课程号：00110960
课程名称：模式识别
开课学期：春
学分： 3
先修课程：高等代数、数学分析、概率论、数理统计、程序设计基础
基本目的：（1）使学生熟练掌握模式识别的基本理论和各种方法； （2）培养学生具有运用模式识别概念和方法解决实际问题的能力。
内容提要：
1 引论（4学时）
模式识别和模式的概念，模式识别系统，模式的基本问题，历史和研究现状。
2 贝叶斯决策与概率密度估计（8学时）
最小错误率贝叶斯决策，最小风险贝叶斯决策，贝叶斯分类器错误率，聂曼-皮尔逊决策，均值向量和协方差矩阵的估计，概率密度的函数逼近和参数估计，正态分布模式的贝叶斯分类器。
3 线性分类器（8学时）
线性判别函数的基本概念，Fisher线性判别， 感知器准则函数，最小均方误差准则函数，随机最小错误率线性判别准则函数，支持向量机，多类问题。
4 非线性分类器（8学时）
分段线性判别函数，近邻法，前馈多层神经网络，模拟退火方法，遗传算法。
5 特征选择与提取（8学时）
类别可分性准则，特征选择，基于距离分分性准则的特征提取，基于K-L变换的特征提取，基于神经网络的特征提取。
6 非监督学习与聚类（8学时）
混合密度和可辨识性，混合正态密度的参数学习方法，k-均值聚类，数据描述与聚类， 聚类的准则函数，在线聚类，主成分分析。
教学方式：每周3学时，课堂讲授（90%）、文献阅读和讨论（10%）.
教材与参考书：
- 张学工：模式识别，清华大学出版社，第三版, 2010.
- R.O.Duda, P.E.Hart, D.G.Stork：模式分类，机械工业出版社，原书第二版, 2005.
- C.M.Bishop (2006). Pattern Recognition and Machine Learning, Springer.
- S. Theodoridis, K. Koutroumbas (2006). Pattern Recognition, Academic Press.
- K. Fukunaga (1990). Introduction to Statistical Pattern Recognition, Academic Press.
学生成绩评定方法：平时成绩20%，期中考试30%，期末考试（包括课程项目）50%。
课程修订负责人：甘锐
