模式识别基础课程教学大纲
一、课程基本信息
课程编号： AS33120
课程名称： 模式识别基础
英文名称： Pattern Recognition Basis
课程学时： 32讲课学时：24 实验学时：8 上机学时： 0 习题学时：0
课程学分：2.0学分
开课单位： 航天学院智能控制与系统研究所
授课对象： 自动化
开课学期： 4秋
先修课程： 微积分、代数与几何、概率论与数理统计
二、课程目标
模式识别基础是自动化类专业高年级本科生的一门重要的选修课。模式识别是通过计算机技术自动的实现事物的识别和分类。本课程将系统的介绍模式识别的基本理论、方法和关键技术，并结合工业实际阐述其在工业过程中的典型应用。通过本课程的课堂教学、实验和案例分析等环节，着重培养学生的创新意识和模式识别科学知识的综合分析和应用能力，支撑专业学习成果中相应指标点的达成。
课程目标要求如下：
课程目标1.了解和掌握模式识别中特征提取、特征选择、分类器设计和分类决策方法的基本原理，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；
课程目标2.了解和掌握特征提取、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；
课程目标3. 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。
三、课程目标与毕业要求对应关系
毕业要求 | 毕业要求具体描述 | 课程目标 |
1.知识运用 5. 工具使用 | 1-2 能运用数学和专业知识对自动化系统进行分析、设计和优化 5-3能够利用信息技术工具获取文献、公开的代码或数据库等资源，用以解决自动化领域的系统工程问题 | 课程目标1 |
2. 问题分析 3.方案设计/开发 | 2-2能从系统的角度识别和表达自动化系统工程问题中的需求、制约和冲突因素 3-4能够结合具体工程对象及环境，对自动化系统的设计方案进行比较、改进和优化，在设计环节中体现创新意识 | 课程目标2 |
4.研究 5. 工具使用 | 4-2能够通过理论推导或实验、仿真，对自动化系统的设计方案进行性能评价 5-4能够利用仿真、模拟工具对自动化系统的设计方案进行评价，或对系统运行结果进行预测 | 课程目标3 |
注：毕业要求参照附件（工程教育认证通用标准之毕业要求），从中选取课程目标支撑的毕业要求条目。
四、课程目标与课程内容对应关系
序号 | 教学内容 | 教学要求 | 学时 | 教学方式 | 对应课程 目标 |
1 | 模式识别概述 1）模式与模式识别的概念 2）模式识别系统的典型构成 3）模式识别的基本问题 | 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。 | 2 | 授课 | 课程目标1 |
2 | 贝叶斯决策理论 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 3）正态分布时的统计决策 4）贝叶斯分类器设计 | 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。 | 3 | 授课 | 课程目标1 课程目标2 |
3 | 概率密度函数估计 1）极大似然估计 2）贝叶斯估计与贝叶斯学习 3）概率密度估计的非参数估计方法 | 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。 | 3 | 授课 | 课程目标1 课程目标2 |
4 | 线性判别函数 1）Fisher线性判别分析 2）感知器 3）最小平方误差判别 4）多类线性分类器 | 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 | 4 | 授课 | 课程目标1 课程目标2 |
5 | 近邻法 1）近邻法的决策规则 2）近邻法的快速算法 3）剪辑近邻法 4）压缩近邻法 | 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。 | 2 | 授课 | 课程目标1 课程目标2 |
6 | 特征选择 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 4）以分类性能为准则的特征选择方法 | 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 | 4 | 授课实验 | 课程目标2 课程目标3 |
7 | 特征提取 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 4）多维尺度法 | 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. 熟悉多维尺度法； 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。 | 4 | 授课实验 | 课程目标2 课程目标3 |
8 | 无监督学习 1）基于模型的方法 2）混合模型的估计 3）分级聚类方法 4）模糊学习 | 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； | 2 | 授课 | 课程目标1 课程目标2 |
9 | 人工神经网络 1）前馈神经网络 2）反馈神经网络 3）自组织映射神经网络 4）深度神经网络 | 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。 | 2 | 授课 | 课程目标1 课程目标2 |
10 | 支持向量机 1）核函数变换与支持向量机 2）多类支持向量机 3）支持向量机的应用举例 | 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。 | 2 | 授课 | 课程目标1 课程目标2 |
11 | 实际应用案例分析 1）机动车车牌检测与识别 2）非织布料分类 3）E型磁材尺寸检测与缺陷识别 | 1. 熟悉模式识别的各种实际应用案例； 2. 掌握模式识别的总体步骤，明确总体方案设计的目的和内容； 3. 掌握使用模式识别知识解决实际工程难题的基本思路。 4. 能通过实验来对应用案例进行验证 | 4 | 授课实验 | 课程目标3 |
五、课程教学方法
1.采用PPT和传统板书相结合的形式进行授课，利用PPT向学生展示模式识别的基本理论、关键方法与技术以及实际工业应用，利用传统板书对主要方法进行理论推导。
2.采用启发式教学，并通过课堂讨论和习题答疑与学生产生互动，从而激发学生的主观能动性和学习热情，培养学生发现问题、分析问题和解决问题的能力。
3. 利用工业应用实例分析，将理论学习和工程实践相结合，培养他们利用模式识别专业知识和先进设计工具，运用创新思维和方式方法，进行项目需求分析、技术方案制定与论证和最终功能实现的能力。
六、课程考核方法
考核环节 | 所占分值 | 考核与评价细则 | 对应课程目标 |
随堂测试 | 20 | 1）主要考核学生对基本理论的理解和基本方法的掌握程度； 2）进行2次随堂测试，每次测试按10分制进行单独评分，取2次测试成绩总和作为此环节的最终成绩。 | 课程目标1 |
实验 | 10 | 1）根据每个实验的实验情况和实验报告质量单独评分，满分10分； 2）取每次实验成绩的平均值作为此环节的最终成绩。 | 课程目标3 |
期末考查 | 70 | 1）围绕模式识别的基础理论、基本步骤、贝叶斯决策理论、概率密度估计方法、常用的线性判别分析方法、特征选择以及特征提取方法等进行考核。考核方式是从教师给定的题目中选择或自主选题，运用所学的模式识别知识，对所选课题进行方案设计，并撰写研究报告。 2）期末考查成绩以百分计，乘以其在总评成绩中的比例（0.7）计入总评成绩。 | 课程目标2 |
七、课程目标达成度评价方法
对应课程目标 | 考核环节 | 所占分值 | 学生平均得分 | 达成度计算结果 |
课程目标1 | 随堂测试 | 20 | A |
|
课程目标2 | 期末考查 | 70 | C |
|
课程目标3 | 实验 | 10 | B |
|
课程总体目标 | 总评成绩 | 100 | A+B+C |
|
八、主要教材与参考书
张学工 编著，模式识别（第三版），清华大学出版社，2010
Sergios Theodoridis、Konstantinos Koutroumbas 编著，李晶皎、王爱侠、王骄 等译，模式识别（第四版），电子工业出版社，2016
大纲撰写人： 杨宪强 大纲审核人：
