1、課程名稱：模式識別課程代碼： 210.537課程類型： 博士專修課程 碩士專修課程考核方式：全英文考試 （提交報告）教學方式：全英文講授適用專業：理工各專業適用層次： 碩士博士開課學期：秋季總學時： 32學分： 2先修課程要求：高等數學、線性代數、概率論課程組教師姓名職 稱專 業年 齡學術方向劉 宏副教授計算機應用模式識別 , 圖像處理馬光志副教授計算機應用47人工智能 , 數據挖掘課程負責教師留學經歷及學術專長簡介：劉宏，博士，副教授。1995 年 1996 年在美國德州大學( UniversityofTexas atSanAntonio,UTSA) 做訪問學者。1996 年 1999 年在

2、英國Teesside 大學攻讀獲得電子與計算機專業博士學位。2000 年至 2005 年在美國硅谷FastForward,Inktomi/Yahoo等高科技公司擔任軟件高級工程師。2005年被華中科技大學引進。現在華中科技大學計算機學院醫學圖像信息研究中心（）工作，主要研究方向為圖像處理、模式識別、體感互動。在國內外學術期刊上發表專業論文50 多篇，獲得國家發明專利6 項出版軟件著作版權 3套。課程教學目標：本課程研究計算機識別物體的機理，結合線性代數、概率統計、人工智能等工具和方法， 為計算機視覺處理及智能建模奠定基礎，要求學生掌握模式識別的基本概念、基本原理及典型方法，了解模式識別的典型應

3、用、實用技術、最新成果及發展前景， 能有效運用所學的知識和方法解決實際問題，并為發展模式識別的理論和方法打下基礎。該課程適合于電子工程、 計算機及信息專業的研究生學習， 課程學習前的知識要求包括高等數學、線性代數、概率論、算法設計基礎。課程大綱：（章節目錄）第一章 導論§ 1.1 模式識別的重要性§ 1.2 特征、特征向量和分類器§ 1.3 有監督、無監督和半監督學習§ 1.4 matlab 程序第二章 基于貝葉斯決策理論的分類器§ 2.1 引言§ 2.2 貝葉斯決策理論§ 2.3 判別函數和決策面§ 2.4 正態

4、分布的貝葉斯分類§ 2.5 未知概率密度函數的估計§ 2.6 最近鄰規則§ 2.7 貝葉斯網絡第三章 線性分類器§ 3.1 引言§ 3.2 線性判別函數和決策超平面§ 3.3 感知器算法§ 3.4 最小二乘法§ 3.5 均方估計的回顧§ 3.6 邏輯識別§ 3.7 支持向量機第四章 非線性分類器§ 4.1 引言§ 4.2 異或問題§ 4.3 兩層感知器§ 4.4 三層感知器§ 4.5 基于訓練集準確分類的算法§ 4.6 反向傳播算法&#

5、167; 4.7 反向傳播算法的改進§ 4.8 代價函數選擇§ 4.9 神經網絡大小的選擇§ 4.10 仿真實例§ 4.11 具有權值共享的網絡§ 4.12 線性分類器的推廣§ 4.13 線性二分法中 1 維空間的容量§ 4.14 多項式分類器§ 4.15 徑向基函數網絡§ 4.16 通用逼近§ 4.17 概率神經元網絡§ 4.18 支持向量機：非線性情況§ 4.19 超越 svm的范例§ 4.20 決策樹§ 4.21 合并分類器§ 4.22 合

6、并分類器的增強法§ 4.23 類的不平衡問題§ 4.24 討論第五章 特征選擇§ 5.1 引言§ 5.2 預處理§ 5.3 峰值現象§ 5.4 基于統計假設檢驗的特征選擇§ 5.5 接收機操作特性（ roc ）曲線§ 5.6 類可分性測量§ 5.7 特征子集的選擇§ 5.8 最優特征生成§ 5.9 神經網絡和特征生成 / 選擇§ 5.10 推廣理論的提示§ 5.11 貝葉斯信息準則第六章 特征生成 i ：線性變換§ 6.1 引言§ 6.2 基本向

7、量和圖像§ 6.3 karhunen- lo ève變換§ 6.4 奇異值分解§ 6.5 獨立成分分析§ 6.6 非負矩陣因子分解§ 6.7 非線性維數降低§ 6.8 離散傅里葉變換（ dft ）§ 6.9 離散正弦和余弦變換§ 6.10 hadamard 變換§ 6.11 haar 變換§ 6.12 回顧 haar 展開式§ 6.13 離散時間小波變換（ dtwt ）§ 6.14 多分辨解釋§ 6.15 小波包§ 6.16 二維推廣簡介

8、7; 6.17 應用第七章 特征生成 ii§ 7.1 引言§ 7.2 區域特征§ 7.3 字符形狀和大小的特征§ 7.4 分形概述§ 7.5 語音和聲音分類的典型特征第八章 模板匹配§ 8.1 引言§ 8.2 基于最優路徑搜索技術的測度§ 8.3 基于相關的測度§ 8.4 可變形的模板模型§ 8.5 基于內容的信息檢索：相關反饋第九章 上下文相關分類§ 9.1 引言§ 9.2 貝葉斯分類器§ 9.3 馬爾可夫鏈模型§9.4 viterbi算法§

9、9.5 信道均衡§ 9.6 隱馬爾可夫模型§ 9.7 狀態駐留的 hmm§ 9.8 用神經網絡訓練馬爾可夫模型§ 9.9 馬爾可夫隨機場的討論第十章 監督學習：尾聲§ 10.1 引言§ 10.2 誤差計算方法§ 10.3 探討有限數據集的大小§ 10.4 醫學圖像實例研究§ 10.5 半監督學習第十一章聚類：基本概念§ 11.1 引言§ 11.2 近鄰測度第十二章聚類算法 i ：順序算法§12.1 引言§ 12.2 聚類算法的種類§ 12.3 順序聚類算法

10、§ 12.4 bsas 的改進§ 12.5 兩個閾值的順序方法§ 12.6 改進階段§ 12.7 神經網絡的實現第十三章 聚類算法 ii ：層次算法§ 13.1 引言§ 13.2 合并算法§13.3 cophenetic矩陣§ 13.4 分裂算法§ 13.5 用于大數據集的層次算法§ 13.6 最佳聚類數的選擇第十四章聚類算法 iii：基于函數最優方法§ 14.1 引言§ 14.2 混合分解方法§ 14.3 模糊聚類算法§ 14.4 可能性聚類§

11、 14.5 硬聚類算法§ 14.6 向量量化第十五章 聚類算法 iv§ 15.1 引言§ 15.2 基于圖論的聚類算法§ 15.3 競爭學習算法§ 15.4 二值形態聚類算法§ 15.5 邊界檢測算法§ 15.6 谷點搜索聚類算法§ 15.7 通過代價最優聚類（回顧）§ 15.8 核聚類方法§ 15.9 對大數據集的基于密度算法§ 15.10 高維數據集的聚類算法§ 15.11 其他聚類算法§ 15.12 聚類組合第十六章聚類有效性§ 16.1 引言

12、67; 16.2 假設檢驗回顧§ 16.3 聚類有效性中的假設檢驗§ 16.4 相關準則§ 16.5 單獨聚類有效性§ 16.6 聚類趨勢全英文教材：Pattern Recognition. Sergios Theodoridis( 著 ). 1stEdition. Academic Press.主要參考書：1. Introduction to Pattern Recognition: A Matlab Approach.Sergios Theodoridis ( 著 ). 1st Edition. Academic Press.2. PatternRecog