4学时）内容：介绍国内外最新研究成果和应用实例。
模式识别课程实验教学大纲
《模式识别》课程实验教学大纲一、制定实验教学大纲的依据根据本校《2004级本科指导性培养计划》和《模式识别》课程教学大纲制定。
二、本课程实验教学在培养实验能力中的地位和作用《模式识别》课程是电子信息专业、自动化专业教学计划一门以应用为基础的专业选修课。
是研究如何用机器去模拟人的视觉、听觉、触觉以识别外界环境的理论与方法，其主要任务是使学生获得如何对对象进行分类的有关理论和方法方面的知识。
实验课是本课程重要的教学环节,其目的是使学生掌握统计模式识别的基本分类方法的算法设计及其验证方法，通过接受设计性实验的训练，以提高学生的分析、解决问题的能力。
三、本课程应讲授的基本实验理论1、非监督参数估计的基本原理；2、比较监督参数估计、非监督参数和非参数估计三种样本集估计概率密度方法的差异；3、用Parzen窗法进行总体分布非参数估计的原理；4、Kn近邻法进行总体分布非参数估计的原理；5、感知器算法的基本思想；6、应用感知器算法实现线性可分样本的分类方法；7、高维特征空间向低维特征空间转换的Fisher准则方法。
四、实验教学应达到的能力要求1、掌握根据概率密度用MATLAB生成实验数据的原理和方法；2、掌握用Parzen窗法和Kn近邻法进行总体分布的非参数估计方法，以加深对非参数估计基本思想的认识和理解；3、通过自编程序和程序运行结果，说明Parzen窗法和Kn近邻法各自的优缺点；4、掌握根据已知类别的样本用感知准则进行线性判别函数设计的方法；5、通过编制程序，实现感知器准则算法，并实现线性可分样本的分类；6、掌握高维特征空间向低维特征空间转换的Fisher准则方法；7、通过编制程序并上机运行体会Fisher线性判别的基本思路，理解线性判别的基本思想，掌握Fisher线性判别问题的实质。
五、学时、教学文件学时：本课程总学时为32学时,其中实验为4学时，占总学时的13％。
教学文件：校编《模式识别实验指导书》；实验报告学生自拟。
机器学习与模式识别-教学大纲
《机器学习与模式识别》教学大纲课程编号：071243B课程类型：□通识教育必修课□通识教育选修课■专业必修课□专业选修课□学科基础课总学时：48讲课学时：32 实验（上机）学时：16学分：3适用对象：计算机科学与技术专业先修课程：程序设计基础与应用、数据结构、高等数学、算法导论一、教学目标《机器学习与算法导论》是计算机科学技术专业的一门专业选修课程。
本课程是面向计算机技术开设的专业选修课。
其教学重点是使学生掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。
模式识别部分是研究计算机模式识别的基本理论、方法和应用。
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、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。
学生通过本门课程的学习，能够对机器学习和模式识别的内容有一个较为全面的了解和认识，更深刻地理解机器学习的实质内容，使学生具备前沿的计算机技术必要的专业知识。
从而，为学生今后从事计算机技术应用与计算机技术前沿研究，以及相关领域的科学研究做好理论和技术上的准备。
目标1：通过对机器学习与模式识别基本概念、原理、和基本方法的讲解，让学生理解并掌握机器学习和模式识别的基本技术。
目标2：培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。
目标3：鼓励学生运用知识解决各自学科的实际问题，培养他们的独立科研的能力和理论联系实际的能力。
二、教学内容及其与毕业要求的对应关系（黑体，小四号字）本课程主要介绍决策论与信息论基础、概率分布、回归的线性模型、分类的线性模型、核方法、支持向量机、图模型、混合模型和期望最大化、隐Markov 模型和条件随机场模型、统计决策方法、概率密度函数的估计、线性分类器、非线性分类器、其他分类方法、特征选择、特征提取、非监督模式识别、模式识别系统的评价等。
《模式识别及应用》课程教学大纲
《模式识别及应用》课程教学大纲编号：英文名称：Pattern Recognition and Its Applications适用专业：电子信息工程责任教学单位：电子工程系电子信息教研室总学时：32学分：2.0考核形式：考查课程类别：专业课修读方式：必修教学目的：模式识别是电子信息工程专业的一门专业必修课。
通过该课程的学习，学生能够掌握模式识别的基本理论和主要方法，并且能掌握在大量的模式样本中获取有用信息的原理和算法，通过课外上机练习，学会编写模式识别的算法程序，达到理论和实践相结合的目的，使学生了解模式识别的应用领域，为将来从事这一方面的研究打下初步基础。
本课程的主要教学方法：本课程以理论教学为主，实践教学为辅。
本课程与其他课程的联系与分工：本课程的先修课程是线性代数、概率与数理统计。
它与数字图像处理课可并开。
所学知识可以直接应用于相关课题的毕业设计中，并可为学生在研究生阶段进一步深入学习模式识别理论和从事模式识别方向的研究工作打下基础。
主要教学内容及要求：由于本课程的目标是侧重在应用模式识别技术，因此在学习内容上侧重基本概念的讲解，辅以必要的数学推导，使学生能掌握模式识别技术中最基本的概念，以及最基本的处理问题方法。
本课程安排了一些习题，以便学生能通过做练习与实验进一步掌握课堂知识，学习了本课程后，大部分学生能处理一些简单模式识别问题，如设计获取信息的手段，选择要识别事物的描述方法以及进行分类器设计。
第一部分模式识别及应用概述教学重点：模式识别的概念。
教学难点：模式识别的概念。
教学要点及要求：理解模式识别系统，模式识别的应用；掌握模式识别的概念。
第二部分统计模式识别——概率分类法教学重点：概率分类的判别标准。
教学难点：概率分类的判别标准，正态密度及其判别函数。
教学要点及要求：了解密度函数的估计；理解正态密度及其判别函数：（1）正态密度函数，（2）正态分布样品的判别函数；掌握概率分类的判别标准：（1）Bayes法则，（2）Bayes风险，（3）基于Bayes法则的分类器，（4）最小最大决策，（5）Neyman-pearson决策。
《模式识别原理与技术》课程大纲
《模式识别原理与技术》课程大纲课程名称（中文）：模式识别原理与技术课程名称（英文）：Pattern Recognition Principles and Techniques课程编码：Y0703034C开课单位：电气信息学院授课对象：任课教师：郑胜学时：32 学分：2 学期：2考核方式:平时成绩占百分之30，考试成绩(可开卷)占百分之70先修课程：概率论、线性代数、数字信号处理等课程简介：一、教学目的与基本要求：（150字以内）这门课的教学目的是让学生掌握模式识别的基本原理和方法。
本课程的主要任务是，通过对模式识别的基本理论和方法、应用实例的学习，使学生掌握模式识别的基本理论与方法，培养学生利用模式识别方法、运用技能解决本专业及相关领域实际问题的能力，为将来继续深入学习或进行科学研究打下坚实的基础。
通过各教学环节，本课程应达到下列要求：认识模式识别的目的和意义，了解模式识别的过程；理解统计分类法的基本思想，掌握几何分类法和概率分类法的几种典型算法；理解聚类分析的基本思想，掌握聚类分析的几种典型算法。
二、课程内容与学时分配1、课程主要内容：（200字以内）1)绪论2)贝叶斯决策理论3)概率密度函数的估计4)线性判别函数5)聚类分析6)特征提取/选择7)人工神经网络及支持向量机在模式识别中的应用2、课程具体安排：（按教学章节编写，重点章节下划线）三、实验、实践环节及习题内容与要求四、教材及主要参考文献（顺序为：文献名，作者，出版时间，出版单位）：1. 模式识别导论. 李金宗. 1994年. 高等教育出版社2. 模式识别. 边肇祺. 2000年1月第2版. 清华大学出版社3. Pattern Recognition（第二版）. Sergios Theodoridis. Konstantinos Koutroumbas. 机械工业出版社. 2006年撰写人：郑胜学位分委员会签字：学院主管研究生教学院长签字：。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
《模式识别》教 学 大 纲
一．课程性质与教学目的
本课程是计算机科学与技术专业研究生一年级的专业选修课，是研究计算机模式识别的
基本理论、方法和应用。本课程的教学目的是，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、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本
专业和相关领域的实际问题的能力。
二．课程要求
重点掌握下列几方面的知识。
（1）贝叶斯决策理论。
（2）概率密度函数的估计。
（3）线性差别函数。
（4）非线性差别函数。
（5）近邻法。
（6）特征的选择与提取。
（7）基于K-L展开式的特征提取。
（8）非监督学习方法。
（9）人工神经网络。
（10）模糊模式识别方法。
（11）统计学习理论 支持向量机。
三．教学内容及要求
教学内容 教学要求
第1章 概论 1.1模式与模式识别 1.2模式识别的主要方法 1.3监督模式识别与非监督模式识别 1.4模式识别系统举例 1.5模式识别系统的典型构成 了解模式识别的相关常识与概念，以及一
些基本问题
第2章 统计决策方法 2.1引言：一个简单的例子 2.2最小错误率贝叶斯决策 2.3最小风险贝叶斯决策 2.4两类错误率、neyman-pearson决策与roc1.理解最小错误率贝叶斯决策和最小风
险贝叶斯决策，
2.理解正态分布时的统计决策
3.理解错误率的计算
曲线
2.5正态分布时的统计决策
2.6错误率的计算
2.7离散概率模型下的统计决策举例
第3章 概率密度函数的估计 3.1引言 3.2最大似然估计 3.3贝叶斯估计与贝叶斯学习 3.4概率密度估计的非参数方法 了解最大似然估计、贝叶斯方法与概率密
度估计。
第4章 线性分类器 4.1引言 4.2线性判别函数的基本概念 4.3fisher线性判别分析 4.4感知器 4.5最小平方误差判别 4.6最优分类超平面与线性支持向量机 4.7多类线性分类器 1.理解线性判别函数的基本概念
2.理解fisher线性判别分析
3.理解感知器和最小平方误差判别
4.了解最优分类超平面与线性支持向量
机
5.了解多类线性分类器
第5章 非线性分类器 5.1引言 5.2分段线性判别函数 5.3二次判别函数 5.4多层感知器神经网络 5.5支持向量机 5.6核函数机器 1.理解分段线性判别函数和二次判别函
数
2.理解多层感知器神经网络
3.理解支持向量机和核函数机器
第6章 其他分类方法. 6.1近邻法 6.2决策树与随机森林 6.3罗杰斯特回归 6.4boosting方法 1.理解近邻法和决策树与随机森林
2.理解罗杰斯特回归
3.了解boosting方法
第7章 特征选择 7.1引言 7.2特征的评价准则 7.3特征选择的最优算法 7.4特征选择的次优算法 7.5特征选择的遗传算法 7.6以分类性能为准则的特征选择方法 1．理解特征的评价准则
2．理解特征选择的各种算法
3. 理解以分类性能为准则的特征选择方
法
第8章 特征提取 8.1引言 1．掌握基于类别可分性判据的特征提取
2．掌握主成分分析方法
8.2基于类别可分性判据的特征提取 8.3主成分分析方法 8.4karhunen-loeve变换 8.5k-l变换在人脸识别中的应用举例 8.6高维数据的低维显示 8.7多维尺度法 8.8非线性变换方法简介 3．理解karhunen-loeve变换
4. 理解高维数据的低维显示和多维尺度
法
5.了解非线性变换方法
第9章 非监督模式识别 9.1引言 9.2基于模型的方法 9.3混合模型的估计 9.4动态聚类算法 9.5模糊聚类方法 9.6分级聚类方法 9.7自组织映射神经网络 1．了解基于模型的方法
2．理解混合模型的估计
3. 理解动态聚类算法、模糊聚类方法和
分级聚类方法
6. 了解自组织映射神经网络
第10章 模式识别系统的评价 10.1监督模式识别方法的错误率估计 10.2有限样本下错误率的区间估计问题 10.3特征提取与选择对分类器性能估计的影响 10.4从分类的显著性推断特征与类别的关系 10.5非监督模式识别系统性能的评价 理解错误率估计、区间估计以及分类器性
能估计等模式识别系统的评价方法
四．使用教材和教学参考书
使用教材
：
张学工编，模式识别，清华大学出版社，2010年8月。
教学参考书：
1、边肇祺编，模式识别，清华大学出版社。
2、范九伦等编，模式识别导论，西安电子科技大学出版社。