《模式識別》教學大綱課程名稱：模式識別 課程代碼：學分：3總學時：56 理論學時：40實驗（上機）學時：16 先修課程：信號與系統、數據結構與算法等 適用專業:人工智能一、課程性質與任務課程性質：《模式識別》課程是人工智能專業主干課程，屬必修課程。課程任務：本課程較全面、系統地介紹模式識別的的基本理論、原理方法和應用，重點需要學生掌握貝葉斯決策理論、概率密度函數的估計、線性差別函數、非線性差別函數、近鄰法、特征的選擇與提取、非監督學習方法、人工神經網絡、模糊模式識別方法、統計學習理論比如支持向量機等。通過本課程的學習，培養學生對模式識別的基本概念、基本原理、基本分析方法和算法的理解和掌握，培養學生利用模式識別方法，運用技能解決本專業和相關領域的實際問題的能力。二、課程目標課程目標1：掌握模式識別的基本概念和原理，具備模式識別問題分析的知識基礎，了解模式識別的理論基礎、研究現狀和熱點問題、發展趨勢及前沿工程應用；（支撐畢業要求1.5）課程目標2：掌握特征提取、特征選擇、分類器設計和分類決策中的核心思想和方法，具備分析和解決實際工程中模式識別問題的能力；（支撐畢業要求2.3）課程目標3：具備分析問題、設計算法并用程序實現的能力，具備較強的編程、調試和優化能力。（支撐畢業要求3.2）課程目標4.：熟悉和掌握常用模式識別方法的計算機仿真和實驗運用方法，得到方案設計和實驗技能的基本訓練，逐步具有應用先進工具解決工程實際問題的能力。（支撐畢業要求5.2）課程目標與畢業要求指標點對應關系課程目標畢業要求指標點課程目標11.5工程知識：學會用計算機分析和解決問題的思維方法，并能進行系統軟硬件分析與設計。課程目標22.3問題分析：能夠借助文獻研究，分析和對比多個可替代解決方案，并在方向性、框架性或關鍵影響因素上得出有效結論。課程目標33.2設計/開發解決方案：能針對特定需求獨立進行算法設計和程序實現，能測試驗證算法與系統的合理性，并體現創新意識。課程目標45.2使用現代工具：能夠選擇與使用恰當的儀器、信息資源、工程工具和專業模擬軟件，對人工智能相關領域的復雜工程問題進行分析、計算與設計。教學內容、要求及學時分配1.理論教學序號教學內容教學要求重難點學時教學方法對應課程目標1緒論1.

了解本課程研究的對象和內容；2.

掌握模式識別系統的典型構成和基本問題；3.

了解本課程的學習方法。重難點：1）模式與模式識別的概念；2）模式識別系統的典型構成2講授討論12貝葉斯決策理論1.

理解貝葉斯決策的基礎理論；2.

掌握基于最小錯誤率和最小風險的貝葉斯決策方法以及正態分布時的統計決策方法；3.

熟悉貝葉斯分類器設計方法。重點：1）貝葉斯決策基礎知識；2）基于最小錯誤率和最小風險的貝葉斯決策難點：1）正態分布時的統計決策；2）貝葉斯分類器設計4講授討論案例分析法1，2，3，43概率密度函數1.

掌握極大似然估計和貝葉斯估計方法的基本理論和數學推導；2.

熟悉貝葉斯學習和概率密度估計的非參數估計方法；3.

能編程實現極大似然法和貝葉斯估計方法。重點：1）極大似然估計；2）貝葉斯估計與貝葉斯學習難點：概率密度估計的非參數估計方法4講授討論案例分析法1，2，34線性判別分析1.

掌握Fisher線性判別方法的基本原理和數學推導，并能編程實現；2.

掌握感知器、最小平方誤差判別方法和多類線性分類器的基本原理；3.

能熟練運用線性判別分析方法進行分類重點：1）Fisher線性判別分析；2）感知器難點：1）最小平方誤差判別；2）多類線性分類器4講授討論案例分析法1，2，3，45非線性判別分析1.

熟悉近鄰法的決策規則；2.

掌握近鄰法快速算法基本原理并能熟練運用；3.

了解剪輯近鄰法和壓縮近鄰法的基本思想。重點：1）近鄰法的決策規則；2）近鄰法的快速算法難點：1）剪輯近鄰法；壓縮近鄰法；決策樹；Logistics回歸4講授討論案例分析法1，2，36無監督模式識別1.

掌握基于模型的學習方法和混合模型估計方法的基本原理和數學推導，并能編程實現；2.

了解分級聚類方法和模糊學習方法；重點：1）基于模型的方法；2）混合模型的估計；3）分級聚類方法難點：模糊學習4講授討論案例分析法1，2，37特征選擇1.

了解特征的評價準則；2.

掌握最優/非最優特征選擇方法，會利用其中的典型方法進行特征選擇；3.

了解遺傳算法和以分類性能為準則的特征選擇方法。4.

能通過實驗來驗證特征選擇方法的有效性重點：1）特征的評價準則；2）最優/非最優特征選擇方法；3）遺傳算法難點：以分類性能為準則的特征選擇方法4講授討論案例分析法1，2，38特征選取1.

熟悉基于類別可分性判據的特征提取方法；2.

掌握K-L變換和主成分分析方法的基本原理和數學推導。3.

掌握多維尺度法；4.

能夠編程實現K-L變換和主成分分析方法，并通過實驗來驗證不同參數對這兩類方法性能的影響。重點：1）基于類別可分性判據的特征提取；2）K-L變換；3）主成分分析方法難點：多維尺度法6講授討論案例分析法1，2，3，49支持向量機1.

了解支持向量機的基本原理和數學推導；2.

了解支持向量機的特點和優勢，能夠使用支持向量機解決分類問題。重難點：1）核函數變換與支持向量機；2）多類支持向量機4講授討論案例分析法1，2，3，410人工神經網絡1.

了解人工神經網絡的基本原理；2.

能夠使用人工神經網絡解決分類問題。重點：1）前饋神經網絡；2）反饋神經網絡；3）自組織映射神經網絡難點：1）深度神經網絡4講授討論案例分析法1，2，32.實驗教學序號教學內容教學要求重難點學時教學方法對應課程目標1實驗-貝葉斯分類器設計掌握貝葉斯判別原理，能夠利用MATLAB編制程序實現貝葉斯分類器設計，熟悉基于MATLAB的算法處理函數，并能夠利用算法解決簡單問題。重難點：（1）最大似然方法估計樣本分布的參數；（2）最小風險貝葉斯決策4實驗3，42實驗二Fisher線性判別掌握線性判別原理，能夠利用Matlab編制程序實現Fisher線性判別函數的設計，熟悉基于Matlab的算法處理函數，并能夠利用算法解決簡單問題。重點：計算樣本數據均值、類內離散度矩陣，按照Fisher線性判別確定投影方向難點：化多類分類為兩類分類4實驗3，43實驗三C均值聚類掌握C均值聚類算法原理，能夠利用MATLAB編制程序實現C均值聚類，熟悉基于MATLAB的算法處理函數，并能夠利用算法解決簡單問題。重點：數字圖像分塊，提取塊均值難點：樣本預處理并提取特征4實驗3，44實驗四主成分分析掌握主成分分析原理，能夠利用MATLAB編制程序實現主成分分析，熟悉基于MATLAB的算法處理函數，并能夠利用算法解決簡單問題。重點：樣本降維，設計SVM難點：PCV降維及重建4實驗3，4教學基本要求、方法及課程思政設計1.教學基本要求通過理論和實踐教學，使學生較好地掌握模式識別的基本概念、原理和方法，掌握常用模式識別算法，如貝葉斯分類、支持向量機、神經網絡、聚類分析等。能夠設計和實現基本的模式識別系統。掌握數據預處理技術，如特征提取、降維等。能夠分析和評價模式識別系統的性能。培養學生的分析問題和解決問題的能力，能夠結合實際問題選擇合適的模式識別方法，促進學生掌握如何在工程項目中應用模式識別技術。2.教學方法（1）課堂教學在多媒體教學的基礎上，利用翻轉課加強與學生的線上線下交流互動，有針對性的開展個性化教學；利用課堂演示講解討論讓學生更加直觀地掌握模式識別的方法；利用案例教學使學生更加全面地理解模式識別的實際應用和設計思路。（2）實驗教學則是通過實際問題驅動開展程序設計，通過小組合作和實踐操作提高學生的團隊合作精神、動手能力和專業知識綜合應用能力；通過小組討論分析提高學生的交流溝通、問題分析能力。3.課程思政設計在教學過程中，引導學生思考模式識別技術的倫理問題，如隱私保護、算法偏見等。通過案例分析，探討模式識別技術在社會中的影響和責任。介紹我國在模式識別領域的科研進展和成就，激發學生的民族自豪感和科技報國的志向。通過討論國內外在模式識別領域的研究動態，鼓勵學生積極參與相關研究，提升國家科技競爭力。強調模式識別技術在工程實踐中的責任和道德要求。引導學生認識到開發和應用模式識別技術時應具備的職業素養和社會責任感。鼓勵學生將模式識別技術應用于創新創業實踐，培養他們的創新意識和實踐能力。考核方式及成績評定1.考核與評價方式及成績評定課程的最終成績由平時成績、實驗成績和期末考試成績三部分構成。平時成績（30%）：考勤（20%）、課堂表現（20%）、作業（40%）、隨堂檢測（20%）。實驗成績（20%）：包括考勤（20%）、課堂表現（40%）、實驗報告成績（40%）。考試成績（50％）：學生卷面成績達到50分方可認定及格，低于50分者，綜合成績60分以上認定成績為59分。評價方式及成績比例課程目標支撐畢業要求建議考核與評價方式及成績比例建議成績比例平時成績實驗成績考試成績課程目標1支撐畢業要求1.4123042課程目標2支撐畢業要求2.31282040課程目標3支撐畢業要求3.288課程目標4支撐畢業要求5.26410合計302050100注：該表格中比例為課程整體成績比例。2．考核與評價標準平時成績考核與評價標準課程目標基本要求評價標準比例優秀（90-100）良好（70-89）合格（60-69）不合格（0-59）課程目標1掌握模式識別設計的原理和工程基礎知識，并能根據實際問題提出相應算法，設計程序。認真上課，按時完成線上自測，且平均成績達到90分及以上。認真上課，按時完成線上自測，且平均成績達到80分及以上。按時上課，按時完成線上自測，且平均成績達到70分及以上。按時上課，按時完成線上自測，平均成績低于70分。40課程目標2掌握模式識別中樣本的特征分析和分類器設計的方法，并能夠根據要求編寫程序解決問題。認真上課，按時完成作業，書面整潔，無抄襲情況且平均成績達到90分及以上認真上課，按時完成作業，書面整潔，無抄襲情況且平均成績達到80分及以上按時上課，按時完成作業，書面整潔度一般，偶爾有抄襲且平均成績達到65分及以上按時上課，按時完成作業，卷面書寫零亂，經常有雷同或抄襲現象且平均成績低于65分40課程目標4能夠正確使用編程軟件解決特定問題，并具備調試、優化程序的能力。課堂上能夠使用編程軟件解決問題并積極回答問題，線上互動8次以上。課堂上能夠使用編程軟件解決問題并積極回答問題，線上互動5-8次。課堂上能夠較好使用編程軟件解決問題并積極給予老師反饋，線上互動1-5次。軟件使用不熟練，課堂上不能夠及時給予老師反饋，線上互動低于1次。20注：該表格中比例為平時成績比例。實驗成績考核與評價標準課程目標基本要求評價標準比例優秀（90-100）良好（70-89）合格（60-69）不合格（0-59）課程目標2掌握分析問題、算法設計的方法，并能夠根據要求合理設計程序。高質量完成實驗報告，上機設計正確合理，代碼質量高，分析有理有據。報告平均成績達到90分及以上。較好的完成實驗報告，上機設計正確，代碼質量較好，分析有條理。報告平均成績達到80分及以上。實驗報告質量一般，上機設計基本可行，代碼質量一般，有一定的分析。報告平均成績達到65分及以上。實驗報告內容不完整，代碼不可行，報錯過多，無法實現。報告平均成績低于65分。40課程目標3能根據實際問題要求提出解決問題的具體步驟，并能通過編程得出正確結果。程序涵蓋課程模塊的全部內容。程序運行流暢，無錯誤；代碼注解詳細、清晰；語言表達準確，敘述清楚，符合規范，無明顯錯誤。程序涵蓋課程模塊的大部內容。程序運行流暢，無錯誤。代碼注解詳細、清晰。語言表達較為準確，敘述較為清楚，基本符合規范，無明顯錯誤。程序涵蓋課程模塊的一半以上內容。程序運行流暢，無錯誤。代碼注解不詳細、不清晰。語言表達基本準確，敘述較為清楚，基本符合規范，有部分錯誤。程序涵蓋課程模塊少量內容。程序運行有大量錯誤。代碼注解不詳細、不清晰。語言不通順，明顯不符合規范，或存在抄襲現象。40課程目標4能夠正確使用編程軟件解決特定問題，并具備調試、優化程序的能力。按時上課，認真參與實驗，小組協作能力強，軟件操作正確且效率高，實驗過程評價等級為A。按時上課，認真參與實驗，小組協作良好，軟件操作正確，能較好地完成任務，實驗過程評價等級為B。按時上課，軟件操作不熟練，能夠小組配合按時完成實驗任務，實驗過程評價等級為C。按時上課，軟件操作有誤，團隊配合不好，未能按時完成任務，實驗過程評價等級為D。20注：該表格中比例為實驗成績的比例。考試成績考核與評價標準課程目標基本要求評價標準比例優秀（90-100）良好（70-89）合格（60-69）不合格（0-59）課程目標1掌握模式識別的基本概念、原理和常用算法，并能運用所學的知識和技能對一般問題進行分析和程序設計。很好地掌握模式識別的基本概念、原理和算法，并能運用所學的知識和技能對一般問題進行分析和程序設計。較好地掌握模式識別的基