模式识别教学大纲

《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。