1、 模式識別教學大綱課程性質專業任選課課程編號 xx409411課程名稱模式識別適用專業電子信息工程先修課程 C語言程序設計、數字信號處理總學時32 其中理論 32 學時，實驗 0學時。學分數2一、課程簡介 模式識別課程是電子信息工程專業高年級本科生的一門選修課程，是研究利用計算機模式識別的基本理論和方法、應用。模式識別就是利用計算機對某些物理現象進行分類，在錯誤概率最小的條件下，使識別的結果盡量與事物相符。模式識別的原理和方法在醫學、軍事等眾多領域應用十分廣泛，是計算機及其相關專業進行科學研究的基礎。二、課程教學目標結合專業培養目標，提出本課程要達到的目標。這些目標包括：1、知識目標：認識模式

2、識別的目的和意義，了解模式識別的過程；理解統計分類法的基本思想，掌握幾何分類法和概率分類法的幾種典型算法；理解聚類分析的基本思想，掌握聚類分析的幾種典型算法。2、能力目標：使學生能應用計算機的模式識別處理自動識別事物，機器學習數據分析中有關的技術問題。由于本課程的目標是側重在應用模式識別技術，因此在學習內容上側重基本概念的講解，輔以必要的數學推導，使學生能掌握模式識別技術中最基本的概念，以及最基本的處理問題方法。學生在學習過程中還會用到一些概率論的最基本知識，線性代數中的部分知識，對學生在數學課中學到知識的進一步理解與鞏固起到溫故而知新的作用。三、課程教學基本要求由于本課程的目標是側重在應用模

3、式識別技術，因此在學習內容上側重基本概念的講解，輔以必要的數學推導，使學生能掌握模式識別技術中最基本的概念，以及最基本的處理問題方法。本課程安排了一些習題，以便學生能通過做練習與實驗進一步掌握課堂知識，學習了本課程后，大部分學生能處理一些簡單模式識別問題，如設計獲取信息的手段，選擇要識別事物的描述方法以及進行分類器設計四、課程教學模塊（或教學內容）與學時分配序號教學模塊知識點學時1項目一模式識別引論(1)掌握模式和模式識別的概念(2)了解模式識別的發展和應用(3)熟悉模式識別的研究方法22項目二Bayes決策理論(1)掌握最小錯誤概率和最小風險的Bayes決策(3)掌握NeymanPearso

4、n決策(4)掌握最小最大決策(5)掌握Bayes分類器和判別函數(6)掌握正態分布時和離散情況的Bayes決策法則43項目三概率密度函數的估計(1)掌握參數估計的基本概念(2)掌握正態分布的監督參數估計和非監督參數估計的方法(3)熟悉分類器錯誤率的估計問題44項目四線性判別函數(1)掌握線性判別函數和決策面的概念(2)掌握感知準則函數和梯度下降法(3)掌握最小平方誤差準則函數及其應用(4)了解分段線性判別函數(5)掌握Fisher線性判別函數及其應用45項目五近鄰法(1)掌握最近鄰法的決策規則(2)熟悉最近鄰法的錯誤率分析(3)掌握k -近鄰法的基本原理(4)了解減少近鄰法的計算量、存儲量的基

5、本思路(5)掌握具有拒絕決策的近鄰法的基本思想(6)了解近鄰法的問題、發展、改進。46項目六特征的抽取和選擇(1)掌握按歐氏距離度量的特征提取方法的原理(2)掌握特征選擇最優搜索算法的原理(3)掌握特征選擇順序前進、順序后退算法原理，及其結合算法的思路(4)掌握遺傳算法用于特征選擇的算法思路47項目七非監督學習方法(1)基于投影、兩維顯示的單峰子集分離法的基本思路；(2)C-均值算法的基本思路；(3)近鄰函數準則算法的基本思路；(4)分級聚類算法的基本思路；(5)非監督學習應當注意什么問題48項目八聚類分析（1）掌握典型的聚類方法，熟悉動態聚類方法的基本原理；（2）了解分級聚類方法分析以及使用

6、不同相似度計算方法的影響。49項目九人工神經網絡在模式識別中的應用(1)熟悉人工神經元的基本知識(2)掌握基于三層前向人工神經網絡BP算法的基本思想；(3)掌握競爭學習和側抑制的基本思想；(4)掌握自組織特征影射的基本思路；(5)掌握Hopfield網絡的實現；(6)了解解決XOR問題的BP網絡的樣本描述、激活函數，以及各連接權、閾值的結果；(7)能夠結合參考文獻討論基于BP網絡的模式識別的應用2五、教學方法與策略以教師課堂講授為主，配合多媒體教學手段。開設習題討論課。加強課外答疑、輔導。六、學生學習成效考核方式課程學習成效的考核方式可以多樣化，建議按如下考核方式進行。考核環節構成（均為100分制）評分依據占總成績的比重上課出勤10分上課缺席一次扣2 分，缺課達1/3取消資格。占20%；平時成績20分包括習題作業和課堂練習占10%；期末成績70分筆試占70%六、選用教材張學工等，模式識別（第三版），清華大學出版社，2010.8七、參考資料主要參考書目：1西格爾斯.西奧多里蒂斯、康斯坦提諾斯.庫特龍巴斯，模式識別（第四版），電子工業出版社，2016年2楊淑瑩，模式識別