1、课程名称：模式识别 课程代码：210.537课程类型： 博士专修课程 硕士专修课程考核方式： 全英文考试 （提交报告） 教学方式：全英文讲授适用专业： 理工各专业 适用层次： 硕士 博士开课学期： 秋季 总学时：32 学分：2先修课程要求：高等数学、线性代数、概率论课程组教师姓名 职 称 专 业 年 龄 学术方向刘 宏 副教授 计算机应用 模式识别,图像处理马光志 副教授 计算机应用 47 人工智能,数据挖掘课程负责教师留学经历及学术专长简介：刘宏，博士，副教授。1995 年1996 年在美国德州大学( University of Texas at San Antonio, UTSA) 做访问
2、学者。 1996 年1999 年在英国Teesside 大学攻读获得电子与计算机专业博士学位。 2000 年至 2005 年在美国硅谷 FastForward, Inktomi/Yahoo 等高科技公司担任软件高级工程师。2005年被华中科技大学引进。现在华中科技大学计算机学院医学图像信息研究中心（）工作，主要研究方向为图像处理、模式识别、体感互动。在国内外学术期刊上发表专业论文 50 多篇，获得国家发明专利 6 项出版软件著作版权 3 套。 课程教学目标：本课程研究计算机识别物体的机理，结合线性代数、概率统计、人工智能等工具和方法，为计算机视觉处理及智能建模奠定基础，要求学生掌握模式识别的基
3、本概念、基本原理及典型方法，了解模式识别的典型应用、实用技术、最新成果及发展前景，能有效运用所学的知识和方法解决实际问题，并为发展模式识别的理论和方法打下基础。该课程适合于电子工程、计算机及信息专业的研究生学习，课程学习前的知识要求包括高等数学、线性代数、概率论、算法设计基础。课程大纲：（章节目录）第一章 导论1.1 模式识别的重要性1.2 特征、特征向量和分类器1.3 有监督、无监督和半监督学习1.4 matlab 程序第二章 基于贝叶斯决策理论的分类器2.1 引言2.2 贝叶斯决策理论2.3 判别函数和决策面 2.4 正态分布的贝叶斯分类2.5 未知概率密度函数的估计2.6 最近邻规则2.
4、7 贝叶斯网络第三章 线性分类器3.1 引言3.2 线性判别函数和决策超平面3.3 感知器算法3.4 最小二乘法3.5 均方估计的回顾3.6 逻辑识别3.7 支持向量机第四章 非线性分类器4.1 引言4.2 异或问题 4.3 两层感知器4.4 三层感知器4.5 基于训练集准确分类的算法4.6 反向传播算法4.7 反向传播算法的改进4.8 代价函数选择4.9 神经网络大小的选择4.10 仿真实例4.11 具有权值共享的网络4.12 线性分类器的推广4.13 线性二分法中 1 维空间的容量4.14 多项式分类器4.15 径向基函数网络4.16 通用逼近4.17 概率神经元网络 4.18 支持向量机
5、：非线性情况4.19 超越 svm 的范例4.20 决策树4.21 合并分类器4.22 合并分类器的增强法4.23 类的不平衡问题 4.24 讨论第五章 特征选择5.1 引言5.2 预处理5.3 峰值现象 5.4 基于统计假设检验的特征选择5.5 接收机操作特性（roc）曲线5.6 类可分性测量5.7 特征子集的选择5.8 最优特征生成5.9 神经网络和特征生成/选择5.10 推广理论的提示5.11 贝叶斯信息准则第六章 特征生成 i：线性变换6.1 引言6.2 基本向量和图像6.3 karhunen-love 变换6.4 奇异值分解6.5 独立成分分析6.6 非负矩阵因子分解 6.7 非线性
6、维数降低6.8 离散傅里叶变换（dft）6.9 离散正弦和余弦变换6.10 hadamard 变换6.11 haar 变换6.12 回顾 haar 展开式 6.13 离散时间小波变换（dtwt）6.14 多分辨解释6.15 小波包6.16 二维推广简介6.17 应用第七章 特征生成 ii7.1 引言7.2 区域特征 7.3 字符形状和大小的特征7.4 分形概述 7.5 语音和声音分类的典型特征第八章 模板匹配8.1 引言8.2 基于最优路径搜索技术的测度8.3 基于相关的测度8.4 可变形的模板模型 8.5 基于内容的信息检索：相关反馈第九章 上下文相关分类9.1 引言9.2 贝叶斯分类器9.
7、3 马尔可夫链模型9.4 viterbi 算法9.5 信道均衡9.6 隐马尔可夫模型9.7 状态驻留的 hmm9.8 用神经网络训练马尔可夫模型9.9 马尔可夫随机场的讨论 第十章 监督学习：尾声10.1 引言10.2 误差计算方法10.3 探讨有限数据集的大小10.4 医学图像实例研究10.5 半监督学习第十一章 聚类：基本概念11.1 引言11.2 近邻测度第十二章 聚类算法 i：顺序算法12.1 引言12.2 聚类算法的种类 12.3 顺序聚类算法12.4 bsas 的改进12.5 两个阈值的顺序方法12.6 改进阶段12.7 神经网络的实现第十三章 聚类算法 ii：层次算法13.1 引
8、言13.2 合并算法13.3 cophenetic 矩阵 13.4 分裂算法13.5 用于大数据集的层次算法13.6 最佳聚类数的选择第十四章 聚类算法 iii：基于函数最优方法14.1 引言14.2 混合分解方法14.3 模糊聚类算法14.4 可能性聚类14.5 硬聚类算法14.6 向量量化第十五章 聚类算法 iv15.1 引言15.2 基于图论的聚类算法15.3 竞争学习算法15.4 二值形态聚类算法15.5 边界检测算法15.6 谷点搜索聚类算法 15.7 通过代价最优聚类（回顾）15.8 核聚类方法15.9 对大数据集的基于密度算法15.10 高维数据集的聚类算法15.11 其他聚类算
9、法15.12 聚类组合第十六章 聚类有效性16.1 引言16.2 假设检验回顾16.3 聚类有效性中的假设检验16.4 相关准则16.5 单独聚类有效性16.6 聚类趋势全英文教材：Pattern Recognition. Sergios Theodoridis(著). 1st Edition. Academic Press. 主要参考书：1. Introduction to Pattern Recognition: A Matlab Approach. Sergios Theodoridis(著). 1st Edition. Academic Press.2. Pattern Recognition and Machine Learning. Christophor M. Bishop(著),Second Edition. Springer Press.3Discriminant Analysis And Statistical Pattern Recognition. Geoffrey J. McLachlan(著). 1st Edition. Wiley Press.
