模式识别课程教学大纲

模式识别课程教学大纲课程英文名称：PatternRecognition课程编号：0500670学分：3学时：48课程教学对象数学与计算科学学院信息与计算科学专业、应用数学专业本科学生。课程性质及教学目的课程性质：专业选修课。教学目的:通过本课程的学习，让学生掌握用计算机识别事物的基本原理、方法，掌握模式识别中最基本的概念，了解计算机分类识别事物(监督学习)和计算机分析数据(非监督学习)的概念及基本方法，了解人工神经元网络的工作原理及其在模式识别中的应用，为将来继续深入学习或进行科学研究打下坚实的基础。同时，通过实验使学生掌握应用模式识别基本原理和基本方法解决实际问题的基本技巧，培养学生应用理论知识解决实际问题的能力。对先修知识的要求学生在学习本课之前，应先修：数学分析、高等代数、概率论与数理统计、数字图像处理等相关课程。课程的主要内容、基本要求和学时分配建议（总学时数:32）知识模块知识点要求学时学习方式课外学习要求1、绪论1.1模式识别和模式的概念C1课堂讲授1.2模式识别研究的主要内容C1课堂讲授2、线性变换与特征提取2.1主元分析分析（PCA）B2课堂讲授2.2线性判别分析（LDA）B2课堂讲授2.3DFT变换，DCT变换C2课堂讲授2.4核PCA方法，核LDAB2课堂讲授2.5小波变换C2课堂讲授3、贝叶斯决策理论3.1贝叶斯决策理论B2课堂讲授3.2正态条件下的贝叶斯分类器B2课堂讲授3.3最小错误概率准则、最小风险准则B1课堂讲授3.4贝叶斯估计法和Parzen窗函数法C1课堂讲授4、线性分类器4.1欧氏距离分类器B1课堂讲授4.2线性判别函数B1课堂讲授4.3广义线性判别函数C1课堂讲授4.4线性SVM分类器C2课堂讲授5、非线性分类器5.1神经网络分类器C2课堂讲授5.2Parzen分类器和非线性SVM分类器C2课堂讲授5.3KNR分类器KND分类器B2课堂讲授6、聚类分析6.1邻近测度和相似性测度A2课堂讲授6.2序惯聚类B1课堂讲授注：知识点中粗体字部分为本课程的重点或难点（按照本课程知识体系列出知识模块及知识点，其中重点或难点用粗体字标注；要求按“了解（C）”、“熟悉（B）”、“熟练掌握（A）”三个层次描述学生对知识点应达到的要求；学习方式可分为课堂讲授、自学辅导、课堂讨论或分组讨论等；课外学习要求可按照知识模块或知识点提出撰写专题论文、调研报告、完成综合性作业或设计等要求，一般性的课外作业不在此列)建议使用教材及参考书教材：边肇祺,张学工等.模式识别(第二版)，北京：清华大学出版社，2000年。参考书：沈清，汤霖编.模式识别导论,长沙：国防科技大学出版社，1991年。课程考核方式考核成绩分为两部分：一部分是根据每次上机完成情况来评定一部分成绩，占总成绩的50%；另一部分是课程考核报告或论文成绩，占总成绩的50%。课内实验（实训）环节及要求（总学时数:16）序号实验（实训）项目实验（实训）内容实验(实训）目的及要求学时1基于DFT和DCT的人脸图像特征提取对给定人脸图像数据进行降采样预处理，对预处理结果提取谱特征（DFT和DCT）熟悉基于DFT和DCT的特征提取算法实现。22基于PCA的人脸图像特征压缩对实验1中提取的谱特征，采用PCA算法实现特征压缩。熟悉基于PCA的特征压缩算法实现23基于LDA的人脸图像特征压缩对实验1中提取的谱特征，采用LDA算法实现特征压缩。熟悉基于LDA的特征压缩算法实现，体会与基于PCA的特征压缩算法的效率、效果差异。24欧氏距离分类器对实验2和实验3所提取特征，采用欧氏距离分类器进行分类实验。熟悉欧氏距离分类器的实现方法25正态条件下的Bayes分类器对实验2和实验3所提取特征，采用正态条件下的Bayes分类器进行分类实验。熟悉正态条件下Bayes分类器的实现方法。26线性判别函数分类法对实验2和实验3所提取特征，采用线性判别函数分类法进行分类实验。熟悉线性判别函数分类法的实现方法。27RBF-NN分类器对实验2和实验3所提取特征，采用RBF-NN