《模式识别》（张向荣）教学大纲

《模式识别》教学大纲课程编号：AI202006课程名称：模式识别 英文名称：PatternRecognition学分/学时：3/48 课程性质：专业必修适用专业：智能科学与技术、人工智能建议开设学期：第5学期先修课程：信号与系统、高等数学开课单位：人工智能学院一、课程简介《模式识别》是智能科学与技术专业的必修基础课程。模式识别指对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学的重要组成部分。本课程从模式识别的基本概念入手，在特征选取的基础上，主要介绍统计模式识别，聚类分析，糊模式识别的基础理论和基本方法。课程主要涉及以线性分类器为核心的确定性统计分类，以及以贝叶斯分类器为核心的随机统计分类。通过本课程的学习，可掌握模式识别的基本理论和方法，为模式识别的工程应用奠定基础。进一步，帮助学生理解模式与模式识别的基本概念、模式识别的系统框图、模式识别的分类问题以及模式识别方法的一些关键问题，使学生掌握模式识别概念的基本知识，掌握一些模式识别最基本的步骤，能够通过一些简单实例理解模式识别的作用，认识到模式识别在分类问题中的重要意义。二、课程目标与毕业要求本课程将通过讲课、实验、课程设计使学生掌握模式识别的基本理论和方法。为以后进一步学习和研究奠定良好的基础，应当达到以下目标：1、使学生建立模式识别系统的基本概念，了解模式识别的基本手段以及模式识别理论所能够解决的问题。掌握模式识别的基本原理，基本概念，具有初步的算法分析能力。（支撑毕业要求1-2）2、掌握模式识别的基本分析方法和研究方法，使学生在科学实验能力、计算能力和抽象思维能力得到严格训练，培养学生独立分析问题与解决问题的能力，提高科学素质，为后续课程及从事信息处理等方面有关的研究工作打下基础。（支撑毕业要求1-4）3、本课程的基本要求是使学生能利用贝叶斯决策、线性判别分析等技术进行数据分析和设计简单的分类器。（支撑毕业要求3-2）课程目标与毕业要求观测点的支撑矩阵毕业要求指标点1-21-43-2课程目标1√课程目标2√课程目标3√三、课程内容及基本要求1.理论教学（1）第一章模式识别概论（3学时）帮助学生理解模式与模式识别的基本概念、模式识别的系统框图、模式识别的分类问题以及模式识别方法的一些关键问题，使学生掌握模式识别概念的基本知识，掌握一些模式识别最基本的步骤，能够通过一些简单实例理解模式识别的作用，认识到模式识别在分类问题中的重要意义。1)基本内容与要求理解模式识别概念并结合概念学习模式识别工作原理；模式识别系统的流程框图：信息获取、预处理、特征提取、训练分类器、进行分类；模式识别系统设计及应用：设计目标检测器、特征选取、分类器设计、分类器训练、性能评估。2)重点、难点模式识别系统设计及应用，这一部分需要学生对模式识别概念以及模式识别系统框图有充分了解，还要对模式识别应用方向有所了解，需要结合实例详细讲解，才能使学生轻松理解，并且能够让他们自己更好的与生活实际想结合，对于他们以后的学习也会更有帮助。3)思政元素设计从模式识别的重要性出发，引出科学技术的重要性，拟列举现代战争以及情报工作都需要依赖人工智能的现状，强调如果我国在人工智能技术方面落后于世界强国，将来一定是处于挨打的局面，让学生建立民族责任感以及为强国而努力的志向。4）作业模式识别训练分类器过程中用到的有监督学习和无监督学习，查阅有监督学习和无监督学习概念进行理解，并找出三个有监督分类方法和三个无监督分类方法。（2）第二章统计决策方法（4学时）帮助学生理解贝叶斯决策理论基本概念，什么是决策，决策准则以及最小错误率的贝叶斯决策，并对最小错误率进行讨论；掌握贝叶斯公式的先验概率和后验概率以及贝叶斯决策的两个要求：各个类别的总体概率分布是已知的，要决策分类的类别数是一定的。贝叶斯决策理论主要应用在模式识别系统中的分类问题，是统计决策理论中的一个基本方法。帮助学生深入理解贝叶斯公式的含义，掌握先验概率、类条件概率和后验概率的关系，懂得最小风险贝叶斯决策步骤和最小风险和最小错误率决策之间的关系，会分析两类情况下的最小风险贝叶斯决策，达到自行设计分类器设计的目的。帮助学生理解正态分布概率密度函数的定义及性质和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。掌握正态分布模型具有物理上的合理性（许多实际的数据集，正态分布假设通常是较合理的近似）和数学上的简单性（正态分布具有许多很多的性质，有利于作数学分析）。提高学生的整体认知能力，理论联系实际分析问题、解决问题的能力。1)基本内容与要求贝叶斯决策理论；贝叶斯决策的两个要求；决策准则；最小误差率分类；最小错误率准则；最小风险准则。2)重点、难点贝叶斯公式理解及先验概率和后验概率的理解，因为对公式的理解会比较抽象化，不太容易形容；还有最小误差率分类中的基于最小错误率的贝叶斯决策以及对最小错误率的讨论，都是一些对公式的理解。3)思政元素设计课前先对上节课进行简单回顾，从上节课的模式识别系统框图引入本节的贝叶斯决策理论，主要在分类过程中的应用；然后通过贝叶斯公式来讲解贝叶斯决策理论需要的两个要求，以及先验概率和后验概率的理解及使用；最后引入鲈鱼和鲑鱼的例子讲解基于最小错误率的贝叶斯决策，最后对最小错误率进行讨论。所以本章是进行引导讨论的方法进行教学。在上述知识点的讲解过程中，引申出科学不能有半点虚假，培养学生的严谨态度和求实精神；引导树立正确的世界观、价值观和人生观；激发学生坚持不懈、愈挫愈勇的精神。4)作业假设在某个局部地区细胞识别中正常和异常两类的先验概率分别为正常状态：异常状态：现有一待识别的细胞，其观察值为x，类条件概率密度分别为,试对该细胞x进行分类。（3）第三章线性判别分析（7学时）本章主要讲解线性判别函数，从基础的线性判别函数到广义线性判别函数，到Fisher线性判别，感知器算法学习判别函数，决策树算法。使得学生理解线性判别器的理论依据，Fisher线性判别的优点。在感知器算法中，掌握梯度下降，和均方误差目标函数在算法中的作用。在决策树算法中，掌握该算法用的问题，以及优缺点。学习本章使得学生可以应用线性判别的基本方法完成基本的分类问题，能够实现感知器中的梯度下降和均方误差去解决复杂的分类的问题。1)基本内容与要求从实际生活出发，生活中有许多的数据需要我们将其分类，整合。带领学生将实际问题转化为可以用数学形式表达，数据的表征可以用向量X={x1,x2,…xn}，那么对于样本（二分类）类别的判断就可以用个g(x)=W*X的形式表示。由此可以引申到多类别多判别函数的复杂情况分析。包括对广义线性判别函数，Fisher线性判别的分析。针对离散型的数据，引领学生掌握决策树的基本知识和原理，以及衡量决策的准则。2)重点、难点线性判别函数的实现原理。Fisher线性判别的准则函数JF(w)，以及求解最佳变换向量w*。感知器的训练算法，梯度下降，目标函数MSE。决策树算法当选择逻辑或属性，信息增益的计算过程。Fisher线性判别从d维空间降到一维的分析过程。感知器算法当中梯度下降的推导过程。MSE准则函数的优点，避免奇异矩阵带来的问题，规避大矩阵的运算等。3)思政元素设计、通过合作探究，归纳总结轻松突破了本节课的重难点，让学生对很抽象的正态分布的统计决策有了很深刻的认识，学生亲历探究得到知识的同时，体会研究问题的思想与方法，这样更容易使学生把所学的知识联系起来，更容易体会数学知识的形成过程。成功之处一是教学设计独到而又新颖，二是积极调动学生思考问题，课堂气氛活跃。4)作业使学生深刻理解线性判别分析的定义，熟悉其主要性质，并能够应用简单的分类器设计。（4）第四章非线性分类器（4学时）帮助学生理解近邻法的基本概念、最近邻法则、K-近邻法则以及如何减少近邻法计算量的一些关键问题，使学生掌握最近邻法则的基本知识，掌握近邻法则应用在聚类上最基本的步骤，能够通过一些简单实例理解紧邻法则的作用，认识到近邻法则在聚类问题中的重要意义。帮助学习理解决策树的基本概念、本质、损失函数等知识点，并利用信息熵的概念实现决策树的构建。1)基本内容与要求理解近邻法则的概念并结合概念学习近邻法则聚类的工作原理；近邻法则的规则、实现原理、评价标准以及最近邻法的错误分析；K近邻法则实现方法、优缺点分析、减少近邻法计算量和存储的考虑；根据训练数据集构建决策树模型，使决策树模型能正确分类，且有较好的泛化能力；从训练数据集中归纳分类规则，找到特征与标签的之间的分类规则。2)重点、难点重点：近邻法对数据的处理过程，这一部分需要学生对近邻法的应用原理以及计算机算法基础有充分了解，还要相关数学算法知识有一定的解，需要结合实例详细讲解，才能使学生轻松理解，并且能够让他们自己更好的与生活实际想结合，对于他们以后的学习也会更有帮助。难点：如何面向不同场景，确定任务属性，并构建合适的决策树。3)思政元素设计利用近邻算法、决策树等技术在实际场景中的应用，引申出科学技术的重要性，激发学生探索技术前沿的热情。4)作业近邻法在实际应用中分为很多不同的近邻法例如k近邻法，查阅其他近邻法的分支概念进行理解，找出至少三种近邻法的分支并分析其在处理不同数据时的优缺点。（5）第五章支撑向量机（6学时）帮助学生理解线性判别函数和判别面，以及超平面。掌握支持向量机（SupportVectorMachine,SVM）的理论基础，以及理解如何求解最优分类面。掌握SVM的基本问题和对偶问题的关系，以及限制条件的由来。最终使得学生对SVM的理论以及核函数的理论有一个清晰的认知。1)基本内容与要求SVM以训练误差作为优化问题的约束条件，以置信范围值最小化作为优化目标，即SVM是一种基于结构风险最小化准则的学习方法，其推广能力明显优于一些传统的学习方法；最优分类面，如何判定一个分类面是最优分类面；如何求解最优分类面。求解最优分类面可以转化为约束优化问题。掌握核函数的概念和使用技巧。2)重点、难点重点：SVM的最优分类面如何转化为数学问题，SVM的原规划形式以及对偶形式，约束条件。难点：问题到数学模型的建立，SVM问题的求解，SVM原规划到对偶形式的转化。3)思政元素设计从SVM的定义及求解理论出发，把教学目标贯穿课堂始终，指导学生掌握新旧知识的内在联系，将知识系统化，充分了调动了学生的积极性、创造性和主动性，引申出事物的两面性，培养学生的辩证思维。4)作业针对特定数据集，利用SVM及核函数技巧，设计合适的分类器。（6）第六章特征选择（5学时）帮助学生理解特征的基本概念、特征的提取、特征的选择等一些关键问题，使学生掌握特征提取以及选择的基本知识，掌握在提取与选择特征时最基本的步骤，能够通过一些简单特征提取与选择的作用，认识到特征提取与选择在处理图片信息中的重要意义。1)基本内容与要求特征的基本概念，对分类器设计来说，使用什么样的特征描述事物，也就是说使用什么样的特征空间是个很重要的问题；特征优化，首先是对特征空间进行优化的概念与意义、目的。对初始的特征空间进行优化是为了降维。即初始的特征空间维数较高。能否改成一个维数较低的空间，称为优化。特征优化共包含两大类方法分别为特征提取与特征选择。特征提取(特征组合优化)：通过映射(或变换)的方法把高维的特征向量变换为低维的特征向量。特征选择：从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的的过程。可分性判据，特征选择或特征提取任务是从n个特征中求出对分类最有效的m个特征(m＜n)。对于特征选择来讲，从n个特征中选择出m个特征，有种组合方式。分类器错误概率最小的那组特征，就应当是一组最有效的特征。2)重点、难点重点：理解事物特征并且结合相关数学知识学习特征提取以及选择理论概念；理解特征空间的概念，能够对量的选择性问题进行描述；对特征空间进行优化的概念：特征选择、特征组合优化、特征组合优化评价标准；。难点：特征的提取以及选择是一个新概念，这一部分需要学生对模式识别以及计算机算法基础有充分了解，本此课程概念较多，需要结合实例详细讲解，才能使学生轻松理解，并且能够让他们自己更好的与生活实际想结合，对于他们以后的学习也会更有帮助。3)思政元素设计从特征选择的代码实现出发，要求设计小组自行提取相关素材，查阅资料，设计程序，培养学生精益求精、团队合作精神。从特征选择的核心出发，引申出中兴、华为等被制裁事件，凸显我国芯片生产的技术瓶颈，激发学生的自主创新精神和爱国精神。4)作业查阅相关资料了解除本文介绍的特征提取方法外的其他特征提取方式，熟悉其他方法处理过程并与本节介绍的方法进行对比，加深对本节特征提取方法的理解。同时课下对经典特征选择算法进行试验。（7）第七章非监督模式识别（4学时）帮助学生理解有监督学习和非监督学习的概念，掌握非监督学习的基本理论、基本知识和基本技能，了解有监督学习和非监督学习的区别，获得运用非监督学习解决实际问题的能力，达到锻炼学生的动手能力、培养学生创新意识的目的，应用于图像处理、数据分类等方面，解决学习过程中遇到的聚类、图像分割问题等等。1)基本内容与要求掌握非监督学习方法的概念、用途。了解非监督学习方法对数据划分有两种基本方法。掌握以k-均值算法，ISODATA算法为代表的动态聚类方法。了解层次(分级)聚类方法。运用非监督学习方法解决实际问题。。2)重点、难点重点：掌握以k-均值算法，ISODATA算法为代表的动态聚类方法。难点：运用非监督学习解决实际问题。3)思政元素设计从k-均值算法的优化过程是从”不合理的”划分到“最佳”划分出发，引申出做任何工作都需要严格严谨，培养学生的工匠精神。以非监督模式识别问题存在更大的不确定性为例，让学生珍视健康，好的身体是革命的本钱，提倡运动校园，树立全民运动理念。4)作业有监督学习和非监督学习的适用范围，两者之间的共同点和不同点。k-均值算法，ISODATA算法的优点和缺点。k-均值算法，ISODATA算法的具体操作步骤。（8）第八章组合分类器（2学时）帮助学生理解组合分类器的概念，掌握组合分类器的评价指标、基本理论、基本知识和基本技能，了解不同组合分类器优化方式的区别，获得运用组合分类器解决实际问题的能力，达到锻炼学生的动手能力、培养学生创新意识的目的，应用于图像处理、数据分类等方面，解决学习过程中遇到的分类问题等等。1)基本内容与要求掌握组合分类器方法的概念、用途。了解组合分类器对数据划分有两种基本方法。掌握Bagging、Boosting算法。了解随机森林、AdaBoost方法。运用组合分类器方法解决实际问题。。2)重点、难点重点：掌握以Bagging、Boosting算法为代表的组合分类器方法。难点：运用组合分类器解决实际问题。3)思政元素设计从“Boosting易受到噪音的影响”出发，引申出引导学生树立正确的世界观和价值观，能够用辩证唯物主义分析问题，进而内化人文素养、提升道德情操。以“AdaBoost可以用来鉴别异常；经过多轮后，具有最高权重的样本即为异常”为例，激发学生的民族自豪感和爱国情操，从多方面进行人才培养，鼓励学生将个人理想融入国家建设中去，更好地实现自身价值。4)作业理解Bagging和Boosting算法两者之间的共同点和不同点。利用Bagging实现实际的分类问题。（9）第九章半监督学习（3学时）帮助学生理解半监督学习的概念，掌握半监督学习的评价指标、基本理论、基本知识和基本技能，了解不同半监督学习方式的区别，获得运用半监督学习解决实际问题的能力，达到锻炼学生的动手能力、培养学生创新意识的目的，应用于图像处理、数据分类等方面，解决学习过程中遇到的分类问题等等。1)基本内容与要求掌握半监督学习的概念、用途。了解有监督学习、半监督学习、无监督学习的联系与区别。掌握半监督分类、半监督聚类算法。运用半监督学习方法解决实际问题。2)重点、难点重点：理解半监督学习的假设条件。难点：运用转导SVM（TSVM）和图模型解决实际问题。3)思政元素设计从“TSVM是一个时间和计算复杂度都十分高的算法”出发，引申出在分析问题的时候，也必须从正反两方面进行考虑。引申至个人做决策的时候，一定要听取多方的观点，结合自身经验进行分析总结，兼听则明，偏信则暗，盲从其他人并不一定能得到正确的结果。以“基于图的半监督学习方法”为例，说明事物是有规律的，可以预测的。作为受过高等教育的大学生应该能够利用所学知识预测事物的发展规律，另外要破除封建迷信思想，坚持唯物主义。4)作业理解TSVM和基于图的半监督学习方法算法两者之间的共同点和不同点。利用TSVM实现实际的分类问题。（10）作业和疑难课堂讲解（2学时）采用专题讨论的形式，回顾模式识别课程的基本概念和重点内容。1)基本内容与要求复习模式识别系统等基本概念；梳理模式识别课程各知识点的联系；强调模式识别不同技术的实际应用。2)重点、难点重点：梳理模式识别课程各知识点的联系。难点：模式识别不同技术的实际应用。3)思政元素设计以模式识别各知识点的关系的梳理，引申出事物的相似性反映出事物之间同时存在着个性和共性。个性将不同的事物进行区别，共性使得不同的事物可以聚在一起。在分析问题时，需要我们把握事物的共性，求同存异，正确分清谁是敌人谁是需要团结的人。另外事物间存在着联系，这种联系是客观存在的，不以人的意志为转移。看到事物间的联系的同时还要正确判断联系的强弱，这样才能正确划分事物的类别。2．实验教学实验1K近邻算法的错误率分析（2学时）通过实验完成分析K近邻算法的错误率。基本内容与要求代码实现K近邻分类器，并在不同数据集上完成分类验证；讨论K近邻分类器错误率与近邻数K之间的关系；分析、总结设计结果，提交课程设计报告。重点、难点重点：代码仿真。难点：理论和实践仿真中存在的差异的理解与分析。实验2动态聚类算法的性能分析（2学时）通过实验深刻理解K均值算法和模糊C均值算法性能比较。基本内容与要求代码实现K均值算法，并在不同数据集上完成分类验证；代码实现模糊C均值算法，并在不同数据集上完成分类验证；分情况讨论K均值算法和模糊C均值算法在不同数据集上的表现；分析、总结设计结果，提交课程设计报告。重点、难点重点：代码仿真。难点：理论和实践仿真中存在的差异的理解与分析。实验3支撑向量机（SVM）算法练习（2学时）通过实验学习支撑向量机、核函数相关理论。基本内容与要求代码实现SVM算法，并在不同数据集上完成分类验证；通过实验结果分析不同核函数对SVM算法的影响；分析、总结设计结果，提交课程设计报告。重点、难点重点：代码仿真。难点：理论和实践仿真中存在的差异的理解与分析。实验4组合分类器练习（2学时）分别以KNN和SVM作为弱分类器，利用Bagging和Boosting算法进行集成学习。基本内容与要求以KNN和SVM作为弱分类器，代码实现Bagging集成策略；以KNN和SVM作为弱分类器，代码实现Boosting集成策略；分析、总结设计结果，提交课程设计报告。重点、难点重点：代码仿真。难点：理论和实践仿真中存在的差异的理解与分析。四、课程安排及教学方式课程内容分为：理论教学（42学时）和实践教学（12学时）。序号课程内容学时教学方式1（一）模式识别基本概念3讲授2（二）统计决策方法4讲授3（三）线性判别分析7讲授4（四）线性非线性分类器4讲授5（五）非线性分类器6讲授6（六）特征选择5讲授7（七） 非监督模式识别4讲授8（八）组合分类器2讲授9（九）半监督学习3讲授10（十）作业和疑难课堂讲解1专题讨论11实验8研讨+实践五、考核方式考核与评价方式及成绩评定课程考核通过课堂参与情况、作业、实验、课程设计、期末考试几部分综合评价形成。各部分所占比例如下：课堂参与情况：10%，主要考核对每堂课知识点的复习、理解和掌握程度。根据到课率、随堂测试情况评定。平时作业：10%，主要考核学生对堂课知识点的复习、理解和掌握程度。每章课程讲授完后均需提交线上本单元的作业。实验：15%，主要考查学生完成实验的动手能力，分析处理实验数据和撰写实验报告的能力。课程设计：15%，主要考核发现、分析和解决问题的能力；能够基于科学原理并采用科学方法，使用现代工具，以及能够将数学、自然科学、工程基础和专业知识用于解决复杂工程问题的综合能力。期末考试成绩：50%，闭卷考试形式。主要考核基本概念、基本分析、设计和计算方法的掌握程度。书面考试形式的题型为选择题，填空题，问答题，分析、计算题等。课程目标达成考核与评价方式及成绩评定对照表课程目标毕业要求观测点考核与评价方式及成绩比例（%）成绩比例（%）课堂参与情况实验课程设计平时作业课程考试课程目标1支撑毕业要求1-210102545课程目标3支撑毕业要求1-4151530课程目标4支撑毕业要求3-2151030合计1015151050100注：该表格中比例为课程整体成绩比例。考核与评价标准课堂参与情况评分标准注重考查学生在整个学习过程中的努力程度，传达给学生“老师更加看重你在学习过程中的积极主动性，而不会关心你的基础是否优秀”，来激发学生学习积极性。这部分成绩可以由课堂管理软件提供。优（90-100）良（80-89）中（70-79）及格（60-69）不及格（<60）课堂参与情况注：该表格中比例为课堂参与情况成绩比例。作业评分标准基本要求评价标准成绩比例（%）优（90-100）良（80-89）中（70-79）及格（60-69）不及格（<60）平时作业掌握离散时间信号与系统的基本概念，时域和频域的分析方法，以及数字系统的设计方法。（支撑毕业要求1-2）概念表述充分、准确；计算步骤完整，结果合理；运用理论、公式准确，公式推导严谨；作业书写工整。答案正确率超过90%。概念表述充分、准确；计算步骤完整，公式推导严谨，结果较合理；作业书写较工整。答案正确率超过80%。概念表述较充分、正确；计算步骤较完整，公式推导较严谨，结果较合理；作业少许涂改。答案正确率超过70%。概念表述正确；计算步骤不是很全面，公式推导不严谨；作业有涂改。答案正确率超过60%。概念表述不充分；没有计算步骤和公式推导过程，结果不能有效说明问题；作业书写不工整。答案正确率低于60%。100注：该表格中比例为平时作业成绩比例。3.实验评分标准考核内容基本要求评价标准成绩比例（%）优（90-100）良（80-89）中（70-79）及格（60-69）不及格（<60）实验能够将课堂中讲授的数字信号与系统分析方法、数字系统的方法，通过仿真加以实现与验证。（支撑毕业要求1-4）方案设计清晰。流程/方案设计合理。独立完成软件或系统调试、测试，调试、测试方案设计合理，步骤完整且有记录。报告写作规范、认真，概念正确，条理清楚，图表清晰、规范，有结果分析和总结。方案设计清晰。独立完成软件或系统调试、测试，步骤完整且有记录。报告写作规范、认真，条理清楚，有结果分析和总结。提供了方案设计。独立完成软件或系统调试、测试，步骤较完备且有记录。报告写作规范、认真，条理清楚，有结果分析和总结。方案设计不清晰，能够根据要求基本完成实验或课程设计的内容。数据记录部分完整、正确。报告写作较为规范，有结果分析和总结。方案和实验过程含糊不清，不能根据实验或课程设计要求搭建好系统。数据记录不完整、部分正确。报告写作不规范，没有结果分析和实验的总结。100注：该表格中比例为实验成绩比例。4.课程设计评分标准考核内容基本要求评价标准成绩比例（%）优（90-100）良（80-89）中（70-79）及格（60-69）不及格（<60）实验能够将学过的内容进行综合应用，针对选择题目所要求的系统，能够给出合理的设计方案，并完成仿真测试，能够分析结果并提出系统存在的问题。（支撑毕业要求3-2）方案设计清晰，有系统流程图。流程/方案设计合理。独立完成软件或系统调试、测试，调试、测试方案设计合理，步骤完整且有记录。报告写作规范、认真，概念正确，条理清楚，图表清晰、规范，有结果分析和总结。方案设计清晰，有系统流程图。独立完成软件或系统调试、测试，步骤完整且有记录。报告写作规范、认真，条理清楚，有结果分析和总结。提供了方案设计，有系统流程图。独立完成软件或系统调试、测试，步骤较完备且有记录。报告写作规范、认真，条理清楚，有结果分析和总结。方案设计不清晰，系统流程图不完备，能够根据要求基本完成实验或课程设计的内容。数据记录部分完整、正确。报告写作较为规范，有结果分析和总结。方案和实验过程含糊不清，不能根据实验或课程设计要求搭建好系统。数据记录不完整、部分正确。报告写作不规范，没有结果分析和实验的总结。100注：该表格中比例为课程设计比例。5.期末笔试考核与评价标准基本要求评价标准比例优（90-100）良（80-89）中（70-79）及格（60-69）不及格（<60）期末考试掌握数字信号处理的概念、采样定理、数字信号与系统的分析方法，数字系统的设计方法，能够利用所学的理论与方法对工程问题进行分析建模，模型准备满足工程问题的实际要求。（支撑毕业要求1-2）基本概念的理解正确；应用理论与方法解决实际问题正确，解答过程及结果正确。基本概念的理解基