K-L变换的原理是什么？ 3.如何利用K-L变换进行特征选择？ 4.汽车车牌识别的流程是什么？ 5. 为什么要对车牌图像进行预处理？
第七章 人工神经网络
1. 什么是人工神经网络？ 2. 人工神经元模型的结构是什么？ 3. 人工神经网络的原理是什么？ 4. 三层前馈网络的拓扑结构是什么？ 5. 人工神经网络有哪些特征？ 6. BP网络的设计主要设计什么？ 7.隐层神经元个数对网络学习性能的影响？ 8. BP算法的过程是什么，算法步骤是什么？ 9.什么是UCI数据集？ 10. 对一个样本数据集，如何选取训练样本与测试样本？
9. Fisher线性判别函数的基本思想和方法是什么？ 10. 什么是最优分界面，为什么要找最优分界面？ 11. 什么是支持向量，支持向量与最优分界面是什么关系？
12.什么是支持向量机？
第三章 Bayes决策理论
1. 什么是先验概率、类条件概率密度、后验概率？Bayes公式 的意义是什么？ 2.最小错误率的Bayes决策规则的三种决策规则形式是什么？ 3. 最小错误率的Bayes决策为什么具有最小错误概率？（定性 解释） 4. 什么是损失函数？对于两类别问题如何计算条件风险？ 5. 最小风险的Bayes决策规则是什么？对两类别问题，决策规 则形式是什么？ 6. 最小风险的Bayes决策和最小错误率的Bayes的决策的关系 是什么？如何说明？
7. 正态分布时的Bayes决策在第一种情况下是什么形式？
第五章 近邻法则和集群
1. 什么是近邻法则？ 2. 近邻法则的分类性能如何？（定性说明，定量说明） 3. 快速近邻算法解决什么问题,其思路和算法步骤是什么？ 4.集群应该解决哪两个问题？
5. C-均值聚类算法步骤是什么？
6.等级集群方法针是对什么情况的聚类？
第八章 粒子群优化算法，PSO
1. 群智能算法的一般框架是什么？ 2. 群智能算法都有哪些？ 3. PSO的基本思想是什么？ 4. 粒子的更新公式的含义是什么？各部分对算法的性能有 何作用？ 5. PSO算法的设计步骤是什么？
第一章 引言
1. 什么是模式识别，什么是模式（概念理解），模式向量？ 2. 模式特征是否越多越好，为什么？ 3.模式识别工作的主要内容是什么？ 4.如何对绿苹果和桔子进行识别？
1
第二章 线性判别函数
1. 用线性判别函数实现分类识别的方法思路是什么？
2. 什么是决策面、超平面和超曲面？
3. g ( X ) W T X w0 在向量空间的几何表示是什么？ 4. 什么是训练样本集，线性判别函数的确定方法是什么？ 5. 什么是增广模式向量，增广权向量？为什么要变成增广形 式？如何变？ 6. 为什么要定义感知准则函数，梯度下降法原理是什么？ 7. 固定增量法的方法是什么？ 8. 对线性不可分问题如何用线性判别函数处理？