模式识别教学大纲

《模式识别》教学大纲课程名称：模式识别 课程代码：学分：3总学时：56 理论学时：40实验（上机）学时：16 先修课程：信号与系统、数据结构与算法等 适用专业:人工智能一、课程性质与任务课程性质：《模式识别》课程是人工智能专业主干课程，属必修课程。课程任务：本课程较全面、系统地介绍模式识别的的基本理论、原理方法和应用，重点需要学生掌握贝叶斯决策理论、概率密度函数的估计、线性差别函数、非线性差别函数、近邻法、特征的选择与提取、非监督学习方法、人工神经网络、模糊模式识别方法、统计学习理论比如支持向量机等。通过本课程的学习，培养学生对模式识别的基本概念、基本原理、基本分析方法和算法的理解和掌握，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、课程目标课程目标1：掌握模式识别的基本概念和原理，具备模式识别问题分析的知识基础，了解模式识别的理论基础、研究现状和热点问题、发展趋势及前沿工程应用；（支撑毕业要求1.5）课程目标2：掌握特征提取、特征选择、分类器设计和分类决策中的核心思想和方法，具备分析和解决实际工程中模式识别问题的能力；（支撑毕业要求2.3）课程目标3：具备分析问题、设计算法并用程序实现的能力，具备较强的编程、调试和优化能力。（支撑毕业要求3.2）课程目标4.：熟悉和掌握常用模式识别方法的计算机仿真和实验运用方法，得到方案设计和实验技能的基本训练，逐步具有应用先进工具解决工程实际问题的能力。（支撑毕业要求5.2）课程目标与毕业要求指标点对应关系课程目标毕业要求指标点课程目标11.5工程知识：学会用计算机分析和解决问题的思维方法，并能进行系统软硬件分析与设计。课程目标22.3问题分析：能够借助文献研究，分析和对比多个可替代解决方案，并在方向性、框架性或关键影响因素上得出有效结论。课程目标33.2设计/开发解决方案：能针对特定需求独立进行算法设计和程序实现，能测试验证算法与系统的合理性，并体现创新意识。课程目标45.2使用现代工具：能够选择与使用恰当的仪器、信息资源、工程工具和专业模拟软件，对人工智能相关领域的复杂工程问题进行分析、计算与设计。教学内容、要求及学时分配1.理论教学序号教学内容教学要求重难点学时教学方法对应课程目标1绪论1.

了解本课程研究的对象和内容；2.

掌握模式识别系统的典型构成和基本问题；3.

了解本课程的学习方法。重难点：1）模式与模式识别的概念；2）模式识别系统的典型构成2讲授讨论12贝叶斯决策理论1.

理解贝叶斯决策的基础理论；2.

掌握基于最小错误率和最小风险的贝叶斯决策方法以及正态分布时的统计决策方法；3.

熟悉贝叶斯分类器设计方法。重点：1）贝叶斯决策基础知识；2）基于最小错误率和最小风险的贝叶斯决策难点：1）正态分布时的统计决策；2）贝叶斯分类器设计4讲授讨论案例分析法1，2，3，43概率密度函数1.

掌握极大似然估计和贝叶斯估计方法的基本理论和数学推导；2.

熟悉贝叶斯学习和概率密度估计的非参数估计方法；3.

能编程实现极大似然法和贝叶斯估计方法。重点：1）极大似然估计；2）贝叶斯估计与贝叶斯学习难点：概率密度估计的非参数估计方法4讲授讨论案例分析法1，2，34线性判别分析1.

掌握Fisher线性判别方法的基本原理和数学推导，并能编程实现；2.

掌握感知器、最小平方误差判别方法和多类线性分类器的基本原理；3.

能熟练运用线性判别分析方法进行分类重点：1）Fisher线性判别分析；2）感知器难点：1）最小平方误差判别；2）多类线性分类器4讲授讨论案例分析法1，2，3，45非线性判别分析1.

熟悉近邻法的决策规则；2.

掌握近邻法快速算法基本原理并能熟练运用；3.

了解剪辑近邻法和压缩近邻法的基本思想。重点：1）近邻法的决策规则；2）近邻法的快速算法难点：1）剪辑近邻法；压缩近邻法；决策树；Logistics回归4讲授讨论案例分析法1，2，36无监督模式识别1.

掌握基于模型的学习方法和混合模型估计方法的基本原理和数学推导，并能编程实现；2.

了解分级聚类方法和模糊学习方法；重点：1）基于模型的方法；2）混合模型的估计；3）分级聚类方法难点：模糊学习4讲授讨论案例分析法1，2，37特征选择1.

了解特征的评价准则；2.

掌握最优/非最优特征选择方法，会利用其中的典型方法进行特征选择；3.

了解遗传算法和以分类性能为准则的特征选择方法。4.

能通过实验来验证特征选择方法的有效性重点：1）特征的评价准则；2）最优/非最优特征选择方法；3）遗传算法难点：以分类性能为准则的特征选择方法4讲授讨论案例分析法1，2，38特征选取1.

熟悉基于类别可分性判据的特征提取方法；2.

掌握K-L变换和主成分分析方法的基本原理和数学推导。3.

掌握多维尺度法；4.

能够编程实现K-L变换和主成分分析方法，并通过实验来验证不同参数对这两类方法性能的影响。重点：1）基于类别可分性判据的特征提取；2）K-L变换；3）主成分分析方法难点：多维尺度法6讲授讨论案例分析法1，2，3，49支持向量机1.

了解支持向量机的基本原理和数学推导；2.

了解支持向量机的特点和优势，能够使用支持向量机解决分类问题。重难点：1）核函数变换与支持向量机；2）多类支持向量机4讲授讨论案例分析法1，2，3，410人工神经网络1.

了解人工神经网络的基本原理；2.

能够使用人工神经网络解决分类问题。重点：1）前馈神经网络；2）反馈神经网络；3）自组织映射神经网络难点：1）深度神经网络4讲授讨论案例分析法1，2，32.实验教学序号教学内容教学要求重难点学时教学方法对应课程目标1实验-贝叶斯分类器设计掌握贝叶斯判别原理，能够利用MATLAB编制程序实现贝叶斯分类器设计，熟悉基于MATLAB的算法处理函数，并能够利用算法解决简单问题。重难点：（1）最大似然方法估计样本分布的参数；（2）最小风险贝叶斯决策4实验3，42实验二Fisher线性判别掌握线性判别原理，能够利用Matlab编制程序实现Fisher线性判别函数的设计，熟悉基于Matlab的算法处理函数，并能够利用算法解决简单问题。重点：计算样本数据均值、类内离散度矩阵，按照Fisher线性判别确定投影方向难点：化多类分类为两类分类4实验3，43实验三C均值聚类掌握C均值聚类算法原理，能够利用MATLAB编制程序实现C均值聚类，熟悉基于MATLAB的算法处理函数，并能够利用算法解决简单问题。重点：数字图像分块，提取块均值难点：样本预处理并提取特征4实验3，44实验四主成分分析掌握主成分分析原理，能够利用MATLAB编制程序实现主成分分析，熟悉基于MATLAB的算法处理函数，并能够利用算法解决简单问题。重点：样本降维，设计SVM难点：PCV降维及重建4实验3，4教学基本要求、方法及课程思政设计1.教学基本要求通过理论和实践教学，使学生较好地掌握模式识别的基本概念、原理和方法，掌握常用模式识别算法，如贝叶斯分类、支持向量机、神经网络、聚类分析等。能够设计和实现基本的模式识别系统。掌握数据预处理技术，如特征提取、降维等。能够分析和评价模式识别系统的性能。培养学生的分析问题和解决问题的能力，能够结合实际问题选择合适的模式识别方法，促进学生掌握如何在工程项目中应用模式识别技术。2.教学方法（1）课堂教学在多媒体教学的基础上，利用翻转课加强与学生的线上线下交流互动，有针对性的开展个性化教学；利用课堂演示讲解讨论让学生更加直观地掌握模式识别的方法；利用案例教学使学生更加全面地理解模式识别的实际应用和设计思路。（2）实验教学则是通过实际问题驱动开展程序设计，通过小组合作和实践操作提高学生的团队合作精神、动手能力和专业知识综合应用能力；通过小组讨论分析提高学生的交流沟通、问题分析能力。3.课程思政设计在教学过程中，引导学生思考模式识别技术的伦理问题，如隐私保护、算法偏见等。通过案例分析，探讨模式识别技术在社会中的影响和责任。介绍我国在模式识别领域的科研进展和成就，激发学生的民族自豪感和科技报国的志向。通过讨论国内外在模式识别领域的研究动态，鼓励学生积极参与相关研究，提升国家科技竞争力。强调模式识别技术在工程实践中的责任和道德要求。引导学生认识到开发和应用模式识别技术时应具备的职业素养和社会责任感。鼓励学生将模式识别技术应用于创新创业实践，培养他们的创新意识和实践能力。考核方式及成绩评定1.考核与评价方式及成绩评定课程的最终成绩由平时成绩、实验成绩和期末考试成绩三部分构成。平时成绩（30%）：考勤（20%）、课堂表现（20%）、作业（40%）、随堂检测（20%）。实验成绩（20%）：包括考勤（20%）、课堂表现（40%）、实验报告成绩（40%）。考试成绩（50％）：学生卷面成绩达到50分方可认定及格，低于50分者，综合成绩60分以上认定成绩为59分。评价方式及成绩比例课程目标支撑毕业要求建议考核与评价方式及成绩比例建议成绩比例平时成绩实验成绩考试成绩课程目标1支撑毕业要求1.4123042课程目标2支撑毕业要求2.31282040课程目标3支撑毕业要求3.288课程目标4支撑毕业要求5.26410合计302050100注：该表格中比例为课程整体成绩比例。2．考核与评价标准平时成绩考核与评价标准课程目标基本要求评价标准比例优秀（90-100）良好（70-89）合格（60-69）不合格（0-59）课程目标1掌握模式识别设计的原理和工程基础知识，并能根据实际问题提出相应算法，设计程序。认真上课，按时完成线上自测，且平均成绩达到90分及以上。认真上课，按时完成线上自测，且平均成绩达到80分及以上。按时上课，按时完成线上自测，且平均成绩达到70分及以上。按时上课，按时完成线上自测，平均成绩低于70分。40课程目标2掌握模式识别中样本的特征分析和分类器设计的方法，并能够根据要求编写程序解决问题。认真上课，按时完成作业，书面整洁，无抄袭情况且平均成绩达到90分及以上认真上课，按时完成作业，书面整洁，无抄袭情况且平均成绩达到80分及以上按时上课，按时完成作业，书面整洁度一般，偶尔有抄袭且平均成绩达到65分及以上按时上课，按时完成作业，卷面书写零乱，经常有雷同或抄袭现象且平均成绩低于65分40课程目标4能够正确使用编程软件解决特定问题，并具备调试、优化程序的能力。课堂上能够使用编程软件解决问题并积极回答问题，线上互动8次以上。课堂上能够使用编程软件解决问题并积极回答问题，线上互动5-8次。课堂上能够较好使用编程软件解决问题并积极给予老师反馈，线上互动1-5次。软件使用不熟练，课堂上不能够及时给予老师反馈，线上互动低于1次。20注：该表格中比例为平时成绩比例。实验成绩考核与评价标准课程目标基本要求评价标准比例优秀（90-100）良好（70-89）合格（60-69）不合格（0-59）课程目标2掌握分析问题、算法设计的方法，并能够根据要求合理设计程序。高质量完成实验报告，上机设计正确合理，代码质量高，分析有理有据。报告平均成绩达到90分及以上。较好的完成实验报告，上机设计正确，代码质量较好，分析有条理。报告平均成绩达到80分及以上。实验报告质量一般，上机设计基本可行，代码质量一般，有一定的分析。报告平均成绩达到65分及以上。实验报告内容不完整，代码不可行，报错过多，无法实现。报告平均成绩低于65分。40课程目标3能根据实际问题要求提出解决问题的具体步骤，并能通过编程得出正确结果。程序涵盖课程模块的全部内容。程序运行流畅，无错误；代码注解详细、清晰；语言表达准确，叙述清楚，符合规范，无明显错误。程序涵盖课程模块的大部内容。程序运行流畅，无错误。代码注解详细、清晰。语言表达较为准确，叙述较为清楚，基本符合规范，无明显错误。程序涵盖课程模块的一半以上内容。程序运行流畅，无错误。代码注解不详细、不清晰。语言表达基本准确，叙述较为清楚，基本符合规范，有部分错误。程序涵盖课程模块少量内容。程序运行有大量错误。代码注解不详细、不清晰。语言不通顺，明显不符合规范，或存在抄袭现象。40课程目标4能够正确使用编程软件解决特定问题，并具备调试、优化程序的能力。按时上课，认真参与实验，小组协作能力强，软件操作正确且效率高，实验过程评价等级为A。按时上课，认真参与实验，小组协作良好，软件操作正确，能较好地完成任务，实验过程评价等级为B。按时上课，软件操作不熟练，能够小组配合按时完成实验任务，实验过程评价等级为C。按时上课，软件操作有误，团队配合不好，未能按时完成任务，实验过程评价等级为D。20注：该表格中比例为实验成绩的比例。考试成绩考核与评价标准课程目标基本要求评价标准比例优秀（90-100）良好（70-89）合格（60-69）不合格（0-59）课程目标1掌握模式识别的基本概念、原理和常用算法，并能运用所学的知识和技能对一般问题进行分析和程序设计。很好地掌握模式识别的基本概念、原理和算法，并能运用所学的知识和技能对一般问题进行分析和程序设计。较好地掌握模式识别的基