《模式识别应用》 一、主要目标和主要内容： 模式识别是研究让计算机通过分析某些物理现象的数据特征，达到对事物进行自动分类的目的的一门科学。模式识别的基本原理和方法在医学、军事等众多领域应用十分广泛，如印刷体识别、手写汉字识别、医学图像识别、雷达/声纳目标识别、生物特征识别等是模式识别原理和方法的一些典型应用。模式识别是信息工程及其相关专业学科的重要技术之一。 通过本课程的学习，让学生掌握用计算机识别事物的基本原理、方法，掌握模式识别中最基本的概念，了解计算机分类识别事物(监督学习)和计算机分析数据(非监督学习)的概念及基本方法，了解人工神经元网络的工作原理及其在模式识别中的应用，为将来继续深入学习或进行科学研究打下坚实的基础。同时，通过实验使学生掌握应用模式识别基本原理和基本方法解决实际问题的基本技巧，培养学生应用理论知识解决实际问题的能力。 本课程的讲授分为6章，并都作为基本要求，部分内容可酌情选讲。 1.绪论(2学时) 知识点： 模式和模式识别基本含义、研究意义，模式识别系统基本构成，模式识别的主要研究内容。 重点： 模式识别系统的基本构成，模式识别研究的主要内容。 难点： 无 2.线性变换与特征提取(6学时) 知识点： 主元分析分析（PCA），线性判别分析（LDA），DFT变换，DCT变换，独立元分析（ICA）方法，核PCA方法，核LDA ，正交小波变换（OWT）。 重点： PCA和LDA。 难点： OWT 3.贝叶斯决策理论(4学时) 知识点： 贝叶斯决策理论，正态条件下的贝叶斯分类器，最小错误概率准则、最小风险准则、Newman-Pearson准则和最大最小准则条件下的贝叶斯分类方法，概率密度函数估计的最大似然估计法、贝叶斯估计法和Parzen窗函数法。 重点： 贝叶斯决策理论和正态条件下的贝叶斯分类器。 难点： 概率密度函数估计的最大似然估计法、贝叶斯估计法和Parzen窗函数法 4.线性分类器(4学时) 知识点： 欧氏距离分类器，线性判别函数，广义线性判别函数，LMS算法，感知器算法，线性SVM分类器。 重点： 欧氏距离分类器和线性判别函数。 难点： 感知器算法和线性SVM分类器 5.非线性分类器(4学时) 知识点： BP学习算法，RBF神经网络分类器、Parzen分类器和非线性SVM分类器，LS-SVM分类器，KNR分类、KND分类器及其增量实现算法。 重点： RBF神经网络分类器。 难点： Parzen分类器和非线性SVM分类器 6.聚类分析(4学时) 知识点： 邻近测度和相似性测度，解序惯聚类，分级聚类，基于函数逼近的聚类。 重点： 序惯聚类。 难点： 基于函数逼近的聚类 二、授课教师和授课对象： 教师：陈新、房颖、陈良琴； 授课对象：电子信息工程与通信工程专业四年级本科生。 三、课程类型和学时学分： 专业方向选修课，32 - 36学时。 四、教学方式（授课形式和考核方式）： 教学方法： 讲课、演示课、习题课相结合。对一般的知识、概念等采用以学生为主的启发式、交互式、讨论式的教学方法，结合实验与演示，调动学生主动参与课堂，在课堂上动脑思索，动口表达，培养学生的学习能力和思维方法。 教学手段： 使用现代化教学手段，利用多媒体教学手段以及网络教学手段，进行教学。采用网上教学、网上答疑、网上作业、网上考试等手段，摒弃传统的教学方法，让学生主动学习，加深对多媒体通信的认识和理解。 考核方式： 期末考试成绩将结合平时作业、讨论与实验的成绩，最终评定学生的成绩。期末考试开卷考试，结合平时所学以及实验演示内容出卷。 五、教材与参考书目： 教材： 齐敏、李大健，模式识别导论，清华大学出版社，2009 教学参考书： J. T. Tou, R. C. Gonzalez, Pattern recognition principles, Newyork: Addison-Wesley Pub. Co., Mach, 1974. 边肇祺，模式识别（第2版），清华大学出版社，2000 其他各种与模式识别相关的教材。