《模式识别及其应用》课程教学大纲(本科).pdfVIP

《模式识别及其应用》课程教学大纲(本科)--第1页

模式识别及其应用

（PatternRecognitionandApplications）

课程编号

学分：2

学时：32（其中：课堂教学学时：26实验学时：0上机学时：6课程实践学时：0）

先修课程：高等数学、线性代数、概率统计、数字图像处理

适用专业：电子信息科学与技术

教材：《模式识别（第三版）》，张学工著，清华大学出版社，2010年8月

一、课程性质与课程目标

（一）课程性质

《模式识别及其应用》模式识别是电子信息类专业的一门选修课。它是在信号处理、人工智能、

控制论、计算机技术等学科基础上发展起来的新型学科。模式识别是对事物或现象进行描述、辨认、

分类和解释的过程，是信息科学和人工智能的重要组成部分。通过该课程的学习，学生能够掌握模

式识别的基本理论和主要方法，使学生了解模式识别的应用领域，为将来从事生物特征识别、自然

语言处理和人工智能等方面研究打下基础。

（二）课程目标

《模式识别及其应用》是以数学方法与计算机为主要工具对各种信息进行处理、分类和理解。

模式识别可对表征事物或现象的各种形式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。它是信息科学和人工智能的重要组成部分，主要应用领域是图像分析与处理、

语音识别、声音分类、通信、计算机辅助诊断、数据挖掘等学科。课程目标包括知识目标和能力目

标，具体如下：

课程目标1：了解统计决策的基本思想和原理；包括了解基于最小错误率的贝叶斯决策和最小

风险的贝叶斯决策，了解Neyman-pearson决策方法，了解正态分布情况下部分决策的具体形式和错

误率计算。

课程目标2：掌握线性分类器的原理和方法，了解和非线性分类器的原理和方法；包括掌握线

性分类器（如Fisher线性判别分析，近邻法等）的准则和寻优算法。了解非线性分类器（如支持向

量机）的概念和设计方法。

课程目标3：掌握线性特征提取的原理及实现方法，了解非线性特征提取的原理及实现方法。

包括掌握主成分分析，线性判别分析等线性特征提取方法，了解核主成分分析的非线性特征提取方

法。

课程目标4：掌握非监督模式识别的实现方法。包括掌握C均值聚类算法，模糊C均值聚类算

法和模糊Kohonen聚类网络的基本原理和算法实现。

二、课程内容及教学要求

第一章概论

《模式识别及其应用》课程教学大纲(本科)--第1页

《模式识别及其应用》课程教学大纲(本科)--第2页

（一）课程内容

1．模式和模式识别的定义；样本，类别和特征的定义；

2.模式识别的主要方法。

3.有监督和非监督模式识别。

4.模式识别实际应用举例。

（二）教学要求

1.了解本课程的性质，任务和实际应用情况。

2.掌握有监督和非监督模式识别的概念。

3.掌握样本，类别，特征的定义。

（三）重点与难点

1.重点

模式识别的一些基本概念，如有监督和非监督模式识别，样本，类别，特征等。

2.难点

有监督和非监督模式识别的区别。

第二章统计决策方法

（一）课程内容

1.贝叶斯决策

2.Neyman-pearson决策；

3.正态分布时的统计决策。

（二）教学要求

1.了解贝叶斯风险、贝叶斯分类器等基本原理及方法；

2.了解Neyman-pearson决策原理。

3.了解正态分布情况下