《模式識別》教學大綱課程編號：AI202006課程名稱：模式識別 英文名稱：PatternRecognition學分/學時：3/48 課程性質(zhì)：專業(yè)必修適用專業(yè)：智能科學與技術(shù)、人工智能建議開設學期：第5學期先修課程：信號與系統(tǒng)、高等數(shù)學開課單位：人工智能學院一、課程簡介《模式識別》是智能科學與技術(shù)專業(yè)的必修基礎課程。模式識別指對表征事物或現(xiàn)象的各種形式的（數(shù)值的、文字的和邏輯關(guān)系的）信息進行處理和分析，以對事物或現(xiàn)象進行描述、辨認、分類和解釋的過程,是信息科學的重要組成部分。本課程從模式識別的基本概念入手，在特征選取的基礎上，主要介紹統(tǒng)計模式識別，聚類分析，糊模式識別的基礎理論和基本方法。課程主要涉及以線性分類器為核心的確定性統(tǒng)計分類，以及以貝葉斯分類器為核心的隨機統(tǒng)計分類。通過本課程的學習，可掌握模式識別的基本理論和方法，為模式識別的工程應用奠定基礎。進一步，幫助學生理解模式與模式識別的基本概念、模式識別的系統(tǒng)框圖、模式識別的分類問題以及模式識別方法的一些關(guān)鍵問題，使學生掌握模式識別概念的基本知識，掌握一些模式識別最基本的步驟，能夠通過一些簡單實例理解模式識別的作用，認識到模式識別在分類問題中的重要意義。二、課程目標與畢業(yè)要求本課程將通過講課、實驗、課程設計使學生掌握模式識別的基本理論和方法。為以后進一步學習和研究奠定良好的基礎，應當達到以下目標：1、使學生建立模式識別系統(tǒng)的基本概念，了解模式識別的基本手段以及模式識別理論所能夠解決的問題。掌握模式識別的基本原理，基本概念，具有初步的算法分析能力。（支撐畢業(yè)要求1-2）2、掌握模式識別的基本分析方法和研究方法，使學生在科學實驗能力、計算能力和抽象思維能力得到嚴格訓練，培養(yǎng)學生獨立分析問題與解決問題的能力，提高科學素質(zhì)，為后續(xù)課程及從事信息處理等方面有關(guān)的研究工作打下基礎。（支撐畢業(yè)要求1-4）3、本課程的基本要求是使學生能利用貝葉斯決策、線性判別分析等技術(shù)進行數(shù)據(jù)分析和設計簡單的分類器。（支撐畢業(yè)要求3-2）課程目標與畢業(yè)要求觀測點的支撐矩陣畢業(yè)要求指標點1-21-43-2課程目標1√課程目標2√課程目標3√三、課程內(nèi)容及基本要求1.理論教學（1）第一章模式識別概論（3學時）幫助學生理解模式與模式識別的基本概念、模式識別的系統(tǒng)框圖、模式識別的分類問題以及模式識別方法的一些關(guān)鍵問題，使學生掌握模式識別概念的基本知識，掌握一些模式識別最基本的步驟，能夠通過一些簡單實例理解模式識別的作用，認識到模式識別在分類問題中的重要意義。1)基本內(nèi)容與要求理解模式識別概念并結(jié)合概念學習模式識別工作原理；模式識別系統(tǒng)的流程框圖：信息獲取、預處理、特征提取、訓練分類器、進行分類；模式識別系統(tǒng)設計及應用：設計目標檢測器、特征選取、分類器設計、分類器訓練、性能評估。2)重點、難點模式識別系統(tǒng)設計及應用，這一部分需要學生對模式識別概念以及模式識別系統(tǒng)框圖有充分了解，還要對模式識別應用方向有所了解，需要結(jié)合實例詳細講解，才能使學生輕松理解，并且能夠讓他們自己更好的與生活實際想結(jié)合，對于他們以后的學習也會更有幫助。3)思政元素設計從模式識別的重要性出發(fā)，引出科學技術(shù)的重要性，擬列舉現(xiàn)代戰(zhàn)爭以及情報工作都需要依賴人工智能的現(xiàn)狀，強調(diào)如果我國在人工智能技術(shù)方面落后于世界強國，將來一定是處于挨打的局面，讓學生建立民族責任感以及為強國而努力的志向。4）作業(yè)模式識別訓練分類器過程中用到的有監(jiān)督學習和無監(jiān)督學習，查閱有監(jiān)督學習和無監(jiān)督學習概念進行理解，并找出三個有監(jiān)督分類方法和三個無監(jiān)督分類方法。（2）第二章統(tǒng)計決策方法（4學時）幫助學生理解貝葉斯決策理論基本概念，什么是決策，決策準則以及最小錯誤率的貝葉斯決策，并對最小錯誤率進行討論；掌握貝葉斯公式的先驗概率和后驗概率以及貝葉斯決策的兩個要求：各個類別的總體概率分布是已知的，要決策分類的類別數(shù)是一定的。貝葉斯決策理論主要應用在模式識別系統(tǒng)中的分類問題，是統(tǒng)計決策理論中的一個基本方法。幫助學生深入理解貝葉斯公式的含義，掌握先驗概率、類條件概率和后驗概率的關(guān)系，懂得最小風險貝葉斯決策步驟和最小風險和最小錯誤率決策之間的關(guān)系，會分析兩類情況下的最小風險貝葉斯決策，達到自行設計分類器設計的目的。幫助學生理解正態(tài)分布概率密度函數(shù)的定義及性質(zhì)和多元正態(tài)概率型下的最小錯誤率貝葉斯判別函數(shù)和決策面。掌握正態(tài)分布模型具有物理上的合理性（許多實際的數(shù)據(jù)集，正態(tài)分布假設通常是較合理的近似）和數(shù)學上的簡單性（正態(tài)分布具有許多很多的性質(zhì)，有利于作數(shù)學分析）。提高學生的整體認知能力，理論聯(lián)系實際分析問題、解決問題的能力。1)基本內(nèi)容與要求貝葉斯決策理論；貝葉斯決策的兩個要求；決策準則；最小誤差率分類；最小錯誤率準則；最小風險準則。2)重點、難點貝葉斯公式理解及先驗概率和后驗概率的理解，因為對公式的理解會比較抽象化，不太容易形容；還有最小誤差率分類中的基于最小錯誤率的貝葉斯決策以及對最小錯誤率的討論，都是一些對公式的理解。3)思政元素設計課前先對上節(jié)課進行簡單回顧，從上節(jié)課的模式識別系統(tǒng)框圖引入本節(jié)的貝葉斯決策理論，主要在分類過程中的應用；然后通過貝葉斯公式來講解貝葉斯決策理論需要的兩個要求，以及先驗概率和后驗概率的理解及使用；最后引入鱸魚和鮭魚的例子講解基于最小錯誤率的貝葉斯決策，最后對最小錯誤率進行討論。所以本章是進行引導討論的方法進行教學。在上述知識點的講解過程中，引申出科學不能有半點虛假，培養(yǎng)學生的嚴謹態(tài)度和求實精神；引導樹立正確的世界觀、價值觀和人生觀；激發(fā)學生堅持不懈、愈挫愈勇的精神。4)作業(yè)假設在某個局部地區(qū)細胞識別中正常和異常兩類的先驗概率分別為正常狀態(tài)：異常狀態(tài)：現(xiàn)有一待識別的細胞，其觀察值為x，類條件概率密度分別為,試對該細胞x進行分類。（3）第三章線性判別分析（7學時）本章主要講解線性判別函數(shù)，從基礎的線性判別函數(shù)到廣義線性判別函數(shù)，到Fisher線性判別，感知器算法學習判別函數(shù)，決策樹算法。使得學生理解線性判別器的理論依據(jù)，F(xiàn)isher線性判別的優(yōu)點。在感知器算法中，掌握梯度下降，和均方誤差目標函數(shù)在算法中的作用。在決策樹算法中，掌握該算法用的問題，以及優(yōu)缺點。學習本章使得學生可以應用線性判別的基本方法完成基本的分類問題，能夠?qū)崿F(xiàn)感知器中的梯度下降和均方誤差去解決復雜的分類的問題。1)基本內(nèi)容與要求從實際生活出發(fā)，生活中有許多的數(shù)據(jù)需要我們將其分類，整合。帶領(lǐng)學生將實際問題轉(zhuǎn)化為可以用數(shù)學形式表達，數(shù)據(jù)的表征可以用向量X={x1,x2,…xn}，那么對于樣本（二分類）類別的判斷就可以用個g(x)=W*X的形式表示。由此可以引申到多類別多判別函數(shù)的復雜情況分析。包括對廣義線性判別函數(shù)，F(xiàn)isher線性判別的分析。針對離散型的數(shù)據(jù)，引領(lǐng)學生掌握決策樹的基本知識和原理，以及衡量決策的準則。2)重點、難點線性判別函數(shù)的實現(xiàn)原理。Fisher線性判別的準則函數(shù)JF(w)，以及求解最佳變換向量w*。感知器的訓練算法，梯度下降，目標函數(shù)MSE。決策樹算法當選擇邏輯或?qū)傩?，信息增益的計算過程。Fisher線性判別從d維空間降到一維的分析過程。感知器算法當中梯度下降的推導過程。MSE準則函數(shù)的優(yōu)點，避免奇異矩陣帶來的問題，規(guī)避大矩陣的運算等。3)思政元素設計、通過合作探究，歸納總結(jié)輕松突破了本節(jié)課的重難點，讓學生對很抽象的正態(tài)分布的統(tǒng)計決策有了很深刻的認識，學生親歷探究得到知識的同時，體會研究問題的思想與方法，這樣更容易使學生把所學的知識聯(lián)系起來，更容易體會數(shù)學知識的形成過程。成功之處一是教學設計獨到而又新穎，二是積極調(diào)動學生思考問題，課堂氣氛活躍。4)作業(yè)使學生深刻理解線性判別分析的定義，熟悉其主要性質(zhì)，并能夠應用簡單的分類器設計。（4）第四章非線性分類器（4學時）幫助學生理解近鄰法的基本概念、最近鄰法則、K-近鄰法則以及如何減少近鄰法計算量的一些關(guān)鍵問題，使學生掌握最近鄰法則的基本知識，掌握近鄰法則應用在聚類上最基本的步驟，能夠通過一些簡單實例理解緊鄰法則的作用，認識到近鄰法則在聚類問題中的重要意義。幫助學習理解決策樹的基本概念、本質(zhì)、損失函數(shù)等知識點，并利用信息熵的概念實現(xiàn)決策樹的構(gòu)建。1)基本內(nèi)容與要求理解近鄰法則的概念并結(jié)合概念學習近鄰法則聚類的工作原理；近鄰法則的規(guī)則、實現(xiàn)原理、評價標準以及最近鄰法的錯誤分析；K近鄰法則實現(xiàn)方法、優(yōu)缺點分析、減少近鄰法計算量和存儲的考慮；根據(jù)訓練數(shù)據(jù)集構(gòu)建決策樹模型，使決策樹模型能正確分類，且有較好的泛化能力；從訓練數(shù)據(jù)集中歸納分類規(guī)則，找到特征與標簽的之間的分類規(guī)則。2)重點、難點重點：近鄰法對數(shù)據(jù)的處理過程，這一部分需要學生對近鄰法的應用原理以及計算機算法基礎有充分了解，還要相關(guān)數(shù)學算法知識有一定的解，需要結(jié)合實例詳細講解，才能使學生輕松理解，并且能夠讓他們自己更好的與生活實際想結(jié)合，對于他們以后的學習也會更有幫助。難點：如何面向不同場景，確定任務屬性，并構(gòu)建合適的決策樹。3)思政元素設計利用近鄰算法、決策樹等技術(shù)在實際場景中的應用，引申出科學技術(shù)的重要性，激發(fā)學生探索技術(shù)前沿的熱情。4)作業(yè)近鄰法在實際應用中分為很多不同的近鄰法例如k近鄰法，查閱其他近鄰法的分支概念進行理解，找出至少三種近鄰法的分支并分析其在處理不同數(shù)據(jù)時的優(yōu)缺點。（5）第五章支撐向量機（6學時）幫助學生理解線性判別函數(shù)和判別面，以及超平面。掌握支持向量機（SupportVectorMachine,SVM）的理論基礎，以及理解如何求解最優(yōu)分類面。掌握SVM的基本問題和對偶問題的關(guān)系，以及限制條件的由來。最終使得學生對SVM的理論以及核函數(shù)的理論有一個清晰的認知。1)基本內(nèi)容與要求SVM以訓練誤差作為優(yōu)化問題的約束條件，以置信范圍值最小化作為優(yōu)化目標，即SVM是一種基于結(jié)構(gòu)風險最小化準則的學習方法，其推廣能力明顯優(yōu)于一些傳統(tǒng)的學習方法；最優(yōu)分類面，如何判定一個分類面是最優(yōu)分類面；如何求解最優(yōu)分類面。求解最優(yōu)分類面可以轉(zhuǎn)化為約束優(yōu)化問題。掌握核函數(shù)的概念和使用技巧。2)重點、難點重點：SVM的最優(yōu)分類面如何轉(zhuǎn)化為數(shù)學問題，SVM的原規(guī)劃形式以及對偶形式，約束條件。難點：問題到數(shù)學模型的建立，SVM問題的求解，SVM原規(guī)劃到對偶形式的轉(zhuǎn)化。3)思政元素設計從SVM的定義及求解理論出發(fā)，把教學目標貫穿課堂始終，指導學生掌握新舊知識的內(nèi)在聯(lián)系，將知識系統(tǒng)化，充分了調(diào)動了學生的積極性、創(chuàng)造性和主動性，引申出事物的兩面性，培養(yǎng)學生的辯證思維。4)作業(yè)針對特定數(shù)據(jù)集，利用SVM及核函數(shù)技巧，設計合適的分類器。（6）第六章特征選擇（5學時）幫助學生理解特征的基本概念、特征的提取、特征的選擇等一些關(guān)鍵問題，使學生掌握特征提取以及選擇的基本知識，掌握在提取與選擇特征時最基本的步驟，能夠通過一些簡單特征提取與選擇的作用，認識到特征提取與選擇在處理圖片信息中的重要意義。1)基本內(nèi)容與要求特征的基本概念，對分類器設計來說，使用什么樣的特征描述事物，也就是說使用什么樣的特征空間是個很重要的問題；特征優(yōu)化，首先是對特征空間進行優(yōu)化的概念與意義、目的。對初始的特征空間進行優(yōu)化是為了降維。即初始的特征空間維數(shù)較高。能否改成一個維數(shù)較低的空間，稱為優(yōu)化。特征優(yōu)化共包含兩大類方法分別為特征提取與特征選擇。特征提取(特征組合優(yōu)化)：通過映射(或變換)的方法把高維的特征向量變換為低維的特征向量。特征選擇：從一組特征中挑選出一些最有效的特征以達到降低特征空間維數(shù)的目的的過程。可分性判據(jù)，特征選擇或特征提取任務是從n個特征中求出對分類最有效的m個特征(m＜n)。對于特征選擇來講，從n個特征中選擇出m個特征，有種組合方式。分類器錯誤概率最小的那組特征，就應當是一組最有效的特征。2)重點、難點重點：理解事物特征并且結(jié)合相關(guān)數(shù)學知識學習特征提取以及選擇理論概念；理解特征空間的概念，能夠?qū)α康倪x擇性問題進行描述；對特征空間進行優(yōu)化的概念：特征選擇、特征組合優(yōu)化、特征組合優(yōu)化評價標準；。難點：特征的提取以及選擇是一個新概念，這一部分需要學生對模式識別以及計算機算法基礎有充分了解，本此課程概念較多，需要結(jié)合實例詳細講解，才能使學生輕松理解，并且能夠讓他們自己更好的與生活實際想結(jié)合，對于他們以后的學習也會更有幫助。3)思政元素設計從特征選擇的代碼實現(xiàn)出發(fā)，要求設計小組自行提取相關(guān)素材，查閱資料，設計程序，培養(yǎng)學生精益求精、團隊合作精神。從特征選擇的核心出發(fā)，引申出中興、華為等被制裁事件，凸顯我國芯片生產(chǎn)的技術(shù)瓶頸，激發(fā)學生的自主創(chuàng)新精神和愛國精神。4)作業(yè)查閱相關(guān)資料了解除本文介紹的特征提取方法外的其他特征提取方式，熟悉其他方法處理過程并與本節(jié)介紹的方法進行對比，加深對本節(jié)特征提取方法的理解。同時課下對經(jīng)典特征選擇算法進行試驗。（7）第七章非監(jiān)督模式識別（4學時）幫助學生理解有監(jiān)督學習和非監(jiān)督學習的概念，掌握非監(jiān)督學習的基本理論、基本知識和基本技能，了解有監(jiān)督學習和非監(jiān)督學習的區(qū)別，獲得運用非監(jiān)督學習解決實際問題的能力，達到鍛煉學生的動手能力、培養(yǎng)學生創(chuàng)新意識的目的，應用于圖像處理、數(shù)據(jù)分類等方面，解決學習過程中遇到的聚類、圖像分割問題等等。1)基本內(nèi)容與要求掌握非監(jiān)督學習方法的概念、用途。了解非監(jiān)督學習方法對數(shù)據(jù)劃分有兩種基本方法。掌握以k-均值算法，ISODATA算法為代表的動態(tài)聚類方法。了解層次(分級)聚類方法。運用非監(jiān)督學習方法解決實際問題。。2)重點、難點重點：掌握以k-均值算法，ISODATA算法為代表的動態(tài)聚類方法。難點：運用非監(jiān)督學習解決實際問題。3)思政元素設計從k-均值算法的優(yōu)化過程是從”不合理的”劃分到“最佳”劃分出發(fā)，引申出做任何工作都需要嚴格嚴謹，培養(yǎng)學生的工匠精神。以非監(jiān)督模式識別問題存在更大的不確定性為例，讓學生珍視健康，好的身體是革命的本錢，提倡運動校園，樹立全民運動理念。4)作業(yè)有監(jiān)督學習和非監(jiān)督學習的適用范圍，兩者之間的共同點和不同點。k-均值算法，ISODATA算法的優(yōu)點和缺點。k-均值算法，ISODATA算法的具體操作步驟。（8）第八章組合分類器（2學時）幫助學生理解組合分類器的概念，掌握組合分類器的評價指標、基本理論、基本知識和基本技能，了解不同組合分類器優(yōu)化方式的區(qū)別，獲得運用組合分類器解決實際問題的能力，達到鍛煉學生的動手能力、培養(yǎng)學生創(chuàng)新意識的目的，應用于圖像處理、數(shù)據(jù)分類等方面，解決學習過程中遇到的分類問題等等。1)基本內(nèi)容與要求掌握組合分類器方法的概念、用途。了解組合分類器對數(shù)據(jù)劃分有兩種基本方法。掌握Bagging、Boosting算法。了解隨機森林、AdaBoost方法。運用組合分類器方法解決實際問題。。2)重點、難點重點：掌握以Bagging、Boosting算法為代表的組合分類器方法。難點：運用組合分類器解決實際問題。3)思政元素設計從“Boosting易受到噪音的影響”出發(fā)，引申出引導學生樹立正確的世界觀和價值觀，能夠用辯證唯物主義分析問題，進而內(nèi)化人文素養(yǎng)、提升道德情操。以“AdaBoost可以用來鑒別異常；經(jīng)過多輪后，具有最高權(quán)重的樣本即為異?！睘槔ぐl(fā)學生的民族自豪感和愛國情操，從多方面進行人才培養(yǎng)，鼓勵學生將個人理想融入國家建設中去，更好地實現(xiàn)自身價值。4)作業(yè)理解Bagging和Boosting算法兩者之間的共同點和不同點。利用Bagging實現(xiàn)實際的分類問題。（9）第九章半監(jiān)督學習（3學時）幫助學生理解半監(jiān)督學習的概念，掌握半監(jiān)督學習的評價指標、基本理論、基本知識和基本技能，了解不同半監(jiān)督學習方式的區(qū)別，獲得運用半監(jiān)督學習解決實際問題的能力，達到鍛煉學生的動手能力、培養(yǎng)學生創(chuàng)新意識的目的，應用于圖像處理、數(shù)據(jù)分類等方面，解決學習過程中遇到的分類問題等等。1)基本內(nèi)容與要求掌握半監(jiān)督學習的概念、用途。了解有監(jiān)督學習、半監(jiān)督學習、無監(jiān)督學習的聯(lián)系與區(qū)別。掌握半監(jiān)督分類、半監(jiān)督聚類算法。運用半監(jiān)督學習方法解決實際問題。2)重點、難點重點：理解半監(jiān)督學習的假設條件。難點：運用轉(zhuǎn)導SVM（TSVM）和圖模型解決實際問題。3)思政元素設計從“TSVM是一個時間和計算復雜度都十分高的算法”出發(fā)，引申出在分析問題的時候，也必須從正反兩方面進行考慮。引申至個人做決策的時候，一定要聽取多方的觀點，結(jié)合自身經(jīng)驗進行分析總結(jié)，兼聽則明，偏信則暗，盲從其他人并不一定能得到正確的結(jié)果。以“基于圖的半監(jiān)督學習方法”為例，說明事物是有規(guī)律的，可以預測的。作為受過高等教育的大學生應該能夠利用所學知識預測事物的發(fā)展規(guī)律，另外要破除封建迷信思想，堅持唯物主義。4)作業(yè)理解TSVM和基于圖的半監(jiān)督學習方法算法兩者之間的共同點和不同點。利用TSVM實現(xiàn)實際的分類問題。（10）作業(yè)和疑難課堂講解（2學時）采用專題討論的形式，回顧模式識別課程的基本概念和重點內(nèi)容。1)基本內(nèi)容與要求復習模式識別系統(tǒng)等基本概念；梳理模式識別課程各知識點的聯(lián)系；強調(diào)模式識別不同技術(shù)的實際應用。2)重點、難點重點：梳理模式識別課程各知識點的聯(lián)系。難點：模式識別不同技術(shù)的實際應用。3)思政元素設計以模式識別各知識點的關(guān)系的梳理，引申出事物的相似性反映出事物之間同時存在著個性和共性。個性將不同的事物進行區(qū)別，共性使得不同的事物可以聚在一起。在分析問題時，需要我們把握事物的共性，求同存異，正確分清誰是敵人誰是需要團結(jié)的人。另外事物間存在著聯(lián)系，這種聯(lián)系是客觀存在的，不以人的意志為轉(zhuǎn)移?？吹绞挛镩g的聯(lián)系的同時還要正確判斷聯(lián)系的強弱，這樣才能正確劃分事物的類別。2．實驗教學實驗1K近鄰算法的錯誤率分析（2學時）通過實驗完成分析K近鄰算法的錯誤率?；緝?nèi)容與要求代碼實現(xiàn)K近鄰分類器，并在不同數(shù)據(jù)集上完成分類驗證；討論K近鄰分類器錯誤率與近鄰數(shù)K之間的關(guān)系；分析、總結(jié)設計結(jié)果，提交課程設計報告。重點、難點重點：代碼仿真。難點：理論和實踐仿真中存在的差異的理解與分析。實驗2動態(tài)聚類算法的性能分析（2學時）通過實驗深刻理解K均值算法和模糊C均值算法性能比較?；緝?nèi)容與要求代碼實現(xiàn)K均值算法，并在不同數(shù)據(jù)集上完成分類驗證；代碼實現(xiàn)模糊C均值算法，并在不同數(shù)據(jù)集上完成分類驗證；分情況討論K均值算法和模糊C均值算法在不同數(shù)據(jù)集上的表現(xiàn)；分析、總結(jié)設計結(jié)果，提交課程設計報告。重點、難點重點：代碼仿真。難點：理論和實踐仿真中存在的差異的理解與分析。實驗3支撐向量機（SVM）算法練習（2學時）通過實驗學習支撐向量機、核函數(shù)相關(guān)理論?；緝?nèi)容與要求代碼實現(xiàn)SVM算法，并在不同數(shù)據(jù)集上完成分類驗證；通過實驗結(jié)果分析不同核函數(shù)對SVM算法的影響；分析、總結(jié)設計結(jié)果，提交課程設計報告。重點、難點重點：代碼仿真。難點：理論和實踐仿真中存在的差異的理解與分析。實驗4組合分類器練習（2學時）分別以KNN和SVM作為弱分類器，利用Bagging和Boosting算法進行集成學習?；緝?nèi)容與要求以KNN和SVM作為弱分類器，代碼實現(xiàn)Bagging集成策略；以KNN和SVM作為弱分類器，代碼實現(xiàn)Boosting集成策略；分析、總結(jié)設計結(jié)果，提交課程設計報告。重點、難點重點：代碼仿真。難點：理論和實踐仿真中存在的差異的理解與分析。四、課程安排及教學方式課程內(nèi)容分為：理論教學（42學時）和實踐教學（12學時）。序號課程內(nèi)容學時教學方式1（一）模式識別基本概念3講授2（二）統(tǒng)計決策方法4講授3（三）線性判別分析7講授4（四）線性非線性分類器4講授5（五）非線性分類器6講授6（六）特征選擇5講授7（七）?非監(jiān)督模式識別4講授8（八）組合分類器2講授9（九）半監(jiān)督學習3講授10（十）作業(yè)和疑難課堂講解1專題討論11實驗8研討+實踐五、考核方式考核與評價方式及成績評定課程考核通過課堂參與情況、作業(yè)、實驗、課程設計、期末考試幾部分綜合評價形成。各部分所占比例如下：課堂參與情況：10%，主要考核對每堂課知識點的復習、理解和掌握程度。根據(jù)到課率、隨堂測試情況評定。平時作業(yè)：10%，主要考核學生對堂課知識點的復習、理解和掌握程度。每章課程講授完后均需提交線上本單元的作業(yè)。實驗：15%，主要考查學生完成實驗的動手能力，分析處理實驗數(shù)據(jù)和撰寫實驗報告的能力。課程設計：15%，主要考核發(fā)現(xiàn)、分析和解決問題的能力；能夠基于科學原理并采用科學方法，使用現(xiàn)代工具，以及能夠?qū)?shù)學、自然科學、工程基礎和專業(yè)知識用于解決復雜工程問題的綜合能力。期末考試成績：50%，閉卷考試形式。主要考核基本概念、基本分析、設計和計算方法的掌握程度。書面考試形式的題型為選擇題，填空題，問答題，分析、計算題等。課程目標達成考核與評價方式及成績評定對照表課程目標畢業(yè)要求觀測點考核與評價方式及成績比例（%）成績比例（%）課堂參與情況實驗課程設計平時作業(yè)課程考試課程目標1支撐畢業(yè)要求1-210102545課程目標3支撐畢業(yè)要求1-4151530課程目標4支撐畢業(yè)要求3-2151030合計1015151050100注：該表格中比例為課程整體成績比例。考核與評價標準課堂參與情況評分標準注重考查學生在整個學習過程中的努力程度，傳達給學生“老師更加看重你在學習過程中的積極主動性，而不會關(guān)心你的基礎是否優(yōu)秀”，來激發(fā)學生學習積極性。這部分成績可以由課堂管理軟件提供。優(yōu)（90-100）良（80-89）中（70-79）及格（60-69）不及格（<60）課堂參與情況注：該表格中比例為課堂參與情況成績比例。作業(yè)評分標準基本要求評價標準成績比例（%）優(yōu)（90-100）良（80-89）中（70-79）及格（60-69）不及格（<60）平時作業(yè)掌握離散時間信號與系統(tǒng)的基本概念，時域和頻域的分析方法，以及數(shù)字系統(tǒng)的設計方法。（支撐畢業(yè)要求1-2）概念表述充分、準確；計算步驟完整，結(jié)果合理；運用理論、公式準確，公式推導嚴謹；作業(yè)書寫工整。答案正確率超過90%。概念表述充分、準確；計算步驟完整，公式推導嚴謹，結(jié)果較合理；作業(yè)書寫較工整。答案正確率超過80%。概念表述較充分、正確；計算步驟較完整，公式推導較嚴謹，結(jié)果較合理；作業(yè)少許涂改。答案正確率超過70%。概念表述正確；計算步驟不是很全面，公式推導不嚴謹；作業(yè)有涂改。答案正確率超過60%。概念表述不充分；沒有計算步驟和公式推導過程，結(jié)果不能有效說明問題；作業(yè)書寫不工整。答案正確率低于60%。100注：該表格中比例為平時作業(yè)成績比例。3.實驗評分標準考核內(nèi)容基本要求評價標準成績比例（%）優(yōu)（90-100）良（80-89）中（70-79）及格（60-69）不及格（<60）實驗能夠?qū)⒄n堂中講授的數(shù)字信號與系統(tǒng)分析方法、數(shù)字系統(tǒng)的方法，通過仿真加以實現(xiàn)與驗證。（支撐畢業(yè)要求1-4）方案設計清晰。流程/方案設計合理。獨立完成軟件或系統(tǒng)調(diào)試、測試，調(diào)試、測試方案設計合理，步驟完整且有記錄。報告寫作規(guī)范、認真，概念正確，條理清楚，圖表清晰、規(guī)范，有結(jié)果分析和總結(jié)。方案設計清晰。獨立完成軟件或系統(tǒng)調(diào)試、測試，步驟完整且有記錄。報告寫作規(guī)范、認真，條理清楚，有結(jié)果分析和總結(jié)。提供了方案設計。獨立完成軟件或系統(tǒng)調(diào)試、測試，步驟較完備且有記錄。報告寫作規(guī)范、認真，條理清楚，有結(jié)果分析和總結(jié)。方案設計不清晰，能夠根據(jù)要求基本完成實驗或課程設計的內(nèi)容。數(shù)據(jù)記錄部分完整、正確。報告寫作較為規(guī)范，有結(jié)果分析和總結(jié)。方案和實驗過程含糊不清，不能根據(jù)實驗或課程設計要求搭建好系統(tǒng)。數(shù)據(jù)記錄不完整、部分正確。報告寫作不規(guī)范，沒有結(jié)果分析和實驗的總結(jié)。100注：該表格中比例為實驗成績比例。4.課程設計評分標準考核內(nèi)容基本要求評價標準成績比例（%）優(yōu)（90-100）良（80-89）中（70-79）及格（60-69）不及格（<60）實驗能夠?qū)W過的內(nèi)容進行綜合應用，針對選擇題目所要求的系統(tǒng)，能夠給出合理的設計方案，并完成仿真測試，能夠分析結(jié)果并提出系統(tǒng)存在的問題。（支撐畢業(yè)要求3-2）方案設計清晰，有系統(tǒng)流程圖。流程/方案設計合理。獨立完成軟件或系統(tǒng)調(diào)試、測試，調(diào)試、測試方案設計合理，步驟完整且有記錄。報告寫作規(guī)范、認真，概念正確，條理清楚，圖表清晰、規(guī)范，有結(jié)果分析和總結(jié)。方案設計清晰，有系統(tǒng)流程圖。獨立完成軟件或系統(tǒng)調(diào)試、測試，步驟完整且有記錄。報告寫作規(guī)范、認真，條理清楚，有結(jié)果分析和總結(jié)。提供了方案設計，有系統(tǒng)流程圖。獨立完成軟件或系統(tǒng)調(diào)試、測試，步驟較完備且有記錄。報告寫作規(guī)范、認真，條理清楚，有結(jié)果分析和總結(jié)。方案設計不清晰，系統(tǒng)流程圖不完備，能夠根據(jù)要求基本完成實驗或課程設計的內(nèi)容。數(shù)據(jù)記錄部分完整、正確。報告寫作較為規(guī)范，有結(jié)果分析和總結(jié)。方案和實驗過程含糊不清，不能根據(jù)實驗或課程設計要求搭建好系統(tǒng)。數(shù)據(jù)記錄不完整、部分正確。報告寫作不規(guī)范，沒有結(jié)果分析和實驗的總結(jié)。100注：該表格中比例為課程設計比例。5.期末筆試考核與評價標準基本要求評價標準比例優(yōu)（90-100）良（80-89）中（70-79）及格（60-69）不及格（<60）期末考試掌握數(shù)字信號處理的概念、采樣定理、數(shù)字信號與系統(tǒng)的分析方法，數(shù)字系統(tǒng)的設計方法，能夠利用所學的理論與方法對工程問題進行分析建模，模型準備滿足工程問題的實際要求。（支撐畢業(yè)要求1-2）基本概念的理解正確；應用理論與方法解決實際問題正確，解答過程及結(jié)果正確。基本概念的理解基