感知基础及识别 2

《智能感知与信息识别》课程教学大纲一、课程基本信息课程中文名称智能感知与信息识别课程编号课程英文名称IntelligentPerceptionandInformationRecognition总学时48学分3开课学院控制科学与工程学院开课学期□春季☑秋季□全年课程负责人教学团队成员适用学科/专业控制科学与工程/电子信息授课语言☑中文□全英文□双语适用学生□学术学位博士□专业学位博士☑学术学位硕士☑专业学位硕士课程类别□公共学位课☑专业学位课□公共选修课□专业选修课□其他主要教学方式（可多选）☑讲授□讨论□专题讲座□文献研读□专题研讨□案例分析□实验（含上机）□自学□其他考核方式☑考试□考查课程简介《智能感知与信息识别》课程是电子信息专业硕士（控制工程方向）研究生的专业学位课程，属于必修课。课程围绕智能感知与信息识别的基本理论、关键技术与工程应用展开，主要内容包括视觉、触觉、听觉、嗅觉和味觉等典型智能感知技术，测量误差与数据处理基础，回归预测、聚类分析、判别分析和人工神经网络等信息识别方法，以及视觉引导机器人、光子鼻多组分气体检测和工业设备故障诊断等典型应用案例。通过该课程的学习，使学生掌握智能感知与信息识别的基础和前沿发展以及常用的技术，为后续科研课题的开展以及相关工程技术研发奠定基础。三、教学目标本课程目的在本科专业课程—传感器与检测技术基础上，将传感技术与人工智能、生命科学技术相结合，通过模仿人类或其他生物体的感官功能实现信息的获取和信息的识别，全面介绍智能感知与信息识别及相关系统的基本概念和基本理论，以及相应的信息处理技术，使学生了解智能感知与信息识别技术的国内外研究现状以及发展趋势，能够掌握智能感知与信息识别的方法、原理、特性及其分析、设计方法。突出智能感知与信息识别技术在实际检测场景中的应用性与实践性，培养学生运用逻辑思维和系统思维分析解决问题的创新能力。四、教学内容、基本要求及学时分配1．智能感知与信息识别概述学时：2视觉、听觉、触觉、嗅觉与味觉是自然界人类等生物体获取和感知环境信息的5种基本感官。智能感知是将传感技术与人工智能、生命科学技术相结合，通过模仿生物体的感官功能实现信息的获取。如何分析、处理信息？以神经网络为代表的信息识别方法可模拟人类大脑功能，实现信息识别。本部分主要介绍人类智能与人工智能、智能感知和信息识别的基本概念及相互关系，讲解智能感知的特点、关键技术和智能感知传感器，以及信息识别的基本流程、主要类型与应用，为后续各类智能感知与信息识别方法的学习奠定基础。（1）人类智能与人工智能介绍人类智能与人工智能的基本概念。人类智能依托大脑神经网络完成感知、记忆、推理、学习和创造等认知活动；人工智能则通过计算机系统模拟人类智能行为，利用数据和算法完成特定任务。结合二者在本质与载体、工作原理、学习方式、意识与情感、创造性与自主性以及通用性与灵活性等方面的差异，使学生了解人类智能与人工智能之间既有区别又相互促进的关系。（2）智能感知及其与人工智能的关系介绍智能感知的基本概念。智能感知涵盖视觉、听觉、触觉、嗅觉和味觉等不同维度，机器可通过摄像头、麦克风、激光雷达、触觉阵列等传感器获取外界物理信息，并利用相关算法完成数据处理和语义提取。介绍智能感知与人工智能之间的关系。智能感知作为人工智能面向物理世界的信息入口，主要承担信号获取和初级认知任务；人工智能则在此基础上进一步完成学习、推理、规划和决策。结合“感知层—预处理层—感知智能层—认知智能层—执行层”的数据处理过程，使学生理解从原始信号获取到智能决策与执行的基本闭环。（3）智能感知的特点、关键技术与智能感知传感器介绍智能感知具有高精度、信息完备性、高效性和智能化等主要特点。重点介绍智能感知传感器和多传感器数据融合等关键技术，使学生理解通过多源信息的互补与融合，可提高感知结果的精度、可靠性和完整性。介绍智能感知传感器的概念、分类、基本组成和主要功能。智能感知传感器由传感单元、信号调理电路、A/D转换、微处理器和通信接口等组成，除完成被测信息转换外，还具有数据处理、自诊断与自校准、信息存储、参数配置和数字通信等功能。简要介绍其向多功能融合、自适应与自学习、低功耗、微型化与集成化、高可靠以及网络化与边缘智能方向发展的趋势。（4）信息识别及其与人工智能的关系介绍信息识别的基本概念及其工作流程。信息识别是从原始数据中提取有意义、有结构的信息，并进行分类、理解和标记的过程，其基本流程包括数据获取、数据预处理、特征提取、分类与识别以及输出结果。介绍信息识别、智能感知和人工智能之间的关系。智能感知负责通过传感器感知外部世界，信息识别是实现感知信息理解的重要技术手段，人工智能和机器学习则为信息识别提供算法与模型，三者共同构成智能系统的信息获取、理解和处理过程。（5）信息识别的主要类型、技术与应用介绍图像识别、语音识别、文字识别等主要信息识别类型。图像识别主要包括信息获取、预处理、特征提取与选择、分类器设计和分类决策等基本环节；语音识别用于将人类语音内容转换为文字；文字识别通过信息采集、分析处理和分类判别，实现字符的自动识别。简要介绍计算机视觉、卷积神经网络、自动语音识别、光学字符识别、模式识别和机器学习等相关技术，并结合面部解锁、语音助手、工业质检、自动驾驶、医疗影像分析等应用，使学生了解信息识别技术在日常生活、工业与商业以及互联网等领域中的实际作用。2.视觉感知 学时：4本部分主要介绍视觉感知的基本概念和工作原理，重点掌握CCD、CMOS视觉传感器的基本原理及区别，机器视觉常用光源及选择原则，镜头成像与选型的基本方法，以及数字图像处理的基本步骤和主要方式；了解视觉感知系统的基本组成及其在无人驾驶汽车、工业机器人等领域中的典型应用，为后续视觉感知案例学习奠定基础。（1）视觉感知的基本概念和原理介绍视觉感知的基本概念。视觉感知是生物或机器系统通过接收、处理、解释和理解外部世界的光学信息，形成对环境中物体、场景、事件及其空间关系认知和理解的过程，其最终目的不仅是“看见”，而是实现对视觉信息的理解。介绍视觉感知系统的基本组成及工作过程。一个完整的视觉感知系统通常由传感器、处理器、解释器和执行器组成，通过传感器获取外界光学信息，经预处理和特征提取后，实现物体识别和场景理解，并根据识别结果完成相应的决策与执行，使学生建立从光学信息获取到视觉理解和执行的整体认识。（2）视觉传感器介绍CCD和CMOS两类典型图像传感器的基本结构、工作原理及主要特点。CCD主要通过光电转换、电荷传输和读出三个过程，将外界光学图像转换为数字图像信号。介绍CCD的基本结构、分类及典型应用，使学生了解其在高质量、低噪声成像中的特点。CMOS图像传感器主要由像敏单元阵列、行列驱动、时序控制、信号处理和A/D转换等部分组成，通过像素单元完成光电转换，并将图像信号转换为数字信号输出。通过CCD与CMOS在工作原理、图像质量、功耗、速度、成本、集成度和应用场景等方面的比较，使学生理解两类视觉传感器的主要差异及适用范围。（3）机器视觉中的光源介绍光源在机器视觉系统中的作用，使学生理解照明条件直接影响图像的亮度、对比度以及目标特征的呈现效果。介绍机器视觉中常用的LED光源及其主要形式，包括条形光源、环形光源、同轴光源、穹顶光源和背光源，重点理解不同光源的照明特点及适用检测对象。条形光源适用于突出线性特征和局部区域；环形光源可获得较均匀的表面照明；同轴光源适用于金属、玻璃等高反光平面；穹顶光源适用于弯曲、光亮及不平整表面；背光源主要用于突出物体轮廓和边缘。介绍机器视觉光源的基本选择原则，根据检测对象的尺寸、材质、颜色和表面特性，以及缺陷检测、尺寸测量、定位和识别等任务要求，合理选择光源类型、颜色、照射角度、直射或漫射方式以及光照强度。（4）镜头与成像原理介绍镜头在视觉感知系统中的基本作用，即通过光束变换将目标清晰成像在图像传感器的光敏面上，为后续图像处理和识别提供可靠图像信息。介绍镜头的基本构成，包括透镜和光阑，了解孔径光阑、视场光阑及消杂光光阑的作用。结合小孔成像和透镜成像原理，介绍焦点、焦距、物距、像距及放大倍率等基本概念，使学生理解镜头成像和对焦的基本原理。介绍镜头的主要类型及选型方法。了解C接口、CS接口等常用接口，定焦镜头和变焦镜头的基本特点，并根据传感器尺寸、工作距离、焦距、视场角、分辨率、景深、畸变及接口等因素进行合理选择。（5）数字图像处理基础介绍数字图像和数字图像处理的基本概念。数字图像可表示为二维函数，其离散空间位置和灰度值构成像素；数字图像处理则利用数字计算机对图像进行处理，以改善图像质量、提取有效信息并为机器视觉理解提供基础。介绍低级、中级和高级图像处理的基本层次。低级处理主要包括降噪、增强等图像预处理；中级处理包括图像分割、特征提取及目标分类；高级处理进一步实现对目标和场景的理解。重点介绍数字图像处理的基本步骤，包括图像获取、图像增强、图像复原、压缩、图像分割、表示与描述以及识别等，并了解图像增强、图像复原、图像分割、特征提取、图像变换、图像压缩和图像分析等主要处理方式。（6）视觉感知应用结合无人驾驶汽车和工业机器人视觉引导介绍视觉感知的典型应用，使学生理解视觉感知系统中“图像获取—图像预处理—特征提取—目标识别—定位与决策”的基本应用过程。在无人驾驶汽车中，简要介绍交通信号灯识别、车道线识别以及车辆和行人识别的基本思路，使学生了解颜色特征、边缘特征以及目标检测等方法在道路视觉感知中的作用。在工业机器人视觉引导中，以零件分拣和焊接机器人为例，介绍通过摄像头获取图像、图像预处理、特征提取、分类定位以及机器人执行控制的基本过程，使学生了解视觉感知在工业自动化中的实际应用。3.触觉感知 学时：4本部分主要介绍触觉感知及新型触觉传感技术，重点掌握电子皮肤的组成与多模态感知原理、光纤式触觉感知以及机器人滑觉和接近觉的基本方法；了解触觉信号的表征、恢复、呈现与编码，以及触觉感知在智能机器人、健康监测和工业安全监测等领域的应用。（1）触觉感知与电子皮肤介绍触觉感知的基本功能，包括压力、形变、振动、温度、滑动及接近状态等信息的感知，引出电子皮肤这一典型仿生触觉系统。重点介绍电子皮肤的基本概念、组成与工作原理。电子皮肤由感知层、信号转换与传输层、支撑与封装层以及能量与数据模块等组成，可通过柔性材料和多种传感单元实现压力、温度、湿度、应变及化学信息等多模态感知。结合“外界刺激—信号转导—数据处理”的过程，理解电子皮肤由单一触觉检测向柔性化、多模态、自供能和智能化方向发展的特点。（2）新型触觉传感技术以光纤式触觉传感器为重点，介绍光纤布拉格光栅（FBG）触觉传感的基本原理。外界压力、应变或温度变化会引起光栅周期及有效折射率变化，从而导致布拉格中心波长漂移，通过检测波长变化实现触觉信息获取。结合教材中的压阻式、电容式和压电式触觉传感器，简要说明不同触觉信息可通过电阻、电容、电荷及光学参数变化转换为可检测信号，使学生形成对不同触觉信号转换机制的整体认识，不展开复杂测量电路及公式推导。（3）机器人滑觉与接近觉感知介绍滑觉在机器人灵巧操作和稳定抓取中的作用。重点讲解光纤布拉格光栅滑觉传感器，通过检测中心波长变化判断物体是否发生滑动，并进一步获得滑动方向、滑动速率及接触力变化等信息；了解电容式和声电式滑觉传感的基本思想。介绍接近觉传感器在机器人避障、无冲击接近和抓取中的作用，了解光电式、光纤式、电容式、超声波式和红外式等典型接近觉感知方式。重点理解接近觉与接触觉、滑觉之间的配合关系，以及机器人由“接近目标—发生接触—稳定抓取”的触觉感知过程。（4）触觉信号的信息处理介绍触觉信号的表征方法，了解基于一维时间序列和二维图像数据的触觉信息表达方式，以及力、振动、速度、加速度、位置和表面形变等触觉信息的基本特征。介绍触觉信号的恢复、呈现和编码等处理过程。了解触觉信号在传输过程中发生缺失时的恢复思想，以及生成对抗网络等智能方法在触觉信号恢复中的应用；了解触摸屏、触觉笔、可穿戴设备和空气触觉系统等触觉呈现方式，以及触觉数据编码与压缩的基本作用。（5）触觉感知典型应用结合教材中的典型案例介绍触觉感知技术的应用。以分布式光纤管道安全预警检测为例，了解利用光纤应变感知获取管道形变信息，实现长距离管道状态监测和安全预警的基本思路。以脉搏与呼吸信号检测为例，了解触觉及相关传感技术在人体生理信息检测中的应用，认识触觉感知由机器人操作向可穿戴设备、健康监测和智能人机交互等领域拓展的发展趋势。4.听觉感知学时：4本部分主要介绍电子耳的组成与工作原理，重点掌握MEMS麦克风、皮肤附着式听觉传感器、基底膜柔性声传感器和摩擦电声音传感器等典型听觉感知技术，以及听觉信号处理和声源定位的基本方法；了解超声波感知及听觉感知在语音交互、健康监测、机器人和工业检测等领域中的应用。（1）电子耳及其工作原理介绍电子耳的基本概念及仿生听觉感知思想。电子耳通过声学采集单元、信号调理电路、数字信号处理单元、模式识别与智能算法模块以及输出交互单元，实现从声波获取到声音识别和理解的完整过程。结合人耳听觉过程，介绍“声波采集—声电转换—信号调理—特征提取—模式识别—结果输出”的基本工作流程，使学生理解电子耳如何模拟人耳的声音感知、频率分辨和听觉认知功能。（2）新型听觉传感器介绍麦克风传感器的基本声电转换原理，以MEMS麦克风为重点，讲解其利用MEMS微电容传感器和ASIC实现声音采集、转换与处理的基本过程，理解其小型化、高集成度等特点。介绍皮肤附着式听觉传感器，通过检测说话时颈部皮肤振动实现声音感知，了解其轻薄、柔性、抗环境噪声以及在可穿戴语音交互和健康监测中的应用特点。介绍基底膜柔性声传感器的仿生原理。通过柔性梯度膜模拟人耳耳蜗基底膜的频率分辨功能，使不同频率声波在不同位置产生局部共振，并利用压电或电容方式将机械振动转换为电信号，实现声音的分频感知。介绍摩擦电声音传感器利用摩擦起电与静电感应效应，将声波引起的机械振动转换为电信号的基本原理，了解其自供能、柔性和低功耗等特点及其在可穿戴设备、语音交互和环境声学监测中的应用。（3）听觉信号处理技术介绍听觉信号由传感器采集后进行放大、滤波、特征提取和信号增强的基本处理过程。重点介绍低通、高通和带通滤波在去除噪声、提取特定频率成分中的作用；了解经验模态分解（EMD）根据信号局部特征将复杂非线性、非平稳信号分解为多个本征模态函数的基本思想，以及VMD、EEMD等改进方法在声音信号分析中的作用。使学生建立“声音采集—预处理—特征提取—识别”的听觉信息处理框架。（4）声源定位与麦克风阵列介绍声源定位的基本原理。多个麦克风接收同一声源时，由于空间位置不同会产生信号到达时间差，通过分析不同麦克风信号之间的差异可以估计声源方向和位置。重点介绍互相关技术与到达时间差（TDOA）方法，通过计算不同麦克风信号的互相关函数获得时间延迟，并结合麦克风阵列的空间位置实现声源定位；了解波束形成通过多麦克风信号加权叠加增强特定方向声音的基本思想。（5）听觉感知典型应用结合教材中的典型应用介绍听觉感知技术的实际作用。了解电子耳及声学传感技术在语音识别、助听设备、智能机器人、声学监测和工业设备状态感知等方面的应用。结合超声波探伤，了解利用超声波在材料内部传播、反射和衰减特性进行无损检测的基本思想，使学生认识听觉及声学感知技术由声音识别向工业检测与状态监测等领域的拓展。5.嗅觉感知学时：4本部分主要介绍电子鼻与光子鼻两类典型人工嗅觉系统，重点掌握电子鼻的组成与工作原理、MEMS气体传感器阵列与智能识别方法，以及光子鼻中光谱吸收、光学谐振腔和表面增强拉曼散射等典型检测技术；了解嗅觉感知在可燃气体检测、环境监测和呼气分析等领域中的应用。（1）电子鼻及其工作原理介绍电子鼻的基本概念及仿生嗅觉感知思想。电子鼻通过多个具有不同响应特性的气体传感器构成阵列，获取待测气体的整体响应特征，并结合模式识别算法实现复杂气体或气味的检测、识别和分类。重点介绍电子鼻由气路系统、气体传感器阵列以及信号处理与模式识别系统组成的基本结构，理解“气味释放—传感器阵列响应—信号调理—数据采集与预处理—模式识别—气味分类”的完整工作流程，以及利用多传感器交叉响应形成“气味指纹”的基本思想。（2）新型气体传感与智能电子鼻介绍金属氧化物半导体气体传感器的基本感知原理，理解气体分子吸附引起半导体电学性质变化并实现气体检测的基本过程，以及传统MOS传感器存在交叉敏感和功耗较高等问题。重点介绍MEMS气体传感器技术。通过微热板及微型化结构降低传感器加热功耗，并将多个MEMS基金属氧化物气体传感器集成为阵列，与机器学习算法结合构建小型、低功耗智能气体感知系统，实现复杂或混合气体的识别。结合教材中的QCM等新型气敏器件，了解利用气体吸附引起微小质量变化并导致石英晶体谐振频率变化的质量敏感型气体检测思想。（3）电子鼻中的智能信息处理介绍电子鼻传感器阵列产生的多维数据特点，以及PCA、SVM、ANN、KNN等方法在气体特征提取、降维和分类识别中的作用。结合教材中的可燃气体检测案例，了解利用格拉姆角场（GAF）将多维时间序列转换为二维特征图像，并利用残差卷积神经网络完成气体识别的基本思路；结合尼古丁快速识别案例，了解LSTM利用门控机制提取气敏传感器时间序列动态特征，实现快速气体识别的方法。（4）光子鼻及其典型检测技术介绍光子鼻的基本概念。光子鼻以光作为信息载体，通过检测气体与光相互作用后光强、波长、相位、偏振或散射特性的变化，实现气体的定性识别与定量分析。重点介绍基于比尔—朗伯定律的光谱吸收型气体检测方法，了解直接吸收光谱、波长调制光谱和腔增强吸收光谱的基本思想，理解利用气体特征吸收谱线实现气体种类识别和浓度检测的原理。介绍光学谐振腔通过延长光与气体的有效作用距离提高痕量气体检测灵敏度的基本原理；了解表面增强拉曼散射（SERS）利用局域表面等离激元共振增强分子拉曼信号，实现痕量物质高灵敏、高选择性检测的基本思想。（5）电子鼻与光子鼻的特点及应用比较电子鼻与光子鼻在工作原理、灵敏度、选择性、抗电磁干扰能力、响应速度、远程传感能力以及系统复杂度等方面的主要特点，使学生理解两种人工嗅觉技术路线的差异及适用场景。结合教材中的典型案例，了解电子鼻在可燃气体检测和复杂气体快速识别中的应用；以中红外可调谐激光吸收光谱人体呼气分析为例，了解光子鼻实现痕量呼气生物标志物检测的基本过程；以光腔衰荡光谱大气监测为例，了解通过高反射率光学谐振腔实现高灵敏痕量气体检测的基本思想。6.味觉感知 学时：4本部分主要介绍电子舌的基本组成与工作原理，重点掌握电子舌利用多传感器阵列获取液体样品整体响应特征并结合模式识别实现定性、定量分析的基本方法，以及光寻址电位传感器、生物传感器等典型新型味觉感知技术；了解电位型、伏安型和阻抗谱型传感器的基本检测思想，以及电子舌在食品、医药和环境监测等领域中的应用。（1）电子舌及其工作原理介绍电子舌的基本概念及仿生味觉感知思想。电子舌以低选择性、非特异性、交互敏感的多传感器阵列获取液体样品的整体特征响应，并结合模式识别和化学计量学方法实现样品的辨识及定性、定量分析。重点介绍电子舌由味觉传感器阵列、信号采集系统和模式识别系统组成的基本结构，理解三者分别模拟人类舌头、神经系统和大脑的功能。（2）味觉传感器与新型感知技术介绍电位型、伏安型和阻抗谱型传感器的基本检测思想。电位型传感器通过检测膜电位变化反映离子浓度；伏安型传感器通过分析不同电势下产生的极化电流实现味觉物质识别；阻抗谱型传感器通过不同频率下电极—溶液界面阻抗特性的变化实现样品分析，使学生了解不同电化学信息在味觉检测中的作用。重点介绍光寻址电位传感器（LAPS）。理解其利用半导体内光电效应和敏感膜表面电位变化实现离子检测的基本原理，以及通过光源对不同敏感区域进行独立寻址，实现多参数、多样品检测的特点。介绍生物传感器在味觉感知中的应用，了解酶、抗体、微生物等生物识别元件利用特异性作用实现呈味物质检测的基本思想，以及其高特异性、高灵敏度、快速响应和微型化集成的发展特点。（3）电子舌的数据处理与智能识别介绍电子舌传感器阵列产生多维响应数据的特点，了解主成分分析（PCA）、人工神经网络（ANN）和偏最小二乘法（PLS）等方法在味觉数据分析中的基本作用。重点理解PCA通过降维提取主要味觉特征、ANN通过非线性映射实现复杂味觉关系的分类与预测、PLS通过建立传感器信号与味觉评价指标之间的关系实现定量预测的基本思想，为后续信息识别方法的学习建立联系。（4）电子舌典型应用结合教材中的应用了解电子舌在食品、医药和环境监测中的实际作用。在食品领域，了解电子舌用于食品品质分级、新鲜度检测、味觉评价、发酵过程监测和食品掺假识别的基本思路；在医药领域，了解其在中药味觉评价和药物掩味效果分析中的应用；在环境领域，了解电子舌通过检测水体重金属离子等物质，实现水质与相关味觉品质评价的方法。7.误差理论与数据处理基础学时：6本部分主要介绍测量误差及数据处理的基础理论，重点掌握测量误差的分类与处理、随机误差的统计特性、粗大误差判别、最小二乘法、PCA数据降维以及多传感器数据融合的基本思想；了解EMD、相关检测、软测量等典型数据处理与信息获取方法，为后续回归预测、聚类分析、判别分析和人工神经网络等信息识别方法的学习奠定基础。（1）测量误差及其处理介绍测量误差、真值、约定真值、相对真值、标称值和示值等基本概念，了解测量环境、测量装置、测量方法及测量人员等主要误差来源。重点介绍测量误差的分类。理解绝对误差、相对误差和引用误差等不同表示方式，以及系统误差、随机误差和粗大误差在产生原因、表现规律和处理方法上的区别。介绍随机误差的统计规律，理解随机误差的单峰性、有界性、对称性和抵偿性，以及正态分布、算术平均值、残余误差和标准差等概念。掌握利用贝塞尔公式估计标准差的基本方法，理解测量次数与测量结果精度之间的关系。介绍系统误差的发现与减小方法，以及粗大误差的判别思想，重点掌握拉依达准则（3σ准则）的基本原理，了解肖维勒准则和格拉布斯准则。了解直接测量误差向间接测量结果传递以及误差合成的基本思想。（2）最小二乘法介绍最小二乘法的基本思想。由于测量数据不可避免地受到误差影响，通过使测量值与拟合结果之间的残余误差平方和达到最小，可以获得较为可靠的参数估计结果。重点理解“残余误差平方和最小”的基本准则，以及利用多组实验数据建立最佳拟合关系的基本过程。了解最小二乘法的矩阵表示和参数求解方法，以及其在实验数据拟合和经验模型建立中的作用，为后续回归预测方法的学习建立基础。（3）数据预处理介绍原始数据在实际采集过程中可能存在缺失、异常、噪声以及不同量纲等问题，理解数据预处理对提高数据质量和后续识别效果的重要作用。重点介绍数据清洗与数据变换。数据清洗主要包括缺失值和异常值处理，了解删除、均值或中位数插补、最近邻插补、回归插补和插值等基本方法；数据变换主要包括函数变换和规范化，重点掌握最小—最大规范化的基本思想，理解消除不同变量量纲和取值范围差异的作用。了解连续属性离散化和属性构造的基本思想。（4）信号处理与特征提取方法介绍经验模态分解（EMD）的基本思想。EMD根据原始信号自身特征将非平稳信号分解为若干本征模态函数（IMF）和残余分量，从而获得不同尺度上的信号特征。了解其自适应分解特点及模态混叠问题。介绍相关检测的基本思想，理解利用有用信号的相关性与噪声随机性的差异，从噪声背景中提取微弱信号的方法。了解自相关、互相关以及相干检测的基本原理，并结合锁相放大器理解频率和相位信息在微弱信号检测中的作用。（5）主成分分析与数据降维重点介绍主成分分析（PCA）的基本思想。PCA通过线性变换寻找能够最大程度反映原始数据主要变化特征的一组正交主成分，在尽量保留有效信息的同时降低数据维数、减少冗余。从数据方差和变量相关性的角度理解主成分的物理含义，认识方差较大的方向能够包含更多主要信息，而高度相关的变量之间可能存在数据冗余。掌握PCA降维的一般流程，包括数据中心化、计算协方差矩阵、求取特征值和特征向量、计算贡献率、选择主要特征向量以及获得降维数据等步骤。了解PCA适用于线性数据的基本特点及其局限性。（6）软测量与多传感器数据融合介绍软测量的基本概念。针对工业过程中某些难以直接测量的重要变量，通过选择与其相关且容易测量的辅助变量，建立辅助变量与主导变量之间的数学模型，实现对目标变量的间接估计。了解软测量的基本实现过程，包括辅助变量选择、输入数据处理、软测量模型建立及模型校正，并了解机理建模、回归分析和人工神经网络等典型软测量建模方法。重点介绍多传感器数据融合的基本概念和作用。理解通过综合多个传感器在时间和空间上的互补与冗余信息，可以提高感知结果的准确性、完整性和可靠性。掌握数据融合的三个主要层次，即数据层、特征层和决策层，理解不同融合层次在信息量、信息损失、容错性及对传感器依赖程度等方面的差异。了解加权平均、Bayes推理、D-S证据理论、卡尔曼滤波和神经网络等典型融合方法，以及数据融合在智能检测、状态监测和机器人等领域中的应用。8.回归预测学时：4本部分主要介绍回归预测的基本思想，重点掌握线性回归模型、最小二乘参数估计方法以及常用回归评价指标，理解分段模型、指数模型和Logistic模型的基本形式及适用场景；了解Logistic模型在二分类问题中的概率预测思想及梯度下降等基本优化方法，为后续机器学习与智能识别方法的学习奠定基础。（1）线性回归介绍回归预测的基本概念及其与分类问题的区别。回归主要用于预测连续数值，线性回归则假设自变量与因变量之间存在线性关系，通过自变量的线性组合实现输出预测。重点介绍线性回归模型的基本形式，理解模型中权重和偏置的含义，以及利用训练数据确定模型参数的基本过程。结合均方误差说明预测值与真实值之间误差的度量方法，重点理解最小二乘法通过最小化残余误差平方和获得模型参数的基本思想。结合教材中的房屋价格预测和学生考试成绩预测案例，理解线性回归模型从样本数据建立变量关系并进一步实现未知样本预测的基本过程。（2）非线性回归介绍非线性回归的基本概念，使学生理解当变量之间的关系不能用简单直线描述时，需要根据数据变化规律选择适当的非线性模型。了解分段模型、指数模型和Logistic模型的基本特点。分段模型通过设置分段点，在不同区间分别建立回归关系；指数模型用于描述变量的指数增长或衰减过程；Logistic模型利用S形曲线描述受限增长或概率变化过程。重点理解不同回归模型应根据数据关系和实际问题特点进行选择。（3）Logistic模型介绍Logistic模型的基本思想。首先建立线性模型，再利用Sigmoid函数将线性模型的输出映射到0～1范围内，从而将输出解释为事件发生的概率。重点理解Logistic模型用于二分类任务的基本方法，即根据模型输出概率并设置分类阈值，实现“是/否”“成功/失败”等类别判断。理解其线性决策边界、平滑概率输出和较强可解释性等基本特点。了解Logistic模型通过极大似然估计学习参数的基本思想，以及梯度下降法和牛顿法等参数优化方法，重点认识学习率对梯度下降算法收敛过程的影响，不展开复杂数学推导。（4）回归模型评价介绍回归模型性能评价的基本作用，理解不能仅根据模型是否能够拟合训练数据判断其性能，还需要利用相应评价指标衡量预测误差和拟合效果。重点介绍均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数R2等常用指标。理解不同指标反映模型性能的角度不同：MSE和RMSE强调较大预测误差，MAE反映平均绝对偏差，MAPE反映相对预测误差，R2用于评价模型对数据变化的解释能力。通过不同指标的综合比较，使学生能够根据具体预测任务合理评价回归模型的性能。聚类分析学时：2本部分主要介绍聚类分析及无监督学习的基本思想，重点掌握KMeans和DBSCAN两类典型聚类方法的基本原理、聚类过程及适用特点，以及聚类结果的基本评价思想；了解KMeans++、Mini-BatchK-Means、SODATA等改进方法和常用聚类评价指标，为后续分类识别和智能信息处理方法的学习奠定基础。（1）聚类分析基本概念介绍无监督学习和聚类分析的基本概念。聚类是在样本类别未知的情况下，根据数据自身的特征和相似性，将样本自动划分为若干簇，使同一簇内样本尽可能相似、不同簇之间样本尽可能不同。介绍聚类既可用于直接发现数据的内在分布结构，也可作为分类等其他学习任务的前置过程。使学生理解聚类与有监督分类的区别，以及距离和相似性度量在聚类分析中的基本作用。（2）KMeans聚类方法重点介绍KMeans算法的基本思想。KMeans通过不断调整簇中心，使各样本到所属簇中心的平方距离之和尽可能小，从而实现簇内紧密、簇间分离。掌握KMeans的基本过程，包括初始化聚类中心、根据距离完成样本分配、重新计算各簇均值向量、更新聚类中心并重复迭代，直至聚类结果稳定。结合教材中的西瓜数据集，理解聚类中心在迭代过程中的变化以及最终簇划分的形成过程。了解KMeans对初始中心敏感、对噪声和异常值鲁棒性较差以及难以处理非球形簇等局限性，并了解KMeans++通过优化初始聚类中心选择改善聚类效果、Mini-BatchK-Means通过小批量数据提高大规模数据处理效率，以及SODATA动态调整簇数量和位置的基本思想。（3）DBSCAN密度聚类方法介绍DBSCAN基于数据密度进行聚类的基本思想。与KMeans不同，DBSCAN不需要预先指定簇的数量，而是通过分析样本局部密度，将高密度区域连接形成聚类簇，并将低密度区域样本识别为噪声点。重点理解邻域、核心对象、密度直达、密度可达和密度相连等基本概念，以及利用核心对象作为种子逐步扩展聚类簇的基本过程。结合教材中的聚类结果，理解DBSCAN能够识别任意形状簇并发现离群点的特点，并比较其与KMeans在聚类思想和适用数据分布方面的差异。（4）聚类结果评价介绍聚类结果评价的基本思想。良好的聚类结果应具有较高的簇内相似性和较低的簇间相似性，即实现“簇内紧密、簇间分离”。了解聚类评价指标分为外部指标和内部指标两类。外部指标通过将聚类结果与参考模型或真实标签进行比较进行评价，主要包括Jaccard系数、FM指数和Rand指数等；内部指标不依赖真实标签，直接根据聚类结果的紧密性和分离性进行评价。重点理解轮廓系数的基本含义，了解DB指数和Dunn指数等内部评价方法，使学生能够根据是否具有参考标签选择适当的聚类评价指标。判别分析学时：2本部分主要介绍监督学习中的典型判别方法，重点掌握贝叶斯判别、K近邻判别和支持向量机的基本思想、判别依据及适用特点，以及基于混淆矩阵的分类结果评价方法；了解极大似然估计、朴素贝叶斯的条件独立假设、SVM核方法，以及ROC曲线和AUC等评价方法，为后续人工神经网络等智能分类识别方法的学习奠定基础。（1）贝叶斯判别介绍贝叶斯决策论的基本思想。贝叶斯判别在已知或可估计类别概率的条件下，根据后验概率和误判损失选择类别，使总体分类风险尽可能小；当各类误判损失相同时，可将样本判为后验概率最大的类别。介绍先验概率、类条件概率和后验概率之间的关系，理解贝叶斯公式在分类判别中的作用。了解极大似然估计的基本思想，即根据训练样本寻找能够使观测数据出现可能性最大的模型参数，为类条件概率估计提供基础。重点介绍朴素贝叶斯分类器。理解其通过“属性条件独立性假设”将复杂的联合概率计算转化为多个条件概率的乘积，并根据各类别后验概率完成样本分类。结合教材中的西瓜数据集案例，理解朴素贝叶斯从概率估计到类别判别的基本过程。（2）K近邻判别介绍K近邻（KNN）算法的基本思想，即根据“相似样本具有相似输出”的假设，在特征空间中寻找距离待测样本最近的K个训练样本，并根据邻近样本的类别确定预测结果。重点掌握KNN的基本判别流程，包括数据预处理、样本距离计算、近邻选择和类别投票。理解欧几里得距离、曼哈顿距离等常用距离度量方法对近邻选择结果的影响。了解KNN属于惰性学习和非参数方法的特点，以及K值选择、特征尺度和距离度量方式对分类结果的影响。（3）支持向量机介绍支持向量机（SVM）的基本分类思想。SVM通过在特征空间中寻找能够最大程度分离不同类别样本的最优超平面，实现分类判别，其核心思想是最大化分类间隔，从而提高模型的泛化能力。重点理解超平面、分类间隔和支持向量等基本概念。支持向量是距离分类超平面最近并决定分类边界位置的关键样本。了解硬间隔SVM和软间隔SVM的区别。硬间隔适用于线性可分数据；软间隔通过引入松弛变量和惩罚参数，允许少量样本分类错误，从而增强模型对噪声和异常数据的适应能力。介绍非线性SVM的基本思想，了解通过核函数将原始数据映射到高维特征空间，并在高维空间中实现线性分类的方法，以及线性核、多项式核、高斯核和Sigmoid核等常见核函数。（4）判别结果评价介绍分类模型评价的基本作用，理解不仅需要判断整体分类是否正确，还应分析不同类型的分类错误。重点介绍混淆矩阵及真正例（TP）、真负例（TN）、假正例（FP）和假负例（FN）的含义，并在此基础上理解准确率、精确率、召回率、F1分数和特异性等常用分类评价指标。了解不同评价指标适用场景的差异。例如，在类别分布不均衡时，仅使用准确率可能无法全面反映模型性能，需要结合精确率、召回率和F1分数进行评价。介绍ROC曲线和AUC的基本思想。理解ROC曲线通过不同分类阈值下真阳性率与假阳性率之间的关系评价模型性能，AUC则利用ROC曲线下面积综合衡量模型区分不同类别的能力。人工神经网络学时：4本部分主要介绍人工神经网络的基本结构、神经元模型及训练方法，重点掌握多层感知器和BP神经网络的前向传播与反向传播思想、CNN的特征提取机制、RNN及LSTM的序列建模方法，以及Transformer的自注意力机制和基本架构；了解感知器、常用激活函数、损失函数与优化算法，以及不同神经网络模型的特点和适用场景。（1）人工神经网络基本原理介绍人工神经网络模仿生物神经系统进行信息处理和学习的基本思想，理解神经元、输入、输出、连接权重与生物神经网络中细胞体、树突、轴突和突触之间的对应关系。介绍神经网络由输入层、隐藏层和输出层构成的基本结构，理解神经元通过输入信号加权求和并经过激活函数产生输出的基本过程。了解阶跃函数、符号函数、Sigmoid函数和线性函数等常用激活函数及其作用。介绍神经网络训练的基本思想。理解损失函数用于衡量预测结果与真实值之间的差异，了解均方误差和交叉熵损失分别在回归与分类任务中的作用；了解梯度下降、SGD、小批量梯度下降以及Adam等优化方法通过不断调整网络参数减小损失的基本过程。（2）感知器、多层感知器与BP神经网络介绍感知器的基本结构和学习原理。感知器通过输入特征的加权组合和阈值判决实现二分类，并通过训练过程中不断调整连接权重完成学习。理解感知器只能处理线性可分问题的局限性，并结合AND、OR和异或等逻辑问题认识单层感知器与多层网络的差异。重点介绍多层感知器（MLP）和BP神经网络。理解通过增加隐藏层和非线性激活函数，可以学习复杂的非线性映射关系。重点掌握神经网络的基本训练流程，即“前向传播—损失计算—反向传播—参数更新—迭代训练”。理解反向传播根据输出误差逐层计算梯度，并利用梯度下降调整权重和偏置的基本思想。了解正则化、Dropout和数据增强等缓解过拟合的方法。（3）卷积神经网络介绍卷积神经网络（CNN）面向图像等网格结构数据进行自动特征提取的基本思想。重点介绍卷积层、池化层和全连接层的作用。卷积层利用卷积核在输入数据上滑动，实现局部特征提取；池化层通过下采样降低特征维度并保留主要信息；全连接层对提取后的特征进行分类或回归。理解CNN从原始数据中逐层提取特征的基本过程，以及“数据预处理—卷积特征提取—池化降维—全连接输出”的整体结构。了解数据增强、前向传播、损失计算、反向传播和参数更新等基本训练过程，以及CNN在图像识别、目标检测和语义分割等任务中的应用特点。（4）循环神经网络与LSTM介绍循环神经网络（RNN）处理序列数据的基本思想。RNN通过隐藏状态在不同时间步之间传递信息，使当前输出能够利用之前时刻的信息，实现对时间序列和序列关系的建模。理解RNN在时间维度上的展开过程，以及输入、隐藏状态和输出之间的关系。了解随时间反向传播（BPTT）的基本训练思想，以及传统RNN在长序列处理中容易出现梯度消失和梯度爆炸的问题。重点介绍长短期记忆网络（LSTM）的基本结构。理解细胞状态及遗忘门、输入门和输出门的作用，认识LSTM通过门控机制选择性地保存、更新和输出信息，从而增强长期依赖关系建模能力。（5）Transformer与自注意力机制介绍Transformer利用自注意力机制进行信息建模的基本思想。与RNN按时间顺序处理序列不同，Transformer可以并行计算，并通过注意力机制直接建立序列中不同位置之间的关联。重点介绍Transformer的编码器—解码器基本架构，以及多头注意力、前馈神经网络、层归一化和残差连接等主要模块。理解Query、Key和Value之间通过注意力权重实现信息选择和加权融合的基本过程。了解多头注意力通过不同子空间同时提取多种关联信息的作用，以及位置编码用于补充序列位置信息的原因。了解Transformer利用交叉熵损失和Adam等方法进行训练的基本过程，并认识其在自然语言处理及其他序列信息处理任务中的应用特点。视觉感知案例-视觉引导机器人应用学时：4本部分通过三维机器视觉引导机器人打磨抛光、自主焊接、垃圾识别与分拣以及视觉与全站仪融合车轴测量等典型案例，重点掌握视觉引导系统中多坐标系标定、三维信息获取、目标与特征识别、路径与姿态规划以及机器人执行控制的基本方法，理解“感知—理解—决策—执行”的视觉引导闭环；了解深度学习目标检测、多传感器融合、稳健拟合等技术在复杂工程场景中的应用。（1）视觉引导机器人系统的基本框架介绍视觉感知技术与机器人控制相结合的基本思想。视觉系统首先获取工件或目标的图像、点云等信息，经预处理和特征提取获得目标位置、形貌、类别及姿态等结构化信息，再通过坐标转换、路径规划和姿态解算形成机器人可执行的运动指令，最终完成加工、焊接、抓取或测量任务。结合本章四个案例，总结视觉引导系统的一般技术流程，即“系统标定—视觉信息获取—特征提取与识别—空间定位—路径与姿态规划—机器人执行—结果评价”，使学生建立视觉感知技术由信息获取到工程执行的整体认识。（2）视觉系统标定与坐标系统一介绍视觉引导系统中标定的基本作用，理解相机获得的信息只有经过坐标系统一后，才能转换为机器人能够执行的位置和姿态信息。结合打磨抛光案例，介绍双目视觉系统标定、机器人运动学参数标定和手眼标定的基本作用；结合自主焊接案例，了解单目相机标定、光平面标定以及“眼在手上”手眼标定的基本方法；结合垃圾分拣和车轴测量案例，了解相机坐标系、传送带坐标系、机器人坐标系以及全局测量坐标系之间的转换关系。重点理解不同应用虽然标定形式不同，但本质都是建立传感器、被测对象和机器人之间准确的空间映射关系，为后续三维测量和机器人控制提供统一坐标基础。（3）三维视觉感知与机器人路径规划以机器人打磨抛光和自主焊接为主要案例，介绍三维视觉信息获取及其向机器人运动轨迹转换的基本过程。在打磨抛光系统中，了解双目视觉通过立体匹配获取工件三维点云，并经过滤波、去噪和区域分割获得有效工件表面信息；在此基础上，根据工件表面形貌生成打磨轨迹，并利用点云法向量确定机器人末端的加工姿态。在自主焊接系统中，了解单目相机与线激光构成的结构光视觉系统，通过激光条纹变形获取焊缝三维信息，并利用激光中心提取、区域分割以及直线和曲线拟合等方法获得关键焊接点位。进一步结合工件表面法向量完成焊枪姿态解算。（4）深度学习视觉识别与机器人智能分拣以垃圾识别与分拣系统为例，介绍深度学习在视觉引导机器人中的应用流程。首先通过工业相机采集实际工作环境中的目标图像，并利用翻转、旋转、亮度调节及噪声引入等方式进行数据增强，构建用于网络训练与测试的数据集。介绍利用卷积神经网络进行目标检测的基本思路，理解主干网络负责目标特征提取，多尺度特征融合和注意力机制用于增强有效信息表达，最终获得目标的类别和位置。进一步介绍目标姿态检测方法。通过提取检测区域、图像预处理、轮廓提取及椭圆拟合等方法获得目标角度，再结合坐标转换确定机器人的抓取位置和姿态，最终形成“图像采集—目标识别—位置与姿态估计—机器人抓取—分类放置”的智能分拣闭环。（5）多传感器融合与高精度视觉测量以视觉与全站仪融合的车轴测量系统为例，介绍多传感器协同测量的基本思想。了解双目视觉传感器用于局部高精度三维测量，全站仪用于大范围空间测量，通过全局标定将不同视觉传感器建立的局部坐标系统一至全站仪坐标系，从而兼顾测量范围和测量精度。介绍利用加权LM算法优化坐标转换参数的基本思想，通过建立视觉测量值与全局测量值之间的误差模型，并根据不同测量点误差赋予权重，迭代求取更加稳定准确的坐标转换关系。了解RANSAC算法通过随机采样、模型假设、内外点判别和重复迭代，从含有异常点的数据中获得稳健空间直线模型的基本思想，并认识其在车体轴线拟合等高精度视觉测量任务中的作用。（6）视觉引导系统的综合设计思想综合本章四个案例，总结视觉引导系统中视觉感知、智能算法与机器人执行之间的协同关系。理解不同工程应用虽然任务目标不同，但均需要解决三个核心问题：一是通过标定建立不同设备之间统一的空间坐标关系；二是通过视觉感知、三维重建或深度学习方法获得目标的几何、类别、位置和姿态信息；三是将视觉感知结果转换为机器人或测量系统能够直接使用的路径、姿态或空间参数。通过比较机器人打磨、自主焊接、垃圾分拣和车轴测量四种应用，使学生理解视觉感知系统由单一图像处理向三维感知、智能识别、多传感器融合和自主决策执行方向发展的基本特点，形成面向实际工程问题进行视觉感知系统设计与集成的整体思路。嗅觉感知案例-光子鼻多组分气体浓度检测学时：2本部分以甲烷、硫化氢和水蒸气多组分气体浓度检测为例，介绍基于激光吸收光谱的光子鼻检测方法，重点掌握从气体光谱信息获取、信号预处理、PCA特征降维到神经网络浓度反演的整体技术流程，理解BP神经网络和BiLSTM对不同类型光谱特征进行浓度预测的基本思路；了解MAE、RMSE和决定系数等指标在多组分气体浓度预测模型评价中的作用。（1）光子鼻多组分气体检测原理介绍光子鼻利用气体特征吸收光谱实现多组分气体感知的基本思想。可调谐中红外激光扫描甲烷、硫化氢和水蒸气的“指纹”吸收区域，根据Beer-Lambert定律获取与气体种类和浓度相关的光谱信息。介绍在激光扫描过程中叠加频率或波长调制，并利用锁相或IQ解调提取与气体吸收相关调制分量的基本方法，使学生理解光子鼻由“光与气体相互作用”获得浓度敏感信息的基本过程。结合教材中的系统流程，建立“激光扫描—气体吸收—光电探测—信号解调—数据处理—浓度输出”的总体检测框架。（2）光谱数据获取与预处理介绍多组分气体光谱数据的基本特点。由于不同气体吸收光谱可能发生重叠，原始光谱信号同时包含多种组分的浓度信息，并受到噪声、基线变化等因素影响，因此需要在浓度反演前进行预处理。介绍多周期平均、S-G滤波、基线校正和归一化等基本处理方法，理解其在抑制随机噪声、改善信号质量和统一数据尺度方面的作用。结合教材中的模拟数据构建过程，了解通过改变不同气体浓度组合形成多组分光谱样本，并将相应气体浓度作为模型输出标签，为后续浓度反演模型建立训练数据集的基本方法。（3）PCA特征提取与光谱降维介绍多组分光谱数据具有维度高、信息冗余等特点，直接输入模型可能增加计算量和训练时间，因此可利用主成分分析对光谱数据进行特征压缩。重点理解PCA将高维相关光谱变量转换为少量相互独立主成分的基本思想，在尽量保留原始光谱主要信息的同时降低输入维度。了解通过数据标准化、协方差矩阵计算、特征值与特征向量求解以及累计贡献率选择主成分的一般过程。结合教材案例，理解以累计贡献率达到95%以上作为主成分选择依据的基本方法。（4）多组分气体浓度反演介绍利用神经网络建立光谱特征与多组分气体浓度之间非线性映射关系的基本思想，实现由“光谱信号”向“气体浓度”的定量反演。结合PCA-BP模型，了解将PCA提取后的主成分作为神经网络输入，通过前向传播和误差反向传播学习光谱特征与三种气体浓度之间映射关系的基本方法。结合BiLSTM模型，了解直接利用频率调制光谱序列进行时序建模，通过正向和反向LSTM共同提取序列前后信息，并通过全连接层输出各气体浓度的基本思路。重点比较两种浓度反演策略：PCA-BP侧重对光谱特征压缩后的静态非线性建模，BiLSTM侧重保留原始序列中的动态信息并进行时序