模式识别与智能计算-MATLAB技术实现（第5版）-课程教学大纲

附件1天津理工大学（仿宋小初）《模式识别》课程教学大纲课程代码：0664646（仿宋小二）开课单位：计算机科学与工程学院执笔人：杨淑莹制定时间：2018年7月17日（宋体四号）天津理工大学教务处制年月日一、课程简介课程名称模式识别英文名称PatternRecognitione课程代码0664646课程类别专业课学分3总学时/实验学时48/8开课学期五修读类别选修课开课单位计算机科学与工程学院适用专业人工智能、计算机、自动化等先修课程概率论与数理统计，为本课程提供基本的数学分析工具后续课程无考核方式及各环节所占比例考试课，期末考试成绩（70%）+平时成绩（30%）课程概要模式识别是人工智能技术专业的一门重要的专业课。模式识别技术能够使计算机系统变得更加智能和高效，目前已经拥有广泛的应用。该课程主要内容包括贝叶斯准则、神经网络、特征提取、线性分类器、K近邻法以及聚类方法群体智能聚类方法。通过该课程学习使学生掌握模式识别的基本概念和方法。（中文版）Patternrecognitionisanimportantprofessionalcourseinartificialintelligencetechnology.Patternrecognitiontechnologycanmakecomputersystemsmoreintelligentandefficient,andhasawiderangeofapplications.ThecoursecoversBayesiancriteria,neuralnetworks,featureextraction,linearclassifiers,K-nearestneighbors,andclusteringmethods.Throughthiscourse,studentswillbeabletomasterthebasicconceptsandmethodsofpatternrecognition（英文版）课程目标使学生能够系统地掌握模式识别的基本概念、基本原理和基本方法；了解计算机是如何对事物进行分类、识别和预测的。在此基础上，学生应更深入、更实际地了解一个模式识别系统的结构和各部分实现的功能，能够熟练使用模式识别相关的重要工具软件，为今后进行智能化开发和应用打下坚实的基础。教材及主要参考书教材及主要参考书要加以区分，并注明作者、书目、出版社。教材杨淑莹《模式识别与智能计算--Matlab技术实现》第4版，电子工业出版社，2022主要参考书Bishop著．PatternRecognitionandMachineLearning．Springer出版社，2006(正文宋体小四)二、课程主要内容及学时分配按照课程讲授的具体章节展现主要的教学内容。表述清楚章节标题及学时分配情况；简要介绍每一章、每一节的主要内容、重点难点；明确实验、上机等实践教学环节的学时、教学任务。第1章引论（讲课2学时）了解模式识别的基本概念、模式识别系统的构成和功能以及工作流程、模式识别的具体应用介绍；讲授内容：1.模式识别的概念2.模式识别系统的构成和工作流程3.模式识别技术的应用重点：模式识别的概念，模式识别系统的构成和工作流程。难点：模式识别的概念。第1章

模式识别概述讲授2学时

1.1

模式识别的基本慨念

1.2

特征空间优化设计问题

1.3

分类器设计

1.3.1

分类器设计基本方法

1.3.2

判别函数

1.3.3

分类器的选择

1.3.4

训练与学习

1.4

聚类设计

1.5

模式识别的应用重点：内容1和3。难点：内容1和3。第2章

特征的选择与提取讲授2学时掌握基本的特征评判准则，即三种类别可分性判据；了解特征选择的最优方法；掌握特征选择次优方法；掌握以分类性能为准则的特征选择方法。

2.1

样本特征库初步分析

2.2

样品筛选处理

2.3

特征筛选处理

2.3.1

特征相关分析

2.3.2

特征选择及搜索算法

2.4

特征评估

2.5

基于主成分分析的特征提取

2.6

特征空间描述与分析

2.6.1

特征空间描述

2.6.2

特征空间分布分析

2.7

手写数字特征提取与分析

2.7.1

手写数字特征提取

2.7.2

手写数字特征空间分布分析重点：内容1和3。难点：内容3和6。第3章

模式相似性测度讲授2学时

掌握模式相似性测度方法。3.1

模式相似性测度的基本概念

3.2

距离测度分类法

3.2.1

模板匹配法

3.2.2

基于PCA的模板匹配法

3.2.3

基于类中心的欧式距离法分类

3.2.4

马氏距离分类

3.2.5

夹角余弦距离分类

3.2.6

二值化的夹角余弦距离法分类

3.2.7

二值化的Tanimoto测度分类重点：内容2。难点：内容2。第4章

基于概率统计的贝叶斯分类器设计讲授及讨论4学时掌握Beyes决策理论的基本原理和观点；掌握Beyes最小错误率、最小风险代价、对一类错误率控制和最小最大判决方法；掌握类内正态分布情形下的beyes判决规则；掌握基本的错误率计算和估计方法。

4.1

贝叶斯决策的基本概念

4.1.1

贝叶斯决策所讨论的问题

4.1.2

贝叶斯公式

4.2

基于最小错误率的贝叶斯决策

4.3

基于最小风险的贝叶斯决策

4.4

贝叶斯决策比较

4.5

基于二值数据的贝叶斯分类实现

4.6

基于最小错误率的贝叶斯分类实现

4.7

基于最小风险的贝叶斯分类实瑚重点：内容1和2。难点：内容1和6。第5章

判别函数分类器设计讲授及讨论8学时理解线性判别函数的基本概念及其性质；了解线性分类器设计基本步骤；掌握fisher判别函数；理解不同准则的线性分类器之间的异同；掌握线性SVM的基本概念和原理；了解多类分类器。5.1

判别函数的基本概念

5.2

线性判别函数

5.3

线性判别函数的实现

5.4

感知器算法

5.5

增量校正算法

5.6

LMSE验证可分性

5.7

LMSE分类算法

5.8

Fishe-r分类

5.9

基于核的Fisher分类

5.10

线性分类器实现分类的局限

5.11

非线性判别函数

5.12

分段线性判别函数

5.13

势函数法

5.14

支持向量机

重点：内容4和8。难点：内容4和8。第6章

决策树分类器4学时掌握决策树分类器技术

6.1

决策树的基本概念

6.2决策树分类器设计重点：内容1。难点：内容1和2。第7章

聚类分析讲授及讨论8学时掌握基于模型的聚类方法；掌握非模型的动态聚类方法，重点掌握K均值方法；掌握分级聚类分析；了解模糊聚类方法。

7.1

聚类的设计

7.2

基于试探的未知类别聚类算法

7.3

层次聚类算法

7.4

动态聚类算法

7.5

模拟退火聚类算法

重点：内容1。难点：内容1和2。第8章

模糊聚类分析4学时

8.1

模糊集的基本概念

8.2

模糊集运算

8.2.1

模糊子集运算

8.2.2

模糊集运算性质

8.3

模糊关系

8.4

模糊集在模式识别中的应用

8.5

基于模糊的聚类分析重点：内容4。难点：内容4和5。第9章粒子群算法聚类分析（讲课4学时）了解粒子群算法的基本原理；理解粒子群算法与其他进化算法的区别；了解参数的变化对准确率的影响；了解群体智能的方法。9.1

粒子群算法的基本原理

9.2

粒子群算法的聚类分析

重点：内容1。难点：内容1和2。三、课程教学的基本要求各教学环节的安排、要求：A.课堂讲授：包括教学方法、手段、外语、计算机应用等要求；B.教学辅助资料如：习题集、库，试题集、库，CAI课件等要求；C.实验环节：主要写实验的内容及要求；D.作业方面：主要写明布置习题达到的目的，并分章节写出布置的题量；E.课程设计：周数及工作量要求；F.考试环节：写明考试的形式和内容改革的思路，要尽量避免死记硬背的考试。教学环节包括：课堂讲授、课外作业、上机试验、期末考试等。1.课堂讲授（1）教学方法课堂教学采用启发式教学法，培养学生独立思考问题、分析问题和解决问题的能力；对教材中涉及到较深数学理论的推导以简要介绍为主，不要求重点掌握，但鼓励学有余力的同学自行深入阅读。（2）教学手段在教学中采用板书与多媒体课件相结合的教学手段。其中授课期间多以引导式问题来启发学生对相关实际问题的思考。2.实验环节（1）实验要求实验课是操作系统课程中的重要的实践环节。通过本课程的实验，使学生对模式识别的基本原理和基本算法有深入的理解和一定的应用能力。为今后从事物联网智能化软件的设计和开发打下基础。（2）实验内容实验1：Matlab工具的使用设计内容：下载安装Matlab软件包，阅读相关软件说明。实验2：近邻法实现设计内容：在matlab编程平台上实现近邻法，包括最近邻法和k近邻法。 实验3：K均值算法的实现设计内容：在matlab编程平台上实现K均值算法。3.考试环节采用闭卷笔试，题型分为：单项选择、填空、判断、术语解释、简答