清华大学出版社
本书依据作者多年从事模式识别教学和研究的体会,并参考相关文献编写而成,概括地介绍了模式识别理论和技术的基本概念、原理、方法和实现。全书共分为11章,每章阐述模式识别中的一个知识点,内容包括贝叶斯决策、概率密度函数的估计、线性判别分析、非线性判别分析、组合分类器、无监督模式识别、特征选择、特征提取、半监督学习以及人工神经网络。除了经典算法以外,本书增加了部分较新的理论和算法,读者可以选择性地学习。本书还配以电子课件、MATLAB仿真程序和实验指导书,便于教和学。本书可以作为高等学校人工智能、计算机、信息、自动化、遥感、控制等专业本科生或研究生的教材或参考书,也可以作为从事相关研究与应用人员的参考书。
more>前言模式识别是研究如何使机器(计算机)具有类似于人类对各种事物进行分析、判断、识别能力的理论和技术，是人工智能技术的重要组成部分，其应用领域越来越广泛，对国民经济、社会生活和科学技术等方面都产生了巨大的影响。由于模式识别技术对现代社会的深远影响，“模式识别”已经成为高等院校人工智能、计算机、信息、自动化、遥感、控制等多个学科领域的一门重要专业课程。在“模式识别”课程的学习中，常有学生认为课程较难，导致这种情况的主要原因有两个：一是“模式识别”课程涉及大量的数学理论，如微积分、线性代数、概率论、数理分析、优化理论等，本科生对这些理论的应用经验有所不足，短时间内较难达到对多方面数学知识综合应用的融会贯通；二是模式识别学习需要对算法进行仿真实现，受限于数学基础和编程经验，轻松、流畅地实现算法成为学习中的一个难点。针对这些问题，在编写教材时，以便于学习为出发点，笔者做了多方面的尝试。教材对于算法的推导尽量详细，受限于篇幅不能展开的数学知识，也给出关键词，便于学生理解及扩展学习；编写了大量小例题，在简单数据上进行计算实现算法，有助于对算法的理解。为辅助编程仿真，清晰列出算法实现的步骤；设计仿真例题；简要介绍MATLAB中封装好的函数，并设计基于函数的仿真程序；在每章最后安排编程实例，以供参考学习；安排改写或编写程序习题，加强练习。全书共分为11章，每章阐述模式识别中的一个知识点，内容包括贝叶斯决策、概率密度函数的估计、线性判别分析、非线性判别分析、组合分类器、无监督模式识别、特征选择、特征提取、半监督学习以及人工神经网络。除了经典算法以外，书中增加了部分较新的理论和算法，读者可以选择性地学习。本书还配以电子课件、MATLAB仿真程序和实验指导书，便于教和学。本书是“中国矿业大学特色专业教材”，本书的编写受到中国矿业大学教学研究项目——“特色专业教材建设”项目的资助，中国矿业大学李世银老师、王雪松老师在本书的编写过程中给予了无私的帮助和支持，本书的编写参考了大量的文献，在此表示真诚的感谢。由于编者学识水平所限，书中不足之处敬请读者不吝指正。编者2022年1月
more>课件下载样章下载暂无网络资源扫描二维码下载APP了解更多版权图片链接
模式识别与人工神经网络
研究生课程教学大纲、教学周历-（模板）
课程序号： 院（系）：9
课程
名称
中文
模式识别与人工神经网络
英文
PatternRecognitionandArtificialNeuralNetwork
课程编号
课程适用学位级别
硕士
总学时
120
课内学时
40
学分
2
实践环节
实验、研究报告
用机小时
开课院(系)
9
开课学期
春季
考试方式
考试
主讲教师
教师姓名
朱海林
学位
工学硕士
博导或硕导
职称
讲师
学历
硕士研究生
网页地址
http://cse.seu.edu.cn/people/hailin/
授课语言
汉语
课件地址
适用学科范围
三级
适用学科名称
计算机
实验(案例)个数
2
先修课程
人工智能、线性代数、概率
教学用书
教材名称
教材编者
出版社
出版年月
版次
主要教材
NeuralNetworkDesign
MartinT.Hagan
机械工业出版社
2002年
1
主要参考书
NEURALNETWORKSAComprehensiveFoundation
SimonHaykin
清华大学出版社
2001年10月
1
模式识别-原理、方法及应用
J.P.Marquesdesa
清华大学出版社
2002年11月
1
模式识别原理
黄振华、吴诚一
浙江大学出版社
1991年9月
1
一、教学目标和要求：
本课程为计算机专业硕士研究生的专业选修课，讲授模式识别与人工神经网络的主要算法，包括聚类，感知机，Hebb学习，Widrow_Hoff算法，反向传播算法，Kohonen网络，Grossberg网络，自适应谐振理论，Hopfield网络等算法，所讲授的内容与世界一流大学相关课程同步。学完本课程，要求掌握各算法的主要思想，对重点讲授的反向传播算法、自适应谐振、Hopfield网络理论有较深入的理解，并清晰把握各种算法之间的关系，能够根据本课程所学，设计一个应用方案。较高要求为设计并实现一个应用。
二、教学大纲（含章节目录）：
三、教学周历：
周次
教学内容
教学方式
1
识别系统概论2 聚类算法概述1
讲课
2
聚类算法3
讲课
3
图论方式的聚类算法，聚类评价 2 人工神经网络概论 1
讲课
4
神经元模型和网络结构，一个说明性实例（感知机，Hamming,Hopfield）3
讲课，
讨论
5
判别函数与感知器算法，感知机学习规则 3
讲课
6
有监督的Hebb学习，例题 3
讲课
7
性能曲面和最优点，性能优化 3
讲课，
讨论
8
Widrow_Hoff算法，反向传播算法 3
讲课
9
反向传播算法与反向传播算法的变形 3
讲课
10
反向传播算法的变形，例题 3
讲课，
讨论
11
Kohonen网络，Grossberg网络 3
讲课
12
自适应谐振理论 3
讲课
13
Hopfield网络 3
讲课
14
总结与考核
15
16
17
18