第一章模式識(shí)別概述１簡(jiǎn)述特征空間優(yōu)化的方法。２簡(jiǎn)述幾種常用的分類器設(shè)計(jì)準(zhǔn)則。３簡(jiǎn)述分類器設(shè)計(jì)的基本方法。４試寫出基于二維特征兩類分類問(wèn)題的線性判別函數(shù)形式。５試寫出基于ｎ維特征兩類分類問(wèn)題的線性判別函數(shù)形式。６試寫出基于ｎ維特征多類分類問(wèn)題的線性判別函數(shù)形式。７試寫出基于ｎ維特征多類分類問(wèn)題的非線性判別函數(shù)形式。８簡(jiǎn)述設(shè)計(jì)判別函數(shù)需要確定的基本要素。９簡(jiǎn)述在什么情況下分類器不可分。10簡(jiǎn)述設(shè)計(jì)一個(gè)分類器的基本方法。第二章特征的選擇與優(yōu)化1、簡(jiǎn)述樣本數(shù)量與特征數(shù)目的關(guān)系，若采集的手寫數(shù)字各個(gè)類別的樣本數(shù)目少于特征數(shù)目，能否對(duì)手寫數(shù)字進(jìn)行分類？２某一個(gè)特征與目標(biāo)的相關(guān)系數(shù)為０，該特征是否應(yīng)被刪除？３簡(jiǎn)述特征選擇搜索算法。４簡(jiǎn)述幾種常用的特征評(píng)估方法。５簡(jiǎn)述主成分分析的實(shí)現(xiàn)方法。６簡(jiǎn)述總體參數(shù)的點(diǎn)估計(jì)方法。７簡(jiǎn)述總體分布函數(shù)的統(tǒng)計(jì)假設(shè)檢驗(yàn)方法。第三章模式相似性測(cè)度１簡(jiǎn)述模板匹配法的基本原理。２用模板匹配法編程實(shí)現(xiàn)英文字符的識(shí)別。第四章基于概率統(tǒng)計(jì)的貝葉斯分類器設(shè)計(jì)１分類識(shí)別中為什么會(huì)有錯(cuò)分類？在何種情況下會(huì)出現(xiàn)錯(cuò)分類？２簡(jiǎn)述貝葉斯決策所討論的問(wèn)題。３簡(jiǎn)述先驗(yàn)概率、類概率密度函數(shù)、后驗(yàn)概率三者的關(guān)系。４簡(jiǎn)述Ｐ（ω1|Ｘ）、Ｐ（ω2|Ｘ）與Ｐ（Ｘ|ω1）、Ｐ（Ｘ|ω2）的區(qū)別。５簡(jiǎn)述基于最小錯(cuò)誤率的貝葉斯分類原則。６寫出基于兩類問(wèn)題最小錯(cuò)誤率的貝葉斯判別函數(shù)形式。７寫出基于多類問(wèn)題最小錯(cuò)誤率的貝葉斯判別函數(shù)形式。８寫出基于多類問(wèn)題最小風(fēng)險(xiǎn)貝葉斯決策規(guī)則判別函數(shù)形式。９簡(jiǎn)述最小風(fēng)險(xiǎn)貝葉斯決策與最小錯(cuò)誤率貝葉斯決策之間的關(guān)系。１０說(shuō)明基于二值數(shù)據(jù)的貝葉斯實(shí)現(xiàn)方法。１１試說(shuō)明基于最小錯(cuò)誤率的貝葉斯實(shí)現(xiàn)方法。判別函數(shù)分類器設(shè)計(jì)１寫出每一個(gè)類別可用單個(gè)判別平面分開(kāi)的判別函數(shù)形式。２寫出每?jī)蓚€(gè)類別之間可用判別平面分開(kāi)的判別函數(shù)形式。３簡(jiǎn)述多類可分的判別函數(shù)實(shí)現(xiàn)方法。４寫出非線性分類器判別函數(shù)的一般形式。５簡(jiǎn)述感知器算法的分類準(zhǔn)則，并寫出梯度下降法的實(shí)現(xiàn)步驟。６簡(jiǎn)述Fisher算法分類的實(shí)現(xiàn)步驟。７簡(jiǎn)述基于核的Fisher算法分類的實(shí)現(xiàn)步驟。８簡(jiǎn)述支持向量機(jī)的原理以及支持向量機(jī)分類方法的實(shí)現(xiàn)步驟。神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)１簡(jiǎn)述人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別問(wèn)題上的優(yōu)勢(shì)。２試述BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)及其學(xué)習(xí)算法。３簡(jiǎn)述設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)需要考慮的主要因素。４試述基于高斯核的RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)及其初始權(quán)值的產(chǎn)生方式。５簡(jiǎn)述概率神經(jīng)網(wǎng)絡(luò)（PNN）的拓?fù)浣Y(jié)構(gòu)及其各層的功能。６簡(jiǎn)述Hopfield神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和穩(wěn)定條件。７簡(jiǎn)述離散型Hopfield神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，并試用Ｃ語(yǔ)言實(shí)現(xiàn)離散型hopfield神經(jīng)網(wǎng)絡(luò)。８簡(jiǎn)述對(duì)向傳播神經(jīng)網(wǎng)絡(luò)（CPN）的拓?fù)浣Y(jié)構(gòu)、基本思想及其學(xué)習(xí)算法。９簡(jiǎn)述自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、基本思想及其訓(xùn)練過(guò)程。１０試列表對(duì)比本章介紹的幾種神經(jīng)網(wǎng)絡(luò)的異同。決策樹(shù)分類器設(shè)計(jì)１簡(jiǎn)述決策樹(shù)的構(gòu)造方法。２簡(jiǎn)述ID3算法基本思想以及基于信息增益的屬性選擇度量方法。３對(duì)于一個(gè)訓(xùn)練集，如表7-2所示，利用ID3算法構(gòu)造一棵決策樹(shù)。４敘述決策樹(shù)理論在分類問(wèn)題中的實(shí)現(xiàn)方法和步驟。粗糙集分類器設(shè)計(jì)１簡(jiǎn)述決策表、等價(jià)集以及粗糙集的概念。２簡(jiǎn)述屬性約簡(jiǎn)和規(guī)則化簡(jiǎn)方法。３如表8-4所示，已知購(gòu)買計(jì)算機(jī)意向決策表，利用粗糙集理論對(duì)該表進(jìn)行屬性約簡(jiǎn)和規(guī)則化簡(jiǎn)，并獲取最終規(guī)則。４敘述粗糙集理論在分類問(wèn)題中的實(shí)現(xiàn)方法和步驟。聚類分析１樣品間的距離度量方式有哪些？２簡(jiǎn)述基于試探的未知類別聚類算法。３什么是層次聚類算法？它與基于試探的未知類別聚類算法有何異同？４簡(jiǎn)述Ｋ均值算法的基本思想。５敘述ISODATA的計(jì)算步驟。６簡(jiǎn)述模擬退火算法的基本原理。模糊聚類分析１模糊集合與普通集合有什么區(qū)別？２什么是隸屬度函數(shù)？它和模糊子集有什么關(guān)系？３敘述模糊集運(yùn)算的性質(zhì)。４如何將一個(gè)普通模糊矩陣轉(zhuǎn)化成等價(jià)矩陣？５敘述將模糊集理論應(yīng)用于聚類問(wèn)題的步驟。遺傳算法聚類分析１．簡(jiǎn)述遺傳算法的構(gòu)成要素。２．簡(jiǎn)述選擇算子、交叉算子和變異算子的作用。３．簡(jiǎn)述遺傳算法進(jìn)行問(wèn)題求解的步驟。４．如果一幅位圖當(dāng)中包含有15個(gè)樣品，分成5類，敘述染色體的編碼方法，給出一種可能的染色體編碼方案，染色體長(zhǎng)度應(yīng)該設(shè)為多長(zhǎng)？如何設(shè)定評(píng)估函數(shù)？如何設(shè)定適應(yīng)度函數(shù)？５．?dāng)⑹鲞z傳算法在聚類問(wèn)題中的實(shí)現(xiàn)方法和步驟。粒子群算法聚類分析１簡(jiǎn)述粒子群算法的基本原理。２敘述粒子群算法與其他進(jìn)化算法的異同。３在粒子群算法聚類問(wèn)題設(shè)計(jì)中，簡(jiǎn)述如何定義粒子結(jié)構(gòu)以及粒子的更新方式。４敘述粒子群算法在聚類問(wèn)題中的實(shí)