课程简介
模式识别是智能信息处理的核心内容之一，广泛应用于人工智能、机器人、系统控制、生物医学工程、军事目标识别等领域，对国民经济、国防建设和社会发展等发展产生了深远的影响。模式识别课程已成为信息与通信工程、自动控制工程、计算机工程等专业的重要课程。
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。
课程大纲
初识模式识别
1.1模式识别的基本概念
1.2应用模式识别具体解决实际问题
1.3模式识别的一般过程
聚类分析
2.1相似性测度
2.2基于距离阈值的聚类算法
2.3层次聚类法
2.4动态聚类算法
2.5知识要点与实验参考
线性判别函数
3.1线性判别函数
3.2广义线性判别函数
3.3线性判别函数的几何性质
3.4感知器算法
3.5梯度法
3.6均方误差最小算法
3.7支持向量机
3.8知识要点与实验参考
贝叶斯决策理论
4.1最小错误贝叶斯决策
4.2最小风险贝叶斯决策
4.3最大似然估计
4.4知识要点与实验参考
特征提取与选择
5.1基本概念
5.2类别可分性测度
5.3基于类内散布矩阵的特征提取
5.4K-L变换的特征提取
5.5特征选择的常用方法比较
5.6知识要点与实验参考
模糊模式识别
6.1模糊分类直接方法
6.2模糊分类间接方法
6.3模糊聚类方法
6.4模糊K均值算法
6.5模糊模式识别与传统模式识别比较
6.6知识要点与实验参考
人工神经网络
7.1人工神经网络的发展
7.2人工神经网络的基本概念
7.3BP神经网络
7.4卷积网络
7.5循环神经网络
7.6长短期记忆网络
7.7深度学习的发展与工程应用
7.8知识要点与实验参考
1.1模式识别的基本概念
1.2应用模式识别具体解决实际问题
1.3模式识别的一般过程
聚类分析
2.1相似性测度
2.2基于距离阈值的聚类算法
2.3层次聚类法
2.4动态聚类算法
2.5知识要点与实验参考
线性判别函数
3.1线性判别函数
3.2广义线性判别函数
3.3线性判别函数的几何性质
3.4感知器算法
3.5梯度法
3.6均方误差最小算法
3.7支持向量机
3.8知识要点与实验参考
贝叶斯决策理论
4.1最小错误贝叶斯决策
4.2最小风险贝叶斯决策
4.3最大似然估计
4.4知识要点与实验参考
特征提取与选择
5.1基本概念
5.2类别可分性测度
5.3基于类内散布矩阵的特征提取
5.4K-L变换的特征提取
5.5特征选择的常用方法比较
5.6知识要点与实验参考
模糊模式识别
6.1模糊分类直接方法
6.2模糊分类间接方法
6.3模糊聚类方法
6.4模糊K均值算法
6.5模糊模式识别与传统模式识别比较
6.6知识要点与实验参考
人工神经网络
7.1人工神经网络的发展
7.2人工神经网络的基本概念
7.3BP神经网络
7.4卷积网络
7.5循环神经网络
7.6长短期记忆网络
7.7深度学习的发展与工程应用
7.8知识要点与实验参考