模式识别是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,是信息科学和人工智能的重要组成部分。

  　　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。统计模式识别主要介绍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。除此以外，神经网络模式识别，支持向量机方法和深度学习理论也会在本课程中做简单介绍。

  　本课程的学习环节包含：观看讲课视频并参与讨论、完成单元测试、完成实验作业、参加期末考试。

  　成绩分为三级计分制：分别为优秀、合格、不合格；

  　总评成绩为85分至100分为优秀，可获得优秀证书；总评成绩为60分至84分为合格，可获得合格证书。

  具有一定的数学基础，掌握了线性代数以及概率论与数理统计两门课程涉及到的知识。

本课程共分为7个板块的内容：

Module 01 模式识别的基本概念和应用

包括模式识别的主要方法，监督模式识别与非监督模式识别，模式识别系统举例，模式识别系统的典型构成。

Module 02 模式聚类、相似性测度和聚类准则

包括动态聚类算法，C均值算法，ISODATA方法，基于样本与核的相似性度量的动态聚类算法。

Module 03 判别函数及几何分类的方法

包括线性判别函数的基本概念，Fisher线性判别分析，感知器，最小平方误差判别，多类线性分类器，分段线性判别函数。

Module 04 基于贝叶斯决策理论的决策方法

包括最小错误率贝叶斯决策，最小风险贝叶斯决策，两类错误NeymanPearson决策与ROC曲线，正态分布时的统计决策，最大似然估计，贝叶斯估计与贝叶斯学习，概率密度估计的非参数方法。

Module 05 特征选择与特征提取

包括特征的评价准则，基于类内类间距离的可分性判据，基于概率分布的可分性判据，基于熵的可分性判据，利用统计检验作为可分性判据，特征选择的最优算法，特征选择的次优算法。

Module 06 模糊关系与模糊矩阵的基本理论

包括模糊集的基本知识，模糊C均值算法，改进的模糊C均值算法。

Module 07 神经网络进行模式识别法的基本思想和方法

包括神经元与感知器，用多个感知器实现非线性分类，采用反向传播算法的多层感知器，多层感知器网络用于模式识别，神经网络结构的选择，前馈神经网络与传统模式识别方法的关系。

[1]杨杰 郭志强《模式识别及MATLAB实现》，电子工业出版社，2017年。

[2]郭志强 杨杰《模式识别及MATLAB实现--学习与实验指导》, 电子工业出版社，2017年。

[3]Christopher M. Bishop《Pattern Recognition and Machine Learning》springer, 2006年。

[4]西奥多里德斯《模式识别》（英文版 第4版），机械工业出版社，2009年。

[5]Richard O.Duda,PeterE.Hart,DavidG.Stork《模式识别》 (第2版), Wiley出版社，2001年。

[6]张学工《模式识别》（第3版），清华大学出版社，2010年。

[7]孙即祥《现代模式识别》，国防科技大学出版社，2001年。