04010290模式识别导论
模式识别导论
1Pattern RecognitionFeng Jufu***********Center for Information ScienceNational Key Lab of Machine PerceptionPeking University2内容z1．导论z2．Bayes决策理论z3．概率密度估计z4．线性判别函数z5．神经网络z6．统计学习理论z7．SVMz8．正则化网络z9．特征空间z10.非监督学习与聚类z11. 应用举例3Referencesz[1] Richard O. Duda, Peter E. Hart, David G. Stork, PatternClassification, 2nd Edition, John Wiley & Sons, Inc. 2001z[2] 《模式识别》，边肇祺，张学工等编著，清华大学出版社，2000年1月第2版z[3] Vladimir N. Vapnik, The Nature of Statistical Learning, Springer-Verlag, New York, NY, 1995 (中译本《统计学习理论的本质》，张学工译，清华大学出版社，2000年9月)z[4] Vladimir N. Vapnik, Statistical Learning Theory, John Wiley &Sons, Inc. 1998z[5] Nello Cristianini, John Shawe-Taylor, An Introduction to SupportVector Machines and other kernel-based learning methods,Cambridge University Press, 2000z[6] S. Haykin, Neural Networks—a Comprehensive Foundation,2nd Edition, Tsinghua University Press, Prentice Hall Press, 2001.4主要期刊和会议z IEEE Trans. On PAMI, NNz Pattern Recognitionz Pattern Recognition Letterz Machine Learningz Neural Computationz《模式识别与人工智能》z CVPR、ICPR、ICML、COLT、NIPS……5第一章导论z模式识别简介z基本概念z模式识别方法z模式识别应用6Introductionz Pattern recognition is the study of howmachines can observe the environment, learnto distinguish patterns of interest from theirbackground, and make sound and reasonabledecisions about the categories of the patterns.(Anil K. Jain)7What is a Pattern ?z Watanabe defines a pattern “as opposite of achaos; it is an entity, vaguely defined, thatcould be given a name.”– a fingerprint image– a handwritten cursive word– a human face– a speech signal–……8识别z识别是时时刻刻发生的z识别（Recognition)—再认知（Re-Cognition)z 主要研究相似和分类问题–有监督分类–无监督分类9与其他学科的关系z 统计学z人工智能z机器学习z运筹学10模式识别系统z数据获取和预处理z数据表达z 决策11基本概念z识别（Recognition）z决策（Decision）z学习（Learning）z Generalization12Generalizez To reduce to a general form, class, or law.z使一般化赋予一普遍形式、种类或定律z To render indefinite or unspecific.z使概括使不确定或不具体z To infer from many particulars.z概括出，归纳从许多特殊事物中推论z To draw inferences or a general conclusion from.z概括从…中得出推论或一普遍结论z To make generally or universally applicable.z使普遍适用，使全球适用z To popularize.z推广13模式识别的方法z模版匹配z统计方法z句法方法z神经网络14模版匹配z首先对每个类别建立一个或多个模版z输入样本和数据库中每个类别的模版进行比较，求相关或距离z根据相关性或距离大小进行决策z优点：直接、简单z缺点：适应性差z形变模版15统计方法z根据训练样本，建立决策边界z统计决策理论——根据每一类总体的概率分布决定决策边界z判别分析方法——给出带参数的决策边界，根据某种准则，由训练样本决定“最优”的参数z本课程的重点内容16句法方法z许多复杂的模式可以分解为简单的子模式，这些子模式组成所谓“基元”z每个模式都可以由基元根据一定的关系来组成z基元可以认为是语言中的字母，每个模式都可以认为是一个句子，关系可以认为是语法z模式的相似性由句子的相似性来决定z 优点：适合结构性强的模式z缺点：抗噪声能力差，计算复杂度高17神经网络z大规模并行计算z学习、推广、自适应、容错、分布表达和计算z优点：可以有效的解决一些复杂的非线性问题z缺点：缺少有效的学习理论18神经网络和统计模式识别的关系Kohonen’s LVQK近邻径向基函数网络Parzen窗密度估计分类器多层感知机非线性决策分析多层感知机后验概率估计自相关网络，PCA网络PCA感知机线性决策函数人工神经网络统计模式识别19几种方法比较均值方差错误网络函数样本，像元，特征神经网络接受错误规则，语法基元句法方法分类错误决策函数特征统计方法分类错误相关，距离度量样本，像元，曲线模版匹配典型准则识别函数表达方法20模式识别应用z 文本分类z 文本图像分析z 工业自动化z 数据挖掘z 多媒体数据库检索z 生物特征识别z 语音识别z 生物信息学z 遥感z。
精品课件-模式识别导论-第1章
第1章 引论
2. 原型匹配理论是针对模板匹配理论的不足而提出的模式识 别理论假说。原型匹配理论认为，在人的长时记忆中存储着的 不是与外部事物模式一一对应的模板，而是事物的某种“原 型”。原型是指一类客观事物的抽象物，是一类客观事物所共
第1章 引论
由于原型是一种概括化了的内部表征，因此它们并不要求 与外部刺激信息严格匹配，只需近似匹配即可。一旦外部刺激 信息与人脑中的某个原型有最近似的匹配，就可以把它纳入这 一原型所概括的范畴内得到识别。如果几个外部刺激信息同属 于一个类别或范畴，即使它们之间可能在形状、大小、高低等 方面存在着差异，也可以通过与人脑中原型的匹配得到准确识 别。这样，不仅能够大大减轻记忆负担，也能够使人的模式识 别活动更加灵活，从而能够更好地适应错综复杂的环境变化与
第1章 引论
该理论的基本观点是刺激信息与脑中模板的最佳匹配，而 且这种匹配要求两者具有最大相似的重叠。该理论假设个体在 长时记忆中存储有大量的，甚至是无穷的相应的特定模板，否 则就不能得到模式识别或发生错误的模式识别。如果要得到正 确的模式识别，就需要在人的长时记忆中存储不计其数的模板， 但这就会极大地增加人的记忆负担，这与人在模式识别过程中
第1章 引论
狭义地说，模式是为了能让计算机执行和完成分类识别任 务，通过对具体的个别事物进行观测所得到的具有时间和空间 分布的信息。把模式所属的类别或同一类中模式的总体称为模 式类(或简称为类)。计算机模式识别就是指根据待识别对象的 特征或属性，利用以计算机为中心的机器系统，运用一定的分 析算法确定对象的类别的学科，是数学家、信息学专家和计算 机专家的研究内容。
第1章 引论
发展，并在20世纪60年代初迅速发展成为一门新的学科领域。 至今，它所研究的理论和方法在很多领域得到了广泛的应用， 涉及生活中的方方面面。本章首先讨论模式识别的基本概念和 模式识别系统的构成，然后介绍模式识别的基本方法，接着讨
《模式识别导论》课件
结构模式识别
01
结构模式识别是通过分析模式的结构特性来进行识别
的方法，主要应用于具有明显结构特征的模式。
02
结构模式识别方法主要包括基于规则和基于图的方法
，如决策树、有限状态机等。
03
结构模式识别方法在语法分析、文本分类、化学分子
结构解析等领域有广泛应用。
模糊模式识别
模糊模式识别是利用模糊逻辑 和模糊集合理论进行模式识别 的方法，能够处理不确定性和
详细描述
人脸识别技术广泛应用于安全、门禁 、考勤、移动支付等领域，通过与数 据库中存储的人脸图像进行比对，实 现快速、准确的身份验证。
手写数字识别
总结词
手写数字识别是指利用计算机技术自动识别手写数字的能力，是模式识别领域的 一个重要分支。
详细描述
手写数字识别技术广泛应用于邮政编码、支票、银行票据等领域的自动化处理， 提高数据录入效率和准确性。
03
大数据与模式识别的结合有助于推动各行业的智能化进程，如智能交通、智能 安防、智能医疗等领域。未来，随着大数据技术的不断发展，模式识别的应用 场景将更加广泛。
隐私与安全问题
随着模式识别技术的广泛应用，隐私和安全问题逐渐凸显出来。在人脸 识别、生物特征识别等领域，个人隐私容易被泄露和滥用。因此，需要 加强隐私保护和安全管理，确保个人信息安全。
大数据与模式识别
01
大数据为模式识别提供了丰富的数据资源，有助于提高识别的准确率和可靠性 。通过对大数据的分析和处理，可以挖掘出更多有价值的信息，推动模式识别 技术的发展。
02
大数据时代对模式识别提出了更高的要求，需要处理海量数据、提高计算效率 、降低存储成本等。因此，需要不断优化算法和计算架构，以满足大数据时代 的需求。
精品课件-模式识别导论-第8章
第8章 模糊模式识别
定义8.1 给定论域U及某一性质P，U中具有性质P的元素
的全体称为一个集合，记为A={x|P(x)}，其中，
P(x)表示元素x具有性质P
如果x属于A，记x∈A，否则记x A。一个集合可以用特
征函数来表示。令A是论域U上的一个集合，它由映射CA： U→{0，1}]唯一确定。对x∈U，令特征函数
第8章 模糊模式识别 在模式识别领域，人们利用模糊技术对传统的一些模式识 别方法进行了改进，这些研究逐渐形成了模糊模式识别这一新 的学科分支。模糊模式识别利用模糊数学的理论和方法解决模 式识别问题，其基本思想是将各个模式类看成模糊集合，将模 式的属性转化为对于模糊集合的隶属程度，然后利用隶属函数、
(8-2)
A
i
A (xi
xi
) ,
xi
U
(8-3)
第8章 模糊模式识别
如果U为无限不可列集合，则 A可表示为
糊集合A
A A(x)
Ux
(8-4)
i
”与“U
”并不是求和与积分，它们表示模
中各个元素与隶属度函数对应关系的一个总括。
第8章 模糊模式识别 8.1.2
1. 具有共同论域的模糊集合可以定义相等、包含以及集合运 算，这些操作是通过对隶属度作相应运算来实现的。
为C
AB
C A B C (x) min A(x), B (x) (x U)
(8-11)
第8章 模糊模式识别 2. (1)幂等律；
A A A,A A A
(2)交换律；
(8-12)
A B B A ，A B B A
(3)结合律；
(8-13)
(A B) C A (B C) , (A B) C A (B C)
模式识别导论9PPT课件
28.07.2020
北京邮电大学信息工程学院
4
首先对 x 1 将各样品按值大小编号，X 4 所对应的 x 1 值最
小(0.18)。编号为第1号，X 3 编为第2号，全部编号结果列在表9.2 的第一行中。于是有
R1(45213)/53， R2＝ 8， (N1)/25.5，
H1＝ 110 1215(35.5)25(85.5)2 6.82
8
在图9.1中可以看到，在 x 1 的直方图中两类样品可以比 较清楚地分开，而在特征 x3 的直方图则有较多的混淆现象。 因此，直方图可以作为检验特征分类能力的一种工具。
从直方图出发可以构造所谓可接受的运算特征(ROC)曲 线。一个一般的直方图如图9.2(a)所示。任意取x轴上一点t 作为分界点。第一类样品被判错部分的面积记为α，第二 类被判错部分记作β，不断改变t的位置，并将点(α,1-β)画 在平面上，便形成图9.2(b)中的ROC曲线。图中的面积A表 示特征x的分类能力，A越大，x的分类能力越强。
表9.2 对于各样品的重新编号
样品 X1
X2
X3
X4 X5
X6
X7
X8
X9
X10
Байду номын сангаас
特征
x1
4
5
2
1
3
8
7
9
6
9
x2
1
2
3
4
10 6
7
8
9
5
x3
1
3
5
7
9
2
4
6
8
10
x4
1
2
3
4
6
5
7
8
模式识别课件-模式识别导论本(四)-PPT精品文档
4 2 3
其中m为均值向量，C 为协方差矩阵 欧氏距离和马氏距离之间的差别：
第二类
欧氏距离来说应该是属于第一类
模式识别导论
例子：二维两类问题，设都服从正态分布，协方差 矩阵一样
, 均值向量为 0 0 3 3 1 2
总体散布矩阵为
S x m x m T
t
n
4 2 12
可以推出
S S S T W B
4 2 1
模式识别导论
推导过程如下：
S T
x 整个样本集 T
xxxmmxmm
T T T T
x 整个样本集
xm xm
在进行某些数值分析后重新确定阈值和起始点。这种方法对于只需要某种
粗略聚类的问题来说，是简单快速的方法
模式识别导论
二、最大的最小距离算法
这种方法以类间欧氏距离最大作为选择聚类中心的条件。下面 以图为例，说明其基本思想。
C
J x m i
i 1 x i
2
4 2 6
m 是 类的均值向量 i i
当J最小时，认为聚类合理。在各类样本密集，类别间分离明显 时，最宜采用这一准则
模式识别导论
与最小方差有关的准则
J N iS i
i 1 C
427 428
式中， N S i是 i类的样本数， i是相似性系数： 1 2 S xx' i 2 N i x i x' i
可见，给定的向量和第一类的中心比较近。但如果从 欧氏距离类看，则是相反的，下图
22 0.82
模式识别导论第6章聚类分析
第6章 聚类分析
6.2 模式相似性测度和聚类准则
6.2.1 模式相似性测度 模式之间具有一定的相似性，利用相似性度量可以定量
地衡量模式间的相似程度，并对相似的模式进行归类。这里 我们以量之间的测度为例进行介绍。
1.距离测度 设向量x和y之间的距离记为 ρ(x，y)，ρ(x，y)应满足如下的公理： (1)ρ(x，y)≥0,当且仅当x=y时等号成立，即
Vn11i n1(xi x)(xi x)T 1 n
x n i1 xi
(6-6) (6-7) (6-8)
第6章 聚类分析
由于V是这个向量集的样本协方差矩阵，因此马氏距离
对特征的相关性做了处理。此外，马氏距离对一切非奇异线
性变换都是不变的，它还是平移不变的。需要指出，当向量
x和y分别是两个数据集中的样本时，设C是它们的互协方差
绝对值距离(市区距离或Manhattan距离)：
d
(x, y) xi yi i1
(6-3)
第6章 聚类分析
切氏(Chebyshev)距离：
(x,y)maixxi yi
明氏(Minkowski)距离：
(6-4)
d
(x,y)[ |xiyi|p]1/p,p0 i1
(6-5)
可以看出，式(6-2)、式(6-3)和式(6-4)实际上分别是式
i ,1 i c
1 2 c X
(6-1)
i j ,1 i j c
从上述条件可以看出，样本集中的每个样本一定只属于
某一类，并且最多只属于这一类。
第6章 聚类分析
由于在分类中不需要用训练样本进行学习和训练，因此 聚类分析属于无监督分类的范畴。需要指出的是，当人为选 定某些特征，采用某种模式相似性度量，运用某种聚类算法 时，实际上已引入了某些知识和信息，从而隐含地对模式集 的分类结构做了大致的估计。使用不同的特征，或采用不同 的模式相似性度量，或运用不同的聚类算法等都将产生不同 的聚类结果。所以在处理实际问题时，必须要深入了解问题， 使选用的特征和相似性度量、运行的聚类算法等能与问题很 好的匹配。
模式识别概论
问题是，事物有没有“本质”？一个苹果，牛顿看到
的是它的质量，遗传学家看到的是它的染色体中的
• 一般说来，模式识别过程是将感觉信息 与长时记忆中的信息进行比较，再决定 它与哪个长时记忆中的项目有着最佳匹 配的过程。
.
15
认识模式识别
• 认知模式识别是认知心理学研究领域的 核心问题之一，是人的一种最基本的认 知能力。匹配过程可以采用 ：
1. 模板匹配理论
2. 原形匹配理论
3. 特征匹配理论
.
36
模式识别方法
• 模式识别系统的目标：在特征空间和解 释空间之间找到一种映射关系，这种映 射也称之为假说。
– 特征空间：从模式得到的对分类有用的度 量、属性或基元构成的空间。
– 解释空间：将c个类别表示为 其中 为所属类别的集合，称为解释空间。
.
37
假说的两种获得方法
• 监督学习、概念驱动或归纳假说：在特征空 间中找到一个与解释空间的结构相对应的假 说。在给定模式下假定一个解决方案，任何 在训练集中接近目标的假说也都必须在“未 知”的样本上得到近似的结果。
• 预处理：去噪声，用一个分割操作把鱼 和鱼之间以及鱼和背景之间分开
.
25
识别过程
• 特征提取和选择：对单个鱼的信息进行特征 选择，从而通过测量某些特征来减少信息量
– 长度 – 亮度 – 宽度 – 鱼翅的数量和形状 – 嘴的位置，等等 …
• 分类决策：把特征送入决策分类器
.
26
.
27
.
28
.
– 周围物体的认知：桌子、椅子
– 人的识别：张三、李四
– 声音的辨别：汽车、火车，狗叫、人语
– 气味的分辨：炸带鱼、红烧肉
模式识别导论课程论文
模式识别导论课程论文题目基于Matlab的语音识别系统院（系）专业学生名单指导教师指导教师工作单位起讫日期年月至月摘要语音是人的自然属性之一，是人类信息交流的基本手段。
语音中包含有多种信息，如语义信息、语言信息、说话人信息、情感信息等。
语音识别就是从语音信号中识别出这些信息。
按照任务的不同，语音识别可以分为四个方面：说话人识别、语种识别、关键词识别和连续语音识别。
语音识别是以声音作为研究对象，它是语音信号处理的一个重要研究方向，是模式识别的一个分支涉及到生理学、心理学、语言学、计算机科学以及信号处理等诸多领域，甚至还涉及到人的体态语言（如人在说话时的表情、手势等行为动作可帮助对方理解），其最终目标是实现人与机器进行自然语言通信。
语音识别作为一门兼具理论价值与应用价值的研究课题，得到越来越多研究者的兴趣和关注,各种各样的语音识别方法层出不穷。
本次课程论文通过分析MFCC系数和语音识别的基本原理，应用Matlab 设计实验程序并结合VQ矢量量化模型完成语音识别的VQ实现。
本次课程论文通过语音识别的相关的背景、步骤以及原理，设计了三个matlab 语音识别实验，并包含了实验的流程和结果。
在附录中附有程序代码，以供参考。
关键词：语音识别；MatlabABSTRACTV oice is one of the people's natural attribute, which is the basic means of communication.V oice contains many information, such as semantic information, language information, the speaker, effective information and so on. V oice recognition is to recognize these information from the voice signal. According to the different roles, voice recognition can be divided to four floor, including the speaker recognition, the type of voice recognition, the key words recognition and the recognition of continuous voice.The voice recognition bases on the voice as a research object, is an important direction for the voice recognition process, which is a branch of model recognition involving physiology, psychology, philology, computer science, signal process and other fields, even involving body language. The final target is to make the machine communicate with human beings.In recent years, face recognition research topics, which have both theoretical value and application value, attracted more and more researchers. A wide variety of face recognition methods emerge in an endless stream.This thesis analyzes the basic principle of the VQ and voice recognition. And the experimental procedure is designed with matlab for completing new methods in voice recognition based on VQ.This paper describes the analysis and design background, steps as well as the principle of the process and design three matlab experiments for the voice recognition, which contains experiment process and results. With program code in the appendix for reference.Key words：V oice recognition; Matlab;目录1.绪论 (1)1.1课题研究的目的 (1)1.2课题研究的意义 (1)1.3国内外研究概况 (2)2.原理分析 (5)2.1语音识别系统的特征提取 (5)2.2语音识别系统的分类模型 (8)3.语音识别的整体过程 (11)3.1 语音识别系统的结构 (11)3.2语音信号预处理 (11)3.3语音信号的特征提取 (15)3.4用矢量量化聚类法生成码本 (16)3.5VQ的说话人识别 (17)4.实验设计 (18)4.1实验一 (18)4.2实验二 (18)4.3实验三 (19)5.实验结果 (21)5.1实验一 (21)5.2实验二 (23)5.3实验三 (26)6.总结 (27)7.程序代码 (28)致谢 (45)参考文献 (45)1.绪论1.1课题研究的目的近年来，语音识别作为一门兼具理论价值与应用价值的研究课题，得到越来越多研究者的兴趣和关注,各种各样的语音识别方法层出不穷。
模式识别导论(一)全解
变量 样本 X1 X2 „ XN
2017/11/8
x1 X11 X21 „ XN1
x2 X12 X22 „ XN2
湖南大学电气与信息工程学院
„ „ „ „ „
2017/11/8 湖南大学电气与信息工程学院
• 50年代 Noam Chemsky 提出形式语言理论 美籍华人付京荪 提出句法结构模式识别。 • 60年代 L.A.Zadeh提出了模糊集理论，模 糊模式识别理论得到了较广泛的应用。 • 80年代 Hopfield提出神经元网络模型理论。 近些年人工神经元网络在模式识别和人工 智能上得到较广泛的应用。 • 90年代 小样本学习理论，支持向量机也受 到了很大的重视。
2017/11/8 湖南大学电气与信息工程学院
§1-2 模式识别系统
• 信息的获取：是通过传感器，将光或声音等信 息转化为电信息。信息可以是二维的图象如文 字，图象等；可以是一维的波形如声波，心电 图，脑电图；也可以是物理量与逻辑值。 • 预处理：包括A\D,二值化，图象的平滑，变换， 增强，恢复，滤波等, 主要指图象处理。
主讲：谭建豪
2017/11/8
湖南大学电气与信息工程学院
参考书
• • • • 模式识别 人民邮电出版社 罗耀光 盛立东 模式识别 清华大学出版社 边肇祺 模式识别及应用 科学出版社 付京荪 Syntactic Pattern Recognition and Application K.S.Fu • Pattern Recognition Principles • J.T.Tom R.C.Gouzales
《模式识别导论》课件
集成学习通过组合多个模型或算法的预测结果，提高模式识别系统的泛化能力和鲁棒性，取 得了不错的效果。
结论和要点
1 模式识别是一门研究如何发现和理解数据中特定模式的学科。
它在计算机视觉、生物医学、金融风险管理等领域有广泛应用。
2 特征提取、分类方法和聚类分析是模式识别的基本原理和算法。
评价方法包括准确率、ROC曲线和混淆矩阵。
金融风险管理
模式识别技术在金融领域的 信用评估、欺诈检测、市场 预测等方面有广泛应用，帮 助金融机构降低风险。
模式识别的基本原理和算法
1
特征提取
通过数学模型和统计方法，从原始数据
分类方法
2
中提取出表征模式特征的信息，并对其 进行进一步处理。
常用的分类方法包括朴素贝叶斯、支持
向量机、决策树等，通过学习和训练，
将特征模式映射到不同的类别中。
3
聚类分析
聚类分析通过发现数据中的内在结构， 将相似的模式聚集到一起，帮助发现隐 藏的模式和关联规律。
模式识别的评价方法
准确率
评估模式识别系统在预测时的准 确性和正确率，可以通过统计指 标如精确度、召回率和F1值来度 量。
ROC曲线
ROC曲线是衡量模式识别系统分 类性能的重要工具，通过绘制真 正例率和假正例率来分析分类器 的效果。
关键技术
模式识别借鉴了机器学习、统计模型和人工智能等 技术，通过分类、聚类、回归等方法来识别和推断 数据中的模式。
模式识别的应用场景
计算机视觉
模式识别在图像识别、人脸 识别、目标检测等计算机视 觉任务中发挥着重要作用， 为智能系统实现图像理解提 供技术支持。
生物医学
模式识别应用于医学影像分 析、疾病诊断和预测，帮助 医生更准确地判断病情和制 定治疗方案。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
《模式识别导论》课程教学大纲
一、课程基本信息
课程编号：04010290
课程中文名称：模式识别导论
课程英文名称：Introduction of Pattern Recognition
课程性质：专业任意选修课
考核方式：考查
开课专业：自动化、探测制导与控制技术
开课学期：7
总学时：24 （其中理论24学时，实验0学时）
总学分：1.5
二、课程目的和任务
通过本课程的学习，使学生了解当前模式识别理论的发展现状，初步掌握模式识别的基本方法，使学生对模式、模式识别等基本概念有明确地认识，具有实用统计模式识别完成模式分类的能力。
三、教学基本要求（含素质教育与创新能力培养的要求）
1、掌握模式、模式识别的含义；
2、掌握基于Bayes决策理论的模式分类方法；
3、掌握线性分类的基本方法；
4、掌握近邻法；
5、了解聚类分析的基本方法；
6、了解特征提取的基本方法。
四、教学内容与学时分配
第一章绪论（2学时）
模式和模式识别；模式识别的发展和应用；模式识别的研究方法。
第二章Bayes决策理论（4学时）
最小错误率的Bayes决策；最小风险的Bayes决策；Bayes分类器和判别函数；正态分布模式的Bayes分类器；均值向量和协方差矩阵的估计。
第三章线性判决函数（4学时）
线性判决函数和决策面；最小距离分类器；感知机准则函数；平方误差准则函数；多类模式的线性分类器。
第四章非线性判决函数（4学时）
分段线性判别函数；近邻法；K－近邻法；快速近邻法。
第五章聚类分析（4学时）
模式相似性测度和聚类准则；分级聚类法；C—均值算法。
第六章特征提取（6学时）
类别可分性准则；特征选择；基于距离的特征提取；基于K-L变换的特征提取。
五、教学方法及手段（含现代化教学手段）
课堂讲授、专题讨论。
六、实验（或）上机内容
无
七、前续课程、后续课程
前续课程：概率论与数理统计、线性代数
后续课程：无
八、教材及主要参考资料
教材：
[1] 黄凤岗，宋克欧. 模式识别[M]. 哈尔滨：哈尔滨工程大学出版社，1998.
主要参考资料：
[1] 杨光正等. 模式识别[M].合肥：中国科技大学出版社，2000.
[2] 边肇祺，张学工. 模式识别[M].北京：清华大学出版社，2000.
撰写人签字：院（系）教学院长（主任）签字：。