沈阳理工大学 模式识别与神经元网 2012版.doc

模式识别与神经元网课程教学大纲课程代码：030342001课程英文名称：Pattern Recognition Artificial Neural Network课程总学时：32 讲课：32 实验：0 上机：0适用专业：电子信息工程专业大纲编写（修订）时间：2011.7一、大纲使用说明（一）课程的地位及教学目标模式识别与神经元网是高等工业学校电子信息工程专业开设的一门的培养学生具有模式识别的专业必选课，本课程主要讲授统计模式识别以及神经网络的基本知识、基本理论、基本方法及其相关应用。在电子信息工程专业培养计划中，它是专业方向课。本课程在教学内容方面除基本知识、基本理论和基本方法的教学外，通过应用研究，着重培养学生的实际应用能力。 通过本课程的学习，学生将达到以下要求：1掌握模式识别的基本概念，基本原理和基本方法；2掌握人工神经网络的工作原理和典型算法及其在模式识别中的应用；3了解计算机分类识别事物和计算机分析数据的概念及典型方法；4了解模式识别与神经元网的新发展。（二）知识、能力及技能方面的基本要求 1.基本知识：掌握统计模式识别以及神经网络的基本知识、基本理论、基本方法及其相关应用等。 2.基本理论和方法：掌握模式识别的基本概念，模式识别系统的主要组成部分及其相应的研究方法、贝叶斯决策理论、概率密度函数的估计、线性判别函数、邻近法、模式特征的选择与提取、神经网络模式识别等。3.基本技能:掌握设计模式识别的基本方法等。（三）实施说明 1教学方法：课堂讲授中要重点对基本概念、基本方法和解题思路的讲解；采用启发式教学，培养学生思考问题、分析问题和解决问题的能力；引导和鼓励学生通过实践和自学获取知识，培养学生的自学能力；增加讨论课，调动学生学习的主观能动性；讲课要联系实际并注重培养学生的创新能力。 2教学手段：本课程属于技术基础课，在教学中采用电子教案、CAI课件及多媒体教学系统等先进教学手段，以确保在有限的学时内，全面、高质量地完成课程教学任务。（四）对先修课的要求本课程的教学必须在完成先修课程之后进行。本课程主要的先修课程有高等数学、概率论与数理统计、线性代数、数字信号处理及数字图像处理等。本课程将为电子信息工程专业课、课程设计以及毕业设计的学习打下良好基础。（五）对习题课、实践环节的要求 1对重点、难点章节（如贝叶斯决策理论、概率密度函数的估计、线性判别函数、邻近法、模式特征的选择与提取、神经网络模式识别等）应安排习题课，例题的选择以培养学生消化和巩固所学知识，用以解决实际问题为目的。 2课后作业要少而精，内容要多样化，作业题内容必须包括基本概念、基本理论及设计计算方面的内容，作业要能起到巩固理论，掌握计算方法和技巧，提高分析问题、解决问题能力，熟悉标准、规范等的作用，对作业中的重点、难点，课上应做必要的提示，并适当安排课内讲评作业。学生必须独立、按时完成课外习题和作业，作业的完成情况应作为评定课程成绩的一部分。 3安排大作业，大作业成绩作为平时成绩的一部分。（六）课程考核方式 1考核方式：笔试，开卷 2考核目标：在考核学生对模式识别的基本概念和基本方法的掌握程度，采用贝叶斯决策理论、概率密度函数的估计、线性判别函数、邻近法、模式特征的选择与提取、神经网络方法设计模式识别方法的能力。 3成绩构成：本课程的总成绩主要由三部分组成：平时成绩（包括作业情况、出勤情况等）占30%，期末考试成绩占70%。 最终理论考试、平时考核（包括中期考试、作业、小测验、提问等）考核成绩的总和。 （七）参考书目模式识别(第二版)，边肇祺，张学工等，清华大学出版社，2000模式识别原理、方法及应用，JPMarques de sa，清华大学出版社，2002模式识别，杨光正等，中国科学科技大学出版社，2003Neural Network Design，Martin T.Hagan，机械工业出版社，2002神经网络模式识别及其实现，潘蒂（美），电子工业出版社，1999二、中文摘要本课程是电子信息工程专业高年级本科生的专业选修课。模式识别是研究用计算机自动识别事物的一门科学，其目的是用机器完成类似于人类智能通过视觉、听觉等感官去识别外界环境所进行的工作，它包括语音识别、印刷体字符识别、手写汉字识别等典型应用。人工神经网络是一种基于大量神经元广泛互联的数学模型，具有自学习、自组织、自适应的特点，与模式识别有密切的关系，在优化计算，信号处理，智能控制等众多领域也得到广泛的应用。本课程主要介绍统计模式识别，以及神经网络与模糊模式识别的理论与方法及其相关应用。三、课程学时分配表序号教学内容学时讲课实验上机1第一章 引论441.1模式识别和模式的概念以及模式识别的发展简史111.2模式识别系统111.3关于模式识别的一些基本问题111.4关于本书的内容安排112第2章贝叶斯决策理论10102.1引言,补充数学知识222.2几种常用的决策规则 442.3正态分布时的统计决策 222.4关于分类器的错误率问题 223第3章概率密度函数的估计223.1引言113.2参数估计的基本概念114第4章线性判别函数114.1引言,线性判别函数的基本概念,广义线性判别函数,设计线性分类器的主要步骤115第5章非线性判别函数115.1引言，分段线性判别函数118第8章特征的选择与提取448.1基本概念118.2类别可分离性判据118.3特征提取118.4特征选择1111第11章人工神经网络8811.1引言1111.2人工神经元1111.3前馈神经网络及其主要算法2211.4竞争学习和侧抑制2211.5自组织特征映射1111.6Hopfield 网络1112总复习22合计3232第1部分 引论总学时(单位：学时):4 讲课:4 实验:0 上机:0 具体内容:1)模式识别和模式的概念以及模式识别的发展简史2)模式识别系统3)关于模式识别的一些基本问题4)关于本书的内容安排重 点: 模式识别系统；第2部分 贝叶斯决策理论 总学时(单位：学时):10 讲课:10 实验:0 上机:0第2.1部分 引言（讲课2学时） 具体内容:1)贝叶斯决策理论简介2)补充数学知识第2.2部分 几种常用的决策规则（讲课4学时） 具体内容:1) 基于最小错误率的贝叶斯决策2) 基于最小风险的贝叶斯决策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4) 最小最大决策5) 序贯分类方法6) 分类器设计重 点: 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，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，最小最大决策，分类器设计。难 点: 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，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，最小最大决策，分类器设计。习 题: p43. 2-1,2-2， 2-3,2-4,2.5,2-6第2.3部分 正态分布时的统计决策（讲课2学时） 具体内容:1)正态分布概率密度函数的定义及性质2)多元正态概率型下的最小错误率贝叶斯判别函数和决策面重 点: 正态分布概率密度函数的定义及性质。难 点: 正态分布概率密度函数的定义及性质。第2.4部分 关于分类器的错误率问题（讲课2学时） 总学时(单位：学时):2 讲课:2 实验:0 上机:0具体内容:1)在一些特殊情况下错误率的理论计算2)错误率的上界(38) 习 题: p44. 2-19第3部分 概率密度函数的估计总学时(单位：学时):2 讲课:2 实验:0 上机:0具体内容:1)了解概率密度函数的估计2)最大似然估计3)贝叶斯估计和贝叶斯学习重 点:最大似然估计，贝叶斯估计和贝叶斯学习难 点:最大似然估计，贝叶斯估计和贝叶斯学习习 题: p81. 3-1,3-3第4部分 线性判别函数 总学时(单位：学时):1 讲课:1 实验:0 上机:0具体内容:1)了解线性判别函数的基本概念2)广义线性判别函数3)设计线性分类器的主要步骤重 点: 广义线性判别函数，设计线性分类器的主要步骤难 点: 广义线性判别函数，设计线性分类器的主要步骤第5部分 非线性判别函数 总学时(单位：学时):1 讲课:1 实验:0 上机:0具体内容:1)了解非线性判别函数的基本概念2)掌握分段线性判别函数重 点: 分段线性判别函数难 点: 分段线性判别函数第6部分 特征的选择与提取 总学时(单位：学时):4 讲课:4 实验:0 上机:0具体内容:1)了解基本概念2)掌握类别可分离性判据3)掌握按欧氏距离度量的特征提取方法4)掌握按概率距离判据的特征提取方法5)掌握特征选择重 点:按欧氏距离度量的特征提取方法，按概率距离判据的特征提取方法，特征选择难 点:按欧氏距离度量的特征提取方法，按概率距离判据的特征提取方法，特征选择第5部分 人工神经网络 总学时(单位：学时):8 讲课:8 实验:0 上机:0具体内容:1)了解人工神经网络，生物神经元，人工神经元，神经元的学习算法2)掌握前馈神经网络及其主要算法：前馈神经网络，感知器，三层前馈网络，反向传播算法(BP法)，径向基函数网络，竞争学习和侧抑制3)了解