(1)培养目标

模式识别是智能信息处理的核心内容之一，广泛应用于人工智能、机器人、系统控制、生物医学工程、军事目标识别等领域，对国民经济、国防建设和社会发展等发展产生了深远的影响。模式识别课程已成为信息与通信工程、自动控制工程、计算机工程等专业的重要课程。模式识别指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学的重要组成部分。本课程从模式识别的基本概念入手，在特征选取的基础上，主要介绍统计模式识别，聚类分析，糊模式识别的基础理论和基本方法。课程主要涉及以线性分类器为核心的确定性统计分类，以及以贝叶斯分类器为核心的随机统计分类。通过本课程的学习，可掌握模式识别的基本理论和方法，为模式识别的工程应用奠定基础。。

通过本课程系统的理论学习与相关实践，掌握模式识别理论与技术的基础知识、基本概念、基本原理、分析方法和典型应用，了解模式识别理论与技术的发展趋势，为深入学习专业知识和从事科研实践活动打下坚实的基础。

(2)内容设置

[1] 模式识别基本概念

基本概念、模式识别系统，模式识别的历史发展及若干问题；

[2] 统计决策方法

Bayes决策、正态分布时的统计决策；

[3] 参数估计

最大似然估计、Parzon窗估计、K紧邻估计；

[4] 线性判别分析

Fisher线性判别、感知器与最小平方误差准则函数、多类线性分类器；

[5] 非线性分类器

最近邻法则、k-近邻法则、决策树、支持向量机；

[6] 特征提取与选择

类别可分性判据、经典特征选择方法；

[7] 非监督模式识别

高斯混合模型聚类方法、动态类聚算法、模糊聚类方法；

[8] 组合分类器

Bagging算法、Boosting算法；

[9] 半监督学习

生成式半监督学习方法、基于图的半监督学习方法；

[10] 模式识别系统的评价

监督模式识别方法的错误率估计；

(3)主要教学方式

本课程教学采用课堂教学和线下编程相结合、辅以小组讨论和综述报告的教学方式，加强图示和实例教学，以增强学生的学习兴趣，培养学生发现问题并解决问题的能力。

(4)先修课要求

线性代数，概率论与数理统计。