《模式识别》教 学 大 纲
一．课程性质与教学目的
本课程是计算机科学与技术专业研究生一年级的专业选修课，是研究计算机模式识别的
基本理论、方法和应用。本课程的教学目的是，通过本课程的学习，使学生掌握模式识别的
基本概念、基本原理、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本
专业和相关领域的实际问题的能力。
二．课程要求
重点掌握下列几方面的知识。
（1）贝叶斯决策理论。
（2）概率密度函数的估计。
（3）线性差别函数。
（4）非线性差别函数。
（5）近邻法。
（6）特征的选择与提取。
（7）基于K-L展开式的特征提取。
（8）非监督学习方法。
（9）人工神经网络。
（10）模糊模式识别方法。
（11）统计学习理论 支持向量机。
三．教学内容及要求
教学内容 教学要求
第1章 概论 1.1模式与模式识别 1.2模式识别的主要方法 1.3监督模式识别与非监督模式识别 1.4模式识别系统举例 1.5模式识别系统的典型构成 了解模式识别的相关常识与概念，以及一
些基本问题

第2章 统计决策方法 2.1引言：一个简单的例子 2.2最小错误率贝叶斯决策 2.3最小风险贝叶斯决策 2.4两类错误率、neyman-pearson决策与roc1.理解最小错误率贝叶斯决策和最小风
险贝叶斯决策，
2.理解正态分布时的统计决策
3.理解错误率的计算
曲线
2.5正态分布时的统计决策
2.6错误率的计算
2.7离散概率模型下的统计决策举例
第3章 概率密度函数的估计 3.1引言 3.2最大似然估计 3.3贝叶斯估计与贝叶斯学习 3.4概率密度估计的非参数方法 了解最大似然估计、贝叶斯方法与概率密
度估计。

第4章 线性分类器 4.1引言 4.2线性判别函数的基本概念 4.3fisher线性判别分析 4.4感知器 4.5最小平方误差判别 4.6最优分类超平面与线性支持向量机 4.7多类线性分类器 1.理解线性判别函数的基本概念
2.理解fisher线性判别分析
3.理解感知器和最小平方误差判别
4.了解最优分类超平面与线性支持向量
机
5.了解多类线性分类器

第5章 非线性分类器 5.1引言 5.2分段线性判别函数 5.3二次判别函数 5.4多层感知器神经网络 5.5支持向量机 5.6核函数机器 1.理解分段线性判别函数和二次判别函
数
2.理解多层感知器神经网络
3.理解支持向量机和核函数机器

第6章 其他分类方法. 6.1近邻法 6.2决策树与随机森林 6.3罗杰斯特回归 6.4boosting方法 1.理解近邻法和决策树与随机森林
2.理解罗杰斯特回归
3.了解boosting方法

第7章 特征选择 7.1引言 7.2特征的评价准则 7.3特征选择的最优算法 7.4特征选择的次优算法 7.5特征选择的遗传算法 7.6以分类性能为准则的特征选择方法 1．理解特征的评价准则
2．理解特征选择的各种算法
3. 理解以分类性能为准则的特征选择方
法

第8章 特征提取 8.1引言 1．掌握基于类别可分性判据的特征提取
2．掌握主成分分析方法
8.2基于类别可分性判据的特征提取 8.3主成分分析方法 8.4karhunen-loeve变换 8.5k-l变换在人脸识别中的应用举例 8.6高维数据的低维显示 8.7多维尺度法 8.8非线性变换方法简介 3．理解karhunen-loeve变换
4. 理解高维数据的低维显示和多维尺度
法
5.了解非线性变换方法

第9章 非监督模式识别 9.1引言 9.2基于模型的方法 9.3混合模型的估计 9.4动态聚类算法 9.5模糊聚类方法 9.6分级聚类方法 9.7自组织映射神经网络 1．了解基于模型的方法
2．理解混合模型的估计
3. 理解动态聚类算法、模糊聚类方法和
分级聚类方法
6. 了解自组织映射神经网络

第10章 模式识别系统的评价 10.1监督模式识别方法的错误率估计 10.2有限样本下错误率的区间估计问题 10.3特征提取与选择对分类器性能估计的影响 10.4从分类的显著性推断特征与类别的关系 10.5非监督模式识别系统性能的评价 理解错误率估计、区间估计以及分类器性
能估计等模式识别系统的评价方法

四．使用教材和教学参考书
使用教材
：

张学工编，模式识别，清华大学出版社，2010年8月。
教学参考书：

1、边肇祺编，模式识别，清华大学出版社。
2、范九伦等编，模式识别导论，西安电子科技大学出版社。