2013模式识别练习题
一. 填空题
1、模式识别系统的基本构成单元包括：模式采集、特征的选择和提取和模式分类。
2、统计模式识别中描述模式的方法一般使用特征矢量；句法模式识别中模式描述方法一般有串、树、
网。
3、影响层次聚类算法结果的主要因素有计算模式距离的测度、聚类准则、类间距离阈值、预定的类别数目。
4、线性判别函数的正负和数值大小的几何意义是正负表示样本点位于判别界面法向量指向的正负半空间中，
绝对值正比于样本点与判别界面的距离。
5、感知器算法1 ，H-K算法 2 。
（1）只适用于线性可分的情况；（2）线性可分、不可分都适用。
6、在统计模式分类问题中，聂曼-
况；最小最大判别准则主要用于先验概率未知的情况。
7、“特征个数越多越有利于分类”这种说法正确吗？错误。
特征选择的主要目的是。一般在可
和（C n m>>n ）的条件下，可以使用分支定界法以减少计算量。
8、散度J ij越大，说明ωi类模式与ωj类模式的分布差别越大；
当ωi类模式与ωj类模式的分布相同时，J ij= 0。
二、选择题
1、影响聚类算法结果的主要因素有（B、C、D ）。
A.已知类别的样本质量；
B.分类准则；
C.特征选取；
D.模式相似性测度
2、模式识别中，马式距离较之于欧式距离的优点是（C、D）。
A.平移不变性；
B.旋转不变性；C尺度不变性；D.考虑了模式的分布
3、影响基本K-均值算法的主要因素有(ABD）。
A.样本输入顺序；
B.模式相似性测度；
C.聚类准则；
D.初始类中心的选取
4、位势函数法的积累势函数K(x)的作用相当于Bayes判决中的（B D）。
A. 先验概率；
B. 后验概率；
C. 类概率密度；
D. 类概率密度与先验概率的乘积 5、在统计模式分类问题中，当先验概率未知时，可以使用（BD ）。
A. 最小损失准则；
B. 最小最大损失准则；
C. 最小误判概率准则；
D. N-P 判决 6、散度J D 是根据（ C ）构造的可分性判据。
A. 先验概率；
B. 后验概率；
C. 类概率密度；
D. 信息熵；
E. 几何距离 7、似然函数的概型已知且为单峰，则可用（ABCDE ）估计该似然函数。
A. 矩估计；
B. 最大似然估计；
C. Bayes 估计；
D. Bayes 学习；
E. Parzen 窗法 8、KN 近邻元法较之Parzen 窗法的优点是（B ）。
A. 所需样本数较少；
B. 稳定性较好；
C. 分辨率较高；
D. 连续性较好 9、从分类的角度讲，用DKLT 做特征提取主要利用了DKLT 的性质：（A C ）。
A.变换产生的新分量正交或不相关；
B.以部分新的分量表示原矢量均方误差最小；
C.使变换后的矢量能量更集中
10、如果以特征向量的相关系数作为模式相似性测度，则影响聚类算法结果的主要因素有（BC ）。
A. 已知类别样本质量；
B. 分类准则；
C. 特征选取；
D. 量纲 11、欧式距离具有（ A B ）；马式距离具有（ A B C D ）。
A. 平移不变性；
B. 旋转不变性；
C. 尺度缩放不变性；
D. 不受量纲影响的特性 12、聚类分析算法属于（A ）；判别域代数界面方程法属于（ C ） 。
A.无监督分类；
B.有监督分类；
C.统计模式识别方法；
D.句法模式识别方法 13、若描述模式的特征量为0-1二值特征量，则一般采用（ D ）进行相似性度量。
A. 距离测度；
B. 模糊测度；
C. 相似测度；
D. 匹配测度 14、 下列函数可以作为聚类分析中的准则函数的有（ACD ） 。 A.][1
B
W S S Tr J -=； B.1-=B
W S
S J ； C.∑∑==-=
c
j n i j j i
j
m x
J 11
2
)( ； D.)()(1
m m m m J j c
j j -'-=∑=
15、Fisher 线性判别函数的求解过程是将N 维特征矢量投影在（ B ）中进行 。 A.二维空间； B.一维空间； C. N-1维空间
16、用parzen 窗法估计类概率密度函数时，窗宽过窄导致波动过大的原因是（BC ）。
A.窗函数幅度过小；
B.窗函数幅度过大；
C. 窗口中落入的样本数过少；
D.窗口中落入的样本数过多。
17、如下聚类算法中，属于静态聚类算法的是 ( AB )。
A. 最大最小距离聚类；
B. 层次聚类；
C. c-均值聚类。 18、 一般，k-NN 最近邻方法在（ B ）的情况下效果较好。
A.样本较多但典型性不好；
B.样本较少但典型性好；
C.样本呈团状分布；
D.样本呈链状分布
19、影响c 均值聚类算法效果的主要因素之一是初始类心的选取，相比较而言，（ C ）c 个样本作为初始类心
较好。
A. 按输入顺序选前；
B. 选相距最远的；
C. 选分布密度最高处的；
D. 随机挑选。 20、类域界面方程法中，能求线性不可分情况下分类问题近似或精确解的方法是（BCD ）。
A. 感知器算法；
B. 伪逆法；
C. 基于二次准则的H-K 算法；
D. 势函数法。
三、简答题
1、试说明Mahalanobis 距离平方的定义，到某点的Mahalanobis 距离平方为常数的轨迹的几何意义，它与欧氏距离的区别与联系。
答：Mahalanobis 距离的平方定义为：∑---=1
2)()(),(u x u x u x r T
其中x ，u 为两个数据，1-∑是一个正定对称矩阵（一般为协方差矩阵）。根据定义，距某一点
的Mahalanobis 距离相等点的轨迹是超椭球，如果是单位矩阵Σ，则Mahalanobis 距离就是通常的欧氏距离。
2、试说明用监督学习与非监督学习两种方法对道路图像中道路区域的划分的基本做法，以说明这两种学习方法的定义与它们间的区别。
答：监督学习方法用来对数据实现分类，分类规则通过训练获得。该训练集由带分类号的数据集组成，因此监督学习方法的训练过程是离线的。
非监督学习方法不需要单独的离线训练过程，也没有带分类号（标号）的训练数据集，一般用来对数据集进行分析，如聚类，确定其分布的主分量等。
就道路图像的分割而言，监督学习方法则先在训练用图像中获取道路象素与非道路象素集，
进行分类器设计，然后用所设计的分类器对道路图像进行分割。
使用非监督学习方法，则依据道路路面象素与非道路象素之间的聚类分析进行聚类运算，以实现道路图像的分割。
已知一组数据的协方差矩阵为???
? ??12/12/11，试问
(1) 协方差矩阵中各元素的含义。 (2) 求该数组的两个主分量。
(3) 主分量分析或称K-L 变换，它的最佳准则是什么？ (4) 为什么说经主分量分析后，消除了各分量之间的相关性。
答：协方差矩阵为???
?
??12/12/11，则
(1) 对角元素是各分量的方差，非对角元素是各分量之间的协方差。
(2) 主分量，通过求协方差矩阵的特征值，用????
?
? ??
----121211λλ＝0得4/1)1(2=-λ，则 ???=2/32/1λ，相应地：2/3=λ，对应特征向量为???? ??11，21
=λ，对应???? ??-11。 这两个特征向量，即为主分量。 (3) K-L 变换的最佳准则为：
对一组数据进行按一组正交基分解，在只取相同数量分量的条件下，以均方误差计算截尾误差最小。
(4) 在经主分量分解后，协方差矩阵成为对角矩阵，因而各主分量间相关性消除。
4、试说明以下问题求解是基于监督学习或是非监督学习： (1) 求数据集的主分量 (2) 汉字识别
(3) 自组织特征映射
(4) CT图像的分割
答：(1) 求数据集的主分量是非监督学习方法；
(2) 汉字识别：对待识别字符加上相应类别号—有监督学习方法；
(3) 自组织特征映射—将高维数组按保留近似度向低维映射—非监督学习；
(4) CT图像分割—按数据自然分布聚类—非监督学习方法；
5、试列举线性分类器中最著名的三种最佳准则以及它们各自的原理。
答：线性分类器三种最优准则：
Fisher准则：根据两类样本一般类内密集，类间分离的特点，寻找线性分类器最佳的法线向量方向，使两类样本在该方向上的投影满足类内尽可能密集，类间尽可能分开。
这种度量通过类内离散矩阵Sw和类间离散矩阵Sb实现。
感知准则函数：准则函数以使错分类样本到分界面距离之和最小为原则。
其优点是通过错分类样本提供的信息对分类器函数进行修正，这种准则是人工神经元网络多层感知器的基础。
支持向量机：基本思想是在两类线性可分条件下，所设计的分类器界面使两类之间的间隔为最大，它的基本出发点是使期望泛化风险尽可能小。
6、试分析五种常用决策规则思想方法的异同。
答、五种常用决策是：
1. 基于最小错误率的贝叶斯决策，利用概率论中的贝叶斯公式，得出使得错误率最小的分类
规则。
2. 基于最小风险的贝叶斯决策，引入了损失函数，得出使决策风险最小的分类。当在0-1损
失函数条件下，基于最小风险的贝叶斯决策变成基于最小错误率的贝叶斯决策。
3. 在限定一类错误率条件下使另一类错误率最小的两类别决策。
4.
类先验概率未知，考察先验概率变化对错误率的影响，找出使最小贝叶斯
奉献最大的先验概率，以这种最坏情况设计分类器。
5.
除了考虑分类造成的损失外，还考虑特征获取造成的代价，先用一部分特
征分类，然后逐步加入性特征以减少分类损失，同时平衡总的损失，以求得最有效益。
7、 1. 什么是特征选择？
2. 什么是Fisher 线性判别？
答：1. 特征选择就是从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的。 2. Fisher 线性判别：可以考虑把d 维空间的样本投影到一条直线上，形成一维空间，即把维数压缩到一维，这在数学上容易办到，然而，即使样本在d 维空间里形成若干紧凑的互相分得开的集群，如果把它们投影到一条任意的直线上，也可能使得几类样本混在一起而变得无法识别。但是在一般情况下，总可以找到某个方向，使得在这个方向的直线上，样本的投影能分开得最好。问题是如何根据实际情况找到这条最好的、最易于分类的投影线，这就是Fisher 算法所要解决的基本问题。
8、写出两类和多类情况下最小风险贝叶斯决策判别函数和决策面方程。
两类问题：判别函数 )()()(2121111x w p x w p x g λλ+=
)()()(2221212x w p x w p x g λλ+=
决策面方程：)()(21x g x g =
C 类问题：判别函数 )()(1x w p x g j ij c
j i λ=∑=，c i ,......
2,1= 决策面方程：)()(x g x g j i =，j i ≠，c i ,......
2,1=，c j ,......2,1=
信息获取：通过测量、采样和量化，可以用矩阵或向量表示二维图像或波形。
预处理：去除噪声，加强有用的信息，并对输入测量仪器或其他因素造成的退化现象进行复原。 特征选择和提取：为了有效地实现分类识别，就要对原始数据进行变换，得到最能反映分类本质的特征。
分类决策：在特征空间中用统计方法把识别对象归为某一类。 10、简述支持向量机的基本思想。
答：SVM 从线性可分情况下的最优分类面发展而来。
最优分类面就是要求分类线不但能将两类正确分开(训练错误率为0)，且使分类间隔最大。 SVM 考虑寻找一个满足分类要求的超平面，并且使训练集中的点距离分类面尽可能的远，也就是寻找一个分类面使它两侧的空白区域(margin)最大。
过两类样本中离分类面最近的点，且平行于最优分类面的超平面上H 1，H 2的训练样本就叫支持向量。
四、计算题
1、设两类样本的类内散布矩阵分别为??????--=??????=11,112121221211S S ， 两类的类心分别为m 1=(2,0)T , m 2=(2,2)T , 试用fisher 准则求其决策面方程。
解：????
??=+=1001)(2121S S S w ，??
????=-10011
w S 22)1,2(10
01)2,0()()()(22121212
1+-=--???
? ??-=--=+-x x x x S m m x d T m m w T ρρρρρρ
???∈?<>2
1
0)(ωωx x d ρρ
或 写出决策面方程 01)(2=+-=x x d ρ
2、已知两个一维模式类别的类概率密度函数为:
其它2
11002)/(1≤≤<≤??
?
??-=x x x x x p ω 其它3
22
1031)/(2≤≤<≤???
??--=x x x x x p ω
先验概率P(ω1)=0.6，P(ω2)=0.4， （1）求0-1代价Bayes 判决函数； （2）求总错误概率P(e )；
（3）判断样本{x 1=1.35, x 2=1.45, x 3=1.55, x 4=1.65} 各属于哪一类别。
答：(1) 基于0-1代价Bayes 判决函数为：
当
67.032
6.04.0)()()
|()
|(1221≈==ωωωωP P x p x p 时，1w x ∈，否则2w x ∈， (2) 总的误判概率P(e )为：
由
3212=--x x ， 得：6.15
8
==x 12
.0 )1(*4.0)2(*6.0
)|(*)()|(*)()(6
.11
26
.122111
2
=-+-=+=????dx x dx x dx
x p P dx x p P e P D D ωωωω
(3) 67.086.135.0/65.0)/(/)/(,
35.1211>≈==ωωx p x p x ，所以11w x ∈ 67.022.145.0/55.0)/(/)/(,45.1212>≈==ωωx p x p x ，所以12w x ∈ 67.082.055.0/45.0)/(/)/(,55.1213>≈==ωωx p x p x ，所以13w x ∈
67.054.065.0/35.0)/(/)/(,
65.1214<≈==ωωx p x p x ，所以24w x ∈
> <
3、假设在某个地区细胞识别中正常（w 1）和异常（w 2）两类先验概率分别为8.0)(1=w P ，
2.0)(2=w P ，现有一待识别的细胞，其观察值为x ，从类条件概率密度分布曲线上查得25.0)(1=w x P ，
6.0)(2=w x P ，并且已知011=λ，612=λ，121=λ，022=λ
试对该细胞x 用一下两种方法进行分类：
(1) 基于最小错误率的贝叶斯决策； (2) 基于最小风险的贝叶斯决策； 请分析两种结果的异同及原因。
答：(1) 利用贝叶斯公式，分别计算出1w 和2w 的后验概率：
625.02
.06.08.025.08
.025.0)
()()
()()(2
1
1
111=?+??==
∑=j j j
w
p w x p w p w x p x w p 375.0)(1)(12=-=x w p x w p
根据贝叶斯决策规则：375.0)(625.0)(21=>=x w p x w p ，所以把x 归为正常状态。 (2) 根据条件和上面算出的后验概率，计算出条件风险：
75.1)()()()(222212121
22=+==∑=x w p x w p x w p x R j j j λλλα
由于)()(21x R x R αα>，即决策为2w 的条件风险小于决策为1w 的条件风险，因此采取决策行动2α，即判断待识别的细胞x 为2w 类----异常细胞。
将 (1) 与 (2) 相对比，其分类结果正好相反，这是因为这里影响决策结果的因素又多了一个，即“损失”；而且两类错误决策所造成的损失相差很悬殊，因此“损失”起了主导作用。
4、有两类样本集 T x ]0,0,0[1
1
=，T x ]0,0,1[21=，T x ]1,0,1[31=，T x ]0,1,1[41= T x ]1,0,0[12=，T x ]0,1,0[22=，T x ]1,1,0[32=，T
x ]1,1,1[42=
(1) 用K-L 变换求其二维特征空间，并求出其特征空间的坐标轴； (2) 使用Fisher 线性判别方法给出这两类样本的分类面。
??
??
?
?????=5.025.025.025.05.025.025.025.05.0][T XX E ，其对应的特征值和特征向量为： ??
??
??????=Λ100025.0000
25.0
对应的坐标： , 6132 6132 6231 00:1??
??
????????-????????????-????????????-??????w 033 6232 6131 6131 :2??
?????????????
?
??????
?????????????????????
??
?
w (2) ??????????=25.025.075.01m ????
?
?????=75.075.025.02m , ???
?????????????--
=????????????
????----+???????
?????????----
+????????????????-
--
-
+????????????
????=--=∑=43414
141434104143
16116
316
1163169163
161163
161
16916316
3163161161163161
161161161
16
1161161161161161
16116116
1163161161163
163163
16
9
))((41
111i T
i i m x m x S
?????
??
?????
????-
-=????????????????+????????????????--
--+????????
????????---
-+????????????????----=--=∑=434141414341
41414316116116316116116316316316916116116
1161161161
161161161 16916316316316116116316
1161161163161
16316916
3161163161
))((4
1
222i T
i i m x m x S ????
?
???
??--=+=3111311134
1)(2121S S S w ??????????--=-=-222)(211*m m S w w ， 12
2*1
*0-=+=m w m w y T
T 所以 判别函数为1222)(+????
?
?????--=x x g T
5、假设两类模式服从如下的正态分布：
??????=111μ，??????--=112μ，?
??
???=∑=∑5.200121，5.021==P P ， 求使)(1
b w
S S tr -最大化的一维特征空间的变换矢量。
答：[]T 0 ,0=μ，??????=∑+∑=500221)(2121w S , ??
????=-4.00011
w S ??????=--=--∑==1111))((41))((21212121T T i i i b S μμμμμμμμ, ??
????=-4.04.0111
b w S S 因为b w S S 1-的秩为1，所以b w S S 1
-只有一个非零特征值，W 是1?D 矩阵，即w W =。
为求解b w S S 1-的特征值，解方程 w w S S b w 11
λ=-，
即
w w S T w 121211
))((4
1λμμμμ=--- 因为
w T )(4121μμ-为标量，所以，??
????=-=-8.02)(211
μμw S w 。
6、现有样本集X={(0,0)T , (0,1) T , (2,1) T , (2,3) T , (3,4) T , (1,0) T },
试用K-means {C-均值}算法进行聚类分析(类数C=2), 初始聚类中心为(0, 0)T 、(0, 1) T 。 解：
第一步：由题意知C = 2，初始聚类中心为Z 10=(0,0)T , Z 20=(0,1) T 第二步： ||x 1-Z 10||=||(0,0) T -(0,0) T ||=0
||x 1-Z 20||=||(0,0) T -(0,1) T ||=1 因为||x 1-Z 10||<||x 1-Z 20||, 所以x 1∈ω1 ||x 2-Z 10||=||(0,1) T -(0,0) T ||=1
||x 2-Z 20||=||(0,1) T -(0,1) T ||=0 因为||x 2-Z 10||>||x 2-Z 20||, 所以x 2∈ω2 同理
因为||x 3-Z 10||=51/2>||x 3-Z 20||=2，所以x 3∈ω2 因为||x 4-Z 10||=81/2>||x 4-Z 20||=51/2，所以x 4∈ω2 x 5∈ω2, x 6∈ω1
由此得到新的类：ω1={x 1, x 6} N 1=2, ω2={x 2, x 3, x 4, x 5 } N 2=4
第三步：根据新分成的两类计算新的聚类中心
Z 11=(x 1+x 6)/2=(0.5, 0)T
Z 21=(x 2+x 3+x 4+x 5)/4=(1.75, 2.25)T
第四步：因为新旧聚类中心不等，转第二步
第二步：重新计算x 1, x 2, x 3, x 4, x 5, x 6到Z 11、Z 12的距离，把它们归为最近聚类中心，重新分为
两类ω1={x 1, x 2, x 6} N 1=3, ω2={x 3, x 4, x 5 } N 2=3
第三步：根据新分成的两类计算新的聚类中心
Z 12=(x 1+x 2+x 6)/3=(1/3, 1/3)T Z 22=(x 3+x 4+x 5)/3=(7/3, 8/3)T
第四步：因为新旧聚类中心不等，转第二步
重新计算x 1, x 2, x 3, x 4, x 5, x 6到Z 12、Z 22的距离，把它们归为最近聚类中心，重新分为两类ω1={x 1, x 2, x 6}，N 1=3, ω1={x 3, x 4, x 5 }，N 2=3 和上次聚类结果一样，计算结束。
7、已知二维样本：1x ρ=(-1,0)T ，2x ρ=(0,-1)T ，3x ρ=(0,0)T ，4x ρ=(2,0)T 和5x ρ=(0,2)T ，121},{ω∈x x ρ
ρ，2543},,{ω∈x x x ρρρ。试用感知器算法求出分类决策函数，并判断6x ρ
=(2,1)T 属于哪一类？
答：将样本符号规范化得：
1x ρ=(-1,0,1)T ，2x ρ=(0,-1,1)T ，3x ρ=(0,0,-1)T ，4x ρ
=(-2,0,-1)T 和5x ρ=(0,-2,-1)T ，
赋初值T w )1 ,1 ,1()1(=，取增量1=ρ, 置迭代步数k=1, 则有： k=1, 1x x k =, 0)()(==k T k x k w x d , T x w w )2 ,1 ,0()1()2(1=+= k=2, 2x x k =, 01)()(>==k T k x k w x d , )2()3(w w =
k=3, 3x x k =, 02)()(<-==k T k x k w x d , T x w w )1 ,1 ,0()3()4(3=+= k=4, 4x x k =, 01)()(<-==k T k x k w x d , T x w w )0 ,1 ,2()4()5(4-=+= k=5, 5x x k =, 02)()(<-==k T k x k w x d , T x w w )1 ,1 ,2()5()6(5---=+= k=6, 1x x k =, 01)()(>==k T k x k w x d , )6()7(w w =
k=7, 2x x k =, 0)()(==k T k x k w x d , T x w w )0 ,2 ,2()7()8(2--=+= k=8, 3x x k =, 0)()(==k T k x k w x d , T x w w )1 ,2 ,2()8()9(3---=+= k=9, 4x x k =, 05)()(>==k T k x k w x d , )9()10(w w =
k=10, 5x x k =, 05)()(>==k T k x k w x d , )10()11(w w = k=11, 1x x k =, 01)()(>==k T k x k w x d , )11()12(w w = k=12, 2x x k =, 05)()(>==k T k x k w x d , )12()13(w w = k=13, 3x x k =, 05)()(>==k T k x k w x d , )13()14(w w =
所以，最后收敛于T
w )1 ,2 ,2(---=, 分类决策函数为122)(21---=x x x d
将T x )1 ,2(6=代入决策函数，07)(<-=x d , 所以 26ω∈x ρ
8、两类样本的均值矢量分别为m 1=(4, 2)T 和 m 2=(- 4,-2)T ，
协方差矩阵分别为： ?
??
???=31131C , ??????=42242C , 两类的先验概率相等， 试求一维特征提取矩阵。 特征的选择与提取 84页 ppt
9、设语言L(G)的正样本集}111 ,101{=+R ，试推断出余码文法G c 。句法模式识别ppt 32页
填空题
1、模式识别系统的基本构成单元包括： 模式采集 、 特征选择与提取 和 模式分类 。
2、统计模式识别中描述模式的方法一般使用 特征矢量 ；句法模式识别中模式描述方法一般有 串 、 树 、 网 。
3、影响层次聚类算法结果的主要因素有 计算模式距离的测度、聚类准则、类间距离门限、预定的类别数目。
4、线性判别函数的正负和数值大小的几何意义是 正（负）表示样本点位于判别界面法向量指向的正（负）半
空间中；绝对值正比于样本点到判别界面的距离。 5、感知器算法 1 。
（1）只适用于线性可分的情况；（2）线性可分、不可分都适用。
6、在统计模式分类问题中，聂曼-皮尔逊判决准则主要用于 某一种判决错误较另一种判决错误更为重要 情况；
最小最大判别准则主要用于 先验概率未知的 情况。 7、“特征个数越多越有利于分类”这种说法正确吗？ 错误 。
特征选择的主要目的是 从n 个特征中选出最有利于分类的的m 个特征（m 可分性判据对特征个数具有单调性 和（ C n m >>n ）的条件下，可以使用分支定界法以减少计算量。 8、 散度J ij 越大，说明ωi 类模式与ωj 类模式的分布 差别越大 ； 当ωi 类模式与ωj 类模式的分布相同时，J ij = 0 。 选择题 1、影响聚类算法结果的主要因素有（ B C D ）。 A. 已知类别的样本质量 B. 分类准则 C. 特征选取 D. 模式相似性测度 2、模式识别中，马式距离较之于欧式距离的优点是（ C D ）。 A. 平移不变性 B. 旋转不变性 C. 尺度不变性 D. 考虑了模式的分布 3、影响基本K-均值算法的主要因素有（ D A B ）。 A. 样本输入顺序 B. 模式相似性测度 C. 聚类准则 D. 初始类中心的选取 4、在统计模式分类问题中，当先验概率未知时，可以使用（ B D ）。 A. 最小损失准则 B. 最小最大损失准则 C. 最小误判概率准则 D. N-P 判决 5、散度J D 是根据（ C ）构造的可分性判据。 A. 先验概率 B. 后验概率 C. 类概率密度 D. 信息熵 E. 几何距离 6、如果以特征向量的相关系数作为模式相似性测度，则影响聚类算法结果的主要因素有（ B C ）。 A. 已知类别样本质量 B. 分类准则 C. 特征选取 D. 量纲 7、欧式距离具有（ A B ）；马式距离具有（ A B C D ）。 A. 平移不变性 B. 旋转不变性 C. 尺度缩放不变性 D. 不受量纲影响的特性 8、聚类分析算法属于（ A ）；判别域代数界面方程法属于（ C ） 。 A. 无监督分类 B. 有监督分类 C. 统计模式识别方法 D. 句法模式识别方法 9、下列函数可以作为聚类分析中的准则函数的有（ A C D ） 。 A.][1 B W S S Tr J -= B. 1-=B W S S J C. ∑∑==-= c j n i j j i j m x J 11 2 )( D. )()(1 m m m m J j c j j -'-=∑= 10、Fisher 线性判别函数的求解过程是将N 维特征矢量投影在（ B ）中进行 。 A. 二维空间 B. 一维空间 C. N-1维空间 简答题 一、 试问“模式”与“模式类”的含义。如果一位姓王的先生是位老年人，试问“王先生”和“老头”谁是模式，谁是模式类？ 答：在模式识别学科中，就“模式”与“模式类”而言，模式类是一类事物的代表，概念或典型，而“模式”则是某一事物的具体体现，如“老头”是模式类，而王先生则是“模式”是“老头”的具体化。 二、试说明Mahalanobis 距离平方的定义，到某点的Mahalanobis 距离平方为常数的轨迹的几何意义，它与欧氏距离的区别与联系。 答：Mahalanobis 距离的平方定义为：∑---=1 2)()(),(u x u x u x r T 其中x ，u 为两个数据，是一个正定对称矩阵（一般为协方差矩阵）。根据定义，距某一点 的Mahalanobis 距离相等点的轨迹是超椭球，如果是单位矩阵Σ，则Mahalanobis 距离就是通常的欧氏距离。 三、试说明用监督学习与非监督学习两种方法对道路图像中道路区域的划分的基本做法，以说明这两种学习方法的定义与它们间的区别。 答：监督学习方法用来对数据实现分类，分类规则通过训练获得。该训练集由带分类号的数据集组成，因此监督学习方法的训练过程是离线的。 非监督学习方法不需要单独的离线训练过程，也没有带分类号（标号）的训练数据集，一般用来对数据集进行分析，如聚类，确定其分布的主分量等。 就道路图像的分割而言，监督学习方法则先在训练用图像中获取道路象素与非道路象素集，进行分类器设计，然后用所设计的分类器对道路图像进行分割。 使用非监督学习方法，则依据道路路面象素与非道路象素之间的聚类分析进行聚类运算，以实现道路图像的分割。 四、试述动态聚类与分级聚类这两种方法的原理与不同。 答：动态聚类是指对当前聚类通过迭代运算改善聚类； 分级聚类则是将样本个体，按相似度标准合并，随着相似度要求的降低实现合并。 五、已知一组数据的协方差矩阵为??? ? ??12/12/11，试问 1．协方差矩阵中各元素的含义。 2．求该数组的两个主分量。 3．主分量分析或称K-L 变换，它的最佳准则是什么？ 4．为什么说经主分量分析后，消除了各分量之间的相关性。 答：协方差矩阵为??? ? ??12/12/11，则 1. 对角元素是各分量的方差，非对角元素是各分量之间的协方差。 2. 主分量，通过求协方差矩阵的特征值，用????? ? ?? ----121211λλ＝0得4/1)1(2=-λ，则???=2/32/1λ， 相应的：2/3=λ，对应特征向量为???? ??11，21=λ，对应???? ??-11。 这两个特征向量，即为主分量。 3. K-L 变换的最佳准则为：对一组数据进行按一组正交基分解，在只取相同数量分量 的条件下，以均方误差计算截尾误差最小。 4. 在经主分量分解后，协方差矩阵成为对角矩阵，因而各主分量间相关性消除。 六、试列举线性分类器中最著名的三种最佳准则以及它们各自的原理。 答：线性分类器三种最优准则： Fisher 准则：根据两类样本一般类内密集，类间分离的特点，寻找线性分类器最佳的法线向量方向，使两类样本在该方向上的投影满足类内尽可能密集，类间尽可能分开。 这种度量通过类内离散矩阵S w 和类间离散矩阵S b 实现。 感知准则函数：准则函数以使错分类样本到分界面距离之和最小为原则。 其优点是通过错分类样本提供的信息对分类器函数进行修正，这种准则是人工神经元网络多层感知器的基础。 支持向量机：基本思想是在两类线性可分条件下，所设计的分类器界面使两类之间的间隔为最大，它的基本出发点是使期望泛化风险尽可能小。 七、对一副道路图像，希望把道路部分划分出来，可以采用以下两种方法： 1．在该图像中分别在道路部分与非道路部分画出一个窗口，把在这两个窗口中的象素数据作为训练集，用Fisher 准则方法求得分类器参数，再用该分类器对整幅图进行分类。 2．将整幅图的每个象素的属性记录在一张数据表中，然后用某种方法将这些数据按它们的自然分布状况划分成两类。因此每个象素就分别得到相应的类别号，从而实现了道路图像的分割。试问以上两种方法哪一种是监督学习，哪个是非监督学习？ 答： 第一种方法中标记了两类样本的标号，需要人手工干预训练过程，属于监督学习方法； 第二种方法只是依照数据的自然分布，把它们划分成两类，属于非监督学习方法。 八、试分析五种常用决策规则思想方法的异同。 答、五种常用决策是： 1. 基于最小错误率的贝叶斯决策，利用概率论中的贝叶斯公式，得出使得错误率最小的分类 规则。 2. 基于最小风险的贝叶斯决策，引入了损失函数，得出使决策风险最小的分类。当在 0-1损 失函数条件下，基于最小风险的贝叶斯决策变成基于最小错误率的贝叶斯决策。 3. 在限定一类错误率条件下使另一类错误率最小的两类别决策。 4. 最大最小决策：类先验概率未知，考察先验概率变化对错误率的影响，找出使最小贝叶斯 奉献最大的先验概率，以这种最坏情况设计分类器。 5. 序贯分类方法，除了考虑分类造成的损失外，还考虑特征获取造成的代价，先用一部分特 征分类，然后逐步加入性特征以减少分类损失，同时平衡总的损失，以求得最有效益。 九、假设在某个地区细胞识别中正常（w 1）和异常（w 2）两类先验概率分别为9.0)(1=w P ， 1.0)(2=w P ，现有一待识别的细胞，其观察值为x ，从类条件概率密度分布曲线上查得 2.0)(1=w x P ，4.0)(2=w x P ，并且已知011=λ，612=λ，121=λ，022=λ 试对该细胞x 用一下两种方法进行分类： 1. 基于最小错误率的贝叶斯决策； 2. 基于最小风险的贝叶斯决策； 请分析两种结果的异同及原因。 答：利用贝叶斯公式，分别计算出1w 和2w 的后验概率： 818 .01 .04.09.02.09 .02.0) ()() ()()(2 1 1 111=?+??== ∑=j j j w p w x p w p w x p x w p ， 182.0)(1)(12=-=x w p x w p 根据贝叶斯决策规则：182.0)(818.0)(21=>=x w p x w p ，所以把x 归为正常状态。 (2) 根据条件和上面算出的后验概率，计算出条件风险： 092.1)()()(2122 1 11===∑=x w p x w p x R j j j λλα 818.0)()()(1212 1 22===∑=x w p x w p x R j j j λλα 由于)()(21x R x R αα>，即决策为1w 的条件风险小于决策为2w 的条件风险，因此采取决策行动2α，即判断待识别的细胞x 为2w 类――异常细胞。 将1与2相对比，其分类结果正好相反，因为这里影响决策结果的因素多了“损失”；而且两类错 误决策所造成的损失相差很悬殊，因此“损失”起了主导作用。 十、既然有线性判别函数，为什么还要引进非线性判别函数？试分析由“线性判别函数”向“非线性判别函数”推广的思想和方法。 答：实际中有很多模式识别问题并不是线性可分的，这时就需要采用非线性分类器，比如当两类样本分不具有多峰性质并互相交错时，简单的线性判别函数往往会带来较大的分类错误。这时，树分类器作为一种分段线性分类器，常常能有效地应用于这种情况。 十一、1. 什么是特征选择？ 2. 什么是Fisher 线性判别？ 答：1. 特征选择就是从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的。 2. Fisher 线性判别：可以考虑把d 维空间的样本投影到一条直线上，形成一维空间，即把维数压缩到一维，这在数学上容易办到，然而，即使样本在d 维空间里形成若干紧凑的互相分得开的集群，如果把它们投影到一条任意的直线上，也可能使得几类样本混在一起而变得无法识别。但是在一般情况下，总可以找到某个方向，使得在这个方向的直线上，样本的投影能分开得最好。问题是如何根据实际情况找到这条最好的、最易于分类的投影线，这就是Fisher 算法所要解决的基本问题。 十二、写出两类和多类情况下最小风险贝叶斯决策判别函数和决策面方程。 两类问题：判别函数 )()()(2121111x w p x w p x g λλ+= )()()(2221212x w p x w p x g λλ+= 决策面方程：)()(21x g x g = C 类问题：判别函数 )()(1x w p x g j ij c j i λ=∑=，c i ,......2,1= 决策面方程：)()(x g x g j i =，j i ≠，c i ,......2,1=，c j ,......2,1= 十三、请论述模式识别系统的主要组成部分及其设计流程，并简述各组成部分中常用方法的主要思想。 信息获取：通过测量、采样和量化，可以用矩阵或向量表示二维图像或波形。 预处理：去除噪声， 加强有用的信息，并对输入测量仪器或其他因素造成的退化现象进行复原。 特征选择和提取：为了有效地实现分类识别，就要对原始数据进行变换，得到最能反映分类本质的特征。 分类决策：在特征空间中用统计方法把识别对象归为某一类。 十四、有两类样本集 T x ]0,0,0[1 1 =，T x ]0,0,1[21=，T x ]1,0,1[31=，T x ]0,1,1[41= T x ]1,0,0[12=，T x ]0,1,0[22=，T x ]1,1,0[32=，T x ]1,1,1[42= 1. 用K-L 变换求其二维特征空间，并求出其特征空间的坐标轴； 2. 使用Fisher 线性判别方法给出这两类样本的分类面。 答，其对应的特征值为：?? ?? ??????=Λ100025.0000 25.0 信号空间特征空间 模式识别的研究现状与发展趋势 摘要：随着现今社会信息技术的飞速发展, 人工智能的应用越来越广泛, 其中模式识别是人工智能应用的一个方面。而且现今的模式识别的应用也越来越得到大家的重视与支持，在各方面也有重大的进步。模式识别也成为人们身边不可或缺的一部分。关键词：人工智能，技术，模式识别，前景 Abstract：In the modern society with the rapid development of information technology, the application of a rtificial intelligence is more and more extensive, among them pattern recognition is one of the ap ply of artificial intelligence. And now the application of pattern recognition is also more and more to get everyone's attention and support, in various aspects have significant progress. Pattern rec ognition has become an integral part of people around. Keywords: Artificial Intelligence, Technology,Pattern Recognition, prospects 一，引言 如今计算机硬件的高速发展, 以及计算机应用领域的不断开拓, 人们开始要求计算机能够更有效地感知诸如声音、文字、图像、温度、震动等人类赖以发展自身、改造环境所运用的信息资料。但就一般意义来说, 目前一般计算机却无法直接感知它们, 我们常用的键盘、鼠标等外部设备, 对于这些外部世界显得无能为力。虽然摄像机、图文扫描仪、话筒等设备业已解决了上述非电信号的转换, 并与计算机联机, 但由于识别技术不高, 而未能使计算机真正知道采录后的究竟是什么信息。计算机对外部世界感知能力的低下, 成为开拓计算机应用的瓶颈, 也与其高超的运算能力形成强烈的对比。于是, 着眼于拓宽计算机的应用领域, 提高其感知外部信息能力的学科———模式识别, 便得到迅速发展。 人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式, 是对人类感知外界功能的模拟, 研究的是计算机模式识别系统, 也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。现将人工智能在模式识别方面的一些具体和最新的应用范围遍及遥感、生物医学图象和信号的分析、工业产品的自动无损检验、指纹鉴定、文字和语音识别、机器视觉地圈模式识别等方面。 二，现状 以地图模式识别为例，地图模式识别是由计算机来对地图进行识别与理解, 并借助一定的技术手段, 让计算机研究和分析地图上的各种模式信息, 获取地图要素的质量意义。其计算处理的过程类似于人对地图的阅读。 地图模式识别是近年来在地图制图领域中新兴的一门高新技术, 是信息时代人工智能、模式识别技术在地图制图中的具体应用。由于它是传统地图制图迈向数字地图制图的一座桥梁, 因此,地图模式识别遥感技术、地理信息系统一起, 被称为现代地图制图的三大技术。 目前, 地图模式识别由于具有广泛的应用价值和发展潜力,因而受到了人们的普遍重视。尤其是随着现今的计算机及其外部硬件环境的不断提高, 科技不过发展的情况下， 机器人足球比赛规则 1.前言 本规则对已经沿用多年的2对2机器人足球比赛规则做了一些修改。目的是强调机器人足球比赛中的技术成份，而不是一味比拼速度和力量。对于本规则肯定会有一个适应过程，但对机器人足球的正常发展是有益的。 2.比赛场地和足球 2.1.机器人足球的矩形比赛场地长2430mm、宽1820mm。球场区长1830mm、宽1220mm，球场四周有宽度为300mm的白色界边，如图1所示。场地周围包括球门后面有高为80mm黑色亚光围栏。 2.2.赛场地面覆盖一层乙烯基场地纸。球场应水平和平整。白色边界包括场地边缘，也应平坦。 图1 比赛场地（mm） 2.3.场地应放置在地毯或毛毡基底上。场地可放在桌上或地板上。 2.4.球门宽度为450mm，深度为80mm。每个球门在距地面140mm处有一横梁。球门内的后面和侧面涂成天蓝色。地面平坦和水平，为白色。球门外侧面应涂有亚光黑色。球门的侧壁延伸到围栏，以防止足球从球门后方滚入。 2.5.场上有两个发球区，图2中用白色表示，但在场地纸上并未标记。它们是绿色区域 和黄色区域与灰色区的两条交接线（如下图白线）。 2.51最近发球点：如下图，如果球从B 区出界或在C 区犯规，最近发球点为作通过出界点或犯规点并与虚线平行的直线，该直线与靠近出界点或犯规点的白线的交点；如球从A 区出界或在罚球区犯规，最近发球点靠近出界点或犯规点的白线端点。 图2 发球区 2.6.参赛队必须根据场馆的照明和磁场条件调整机器人。比赛组织者将尽力保持较低的照度，并使赛场远离磁场（比如地板下的布线和金属物体）。不过仍建议各参赛队应设法让自己的机器人能适应各种照明和磁场干扰情况，并应对场地表面大约5mm 高的轻微起伏。 2.7.比赛采用会发射红外线的直径75～80mm 的电子球。每场开赛前，裁判都要检查足球是否损坏。本届竞赛用球为Wiltronics 制造的MK2红外球，或由日本EK 公司制造的RoboSoccer RCJ-04足球。这两种球都被允许用于比赛。MK2红外球外壳较薄，参赛队必须控制机器人的动力，否则损坏足球后可能会根据规则5.9被取消比赛资格。 3.机器人 3.1.机器人必须是经参赛队员启动后能够自动控制的机器人，禁止使用任何遥控方式操控。每支参赛队可使用不超过两个机器人参赛。比赛中禁止使用备用机器人，即在所有场次比赛使用相同机器人，违者取消比赛资格。 3.2.参加本比赛的机器人限用竞赛组委会指定的教育 机器人套材。只要有可能，也允许以上器材混用。 3.3.机器人必须能纳入内径和高度为220mm 的圆筒 中，重量不得超过2.5kg 。 3.4.机器人带球装置的控球区定义为连接在机器人身 上的任何突出部位形成的内部空间，控球区的深度不得超过 30mm ，如图3所示。 图3 控球区示意图 A A A A B B 模式识别综述与应用 院系：计算机与通信工程学院 班级：电子信息10-01班 姓名： 学号： 模式识别综述与应用 摘要 模式识别就是研究用计算机实现人类的模式识别能力的一门学科，目的是利用计算机将对象进行分类。模式识别技术近年来得到了迅速的发展。 关键词 模式识别应用发展状况 前言 模式识别(Pattern Recognition)是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。模式识别是一个多领域的交叉学科，它涉及人工智能、统计学、计算机科学、工程学、医学等众多的研究问题。随着2 0世纪4 0年代计算机的出现以及5 0年代人工智能的兴起，模式识别在2 0世纪6 0年代初迅速发展并成为一门新学科。 一、模式与模式识别的概念 广义地说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可称之为模式；狭义地说，模式是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)。 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。 模式识别的研究主要集中在两方面，一是研究生物体(包括人)是如何感知对象的，二是在给定的任务下，如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家、神经生理学家的研究内容，属于认知科学的范畴；后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力，已经取得了系统的研究成果。 二、模式识别方法——统计模式识别方法和结构(句法)模式识别方法 把图像或图像系列分割为线条、边缘，结点，区域等并提供相应的特征，诸如灰度值、颜色、形状、纹理，深度等[5]。目的是要利用这些信息对模式进行分类或者对模式进行分析(描述)。分类是实现一个模式与 模 式 识 别 非 学 位 课 考 试 试 题 考试科目： 模式识别 考试时间 考生姓名： 考生学号 任课教师 考试成绩 一、简答题（每题6分，12题共72分）： 1、 监督学习和非监督学习有什么区别？ 参考答案：当训练样本的类别信息已知时进行的分类器训练称为监督学习，或者由教师示范的学习；否则称为非监督学习或者无教师监督的学习。 2、 你如何理解特征空间？表示样本有哪些常见方法？ 参考答案：由利用某些特征描述的所有样本组成的集合称为特征空间或者样本空间，特征空间的维数是描述样本的特征数量。描述样本的常见方法：矢量、矩阵、列表等。 3、 什么是分类器？有哪些常见的分类器？ 参考答案：将特征空中的样本以某种方式区分开来的算法、结构等。例如：贝叶斯分类器、神经网络等。 4、 进行模式识别在选择特征时应该注意哪些问题？ 参考答案：特征要能反映样本的本质；特征不能太少，也不能太多；要注意量纲。 5、 聚类分析中，有哪些常见的表示样本相似性的方法？ 参考答案：距离测度、相似测度和匹配测度。距离测度例如欧氏距离、绝对值距离、明氏距离、马氏距离等。相似测度有角度相似系数、相关系数、指数相似系数等。 6、 你怎么理解聚类准则？ 参考答案：包括类内聚类准则、类间距离准则、类内类间距离准则、模式与类核的距离的准则函数等。准则函数就是衡量聚类效果的一种准则，当这种准则满足一定要求时，就可以说聚类达到了预期目的。不同的准则函数会有不同的聚类结果。 7、 一种类的定义是：集合S 中的元素x i 和x j 间的距离d ij 满足下面公式： ∑∑∈∈≤-S x S x ij i j h d k k )1(1 ，d ij ≤ r ，其中k 是S 中元素的个数，称S 对于阈值h ，r 组成一类。请说明， 该定义适合于解决哪一种样本分布的聚类？ 参考答案：即类内所有个体之间的平均距离小于h ，单个距离最大不超过r ，显然该定义适合团簇集中分布的样本类别。 8、 贝叶斯决策理论中，参数估计和非参数估计有什么区别？ 参考答案：参数估计就是已知样本分布的概型，通过训练样本确定概型中的一些参数；非参数估计就是未知样本分布概型，利用Parzen 窗等方法确定样本的概率密度分布规律。 9、 基于风险的统计贝叶斯决策理论中，计算代价[λij ]矩阵的理论依据是什么？假设这个矩阵是 M ?N ，M 和N 取决于哪些因素？ xx学校 2012—2013学年度第二学期期末试卷 考试课程：《人工智能》考核类型：考试A卷 考试形式：开卷出卷教师： 考试专业：考试班级： 一单项选择题（每小题2分，共10分） 1.首次提出“人工智能”是在（D ）年 A.1946 B.1960 C.1916 D.1956 2. 人工智能应用研究的两个最重要最广泛领域为：B A.专家系统、自动规划 B. 专家系统、机器学习 C. 机器学习、智能控制 D. 机器学习、自然语言理解 3. 下列不是知识表示法的是 A 。 A：计算机表示法B：“与/或”图表示法 C：状态空间表示法D：产生式规则表示法 4. 下列关于不确定性知识描述错误的是 C 。 A：不确定性知识是不可以精确表示的 B：专家知识通常属于不确定性知识 C：不确定性知识是经过处理过的知识 D：不确定性知识的事实与结论的关系不是简单的“是”或“不是”。 5. 下图是一个迷宫，S0是入口，S g是出口，把入口作为初始节点，出口作为目标节点，通道作为分支，画出从入口S0出发，寻找出口Sg的状态树。根据深度优先搜索方法搜索的路径是 C 。 A：s0-s4-s5-s6-s9-sg B：s0-s4-s1-s2-s3-s6-s9-sg C：s0-s4-s1-s2-s3-s5-s6-s8-s9-sg D：s0-s4-s7-s5-s6-s9-sg 二填空题（每空2分，共20分） 1.目前人工智能的主要学派有三家：符号主义、进化主义和连接主义。 2. 问题的状态空间包含三种说明的集合，初始状态集合S 、操作符集合F以及目标 状态集合G 。 3、启发式搜索中，利用一些线索来帮助足迹选择搜索方向，这些线索称为启发式(Heuristic)信息。 4、计算智能是人工智能研究的新内容，涉及神经计算、模糊计算和进化计算等。 5、不确定性推理主要有两种不确定性，即关于结论的不确定性和关于证据的不确 定性。 三名称解释（每词4分，共20分） 人工智能专家系统遗传算法机器学习数据挖掘 答：（1）人工智能 人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等 （2）专家系统 专家系统是一个含有大量的某个领域专家水平的知识与经验智能计算机程序系统,能够利用人类专家的知识和解决问题的方法来处理该领域问题.简而言之,专家系统是一种模拟人类专家解决领域问题的计算机程序系统 （3）遗传算法 遗传算法是一种以“电子束搜索”特点抑制搜索空间的计算量爆炸的搜索方法，它能以解空间的多点充分搜索，运用基因算法，反复交叉，以突变方式的操作，模拟事物内部多样性和对环境变化的高度适应性，其特点是操作性强，并能同时避免陷入局部极小点，使问题快速地全局收敛，是一类能将多个信息全局利用的自律分散系统。运用遗传算法(GA)等进化方法制成的可进化硬件(EHW)，可产生超出现有模型的技术综合及设计者能力的新颖电路，特别是GA独特的全局优化性能，使其自学习、自适应、自组织、自进化能力获得更充分的发挥，为在无人空间场所进行自动综合、扩展大规模并行处理(MPP)以及实时、灵活地配置、调用基于EPGA的函数级EHW，解决多维空间中不确定性的复杂问题开通了航向 （4）机器学习 机器学习(Machine Learning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎 （5）数据挖掘 数据挖掘是指从数据集合中自动抽取隐藏在数据中的那些有用信息的非平凡过程，这些信息的表现形式为：规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据，并从中发现隐藏的关系和模式，进而预测未来可能发生的行为。数据挖掘的 模式识别与智能系统 （081104） 一、培养目标 培养热爱祖国，拥护中国共产党的领导，拥护社会主义制度，遵纪守法，品德良好，具有服务国家、服务人民的社会责任感，掌握本学科坚实的基础理论和系统的专业知识，具有创新精神、创新能力和从事科学研究、教学、管理等工作能力的高层次学术型专门人才。 模式识别与智能系统是20世纪60年代以来在信号处理、人工智能、控制论、计算机技术等学科基础上发展起来的新型学科。该学科以各种传感器为信息源，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统性能。模式识别与智能系统是一门理论与实际紧密结合，具有广泛应用价值的控制科学与工程的重要学科分支。 本学科培养德智体全面发展，具有坚实和系统的模式识别与智能系统理论知识和实践技能，了解模式识别与智能系统学科发展的前沿和动态，能够适应我国经济、科技、教育发展需要，面向二十一世纪的科学研究、工程技术和高等教育的高层次人才。学位获得者业务上应具有具备从事在本学科及相关学科领域独立开发研究工作的能力，注意理论联系实际，能够分析和解决现代经济建设和交叉学科中涌现出的新课题；能够熟练利用计算机解决本学科的有关问题；较为熟练地掌握一门外国语；具有健康的体格。 二、研究方向 （一）智能机器人系统 主要进行智能机器人控制与决策系统的研究与开发，包括自主移动机器人、特种机器人、服务机器人、工业机器人等内容。机器人的自主定位、导航、避障与多机器人协调控制为主要研究方向。 （二）系统仿真技术与应用 主要研究方向为控制系统仿真与计算机辅助设计、半实物仿真与实时控制、分数阶与网络控制系统仿真、系统建模校验与验证及仿真算法和高层体系结构理论与应用技术、工业过程建模仿真和提高控制效果与系统性能的方法研究。 （三）图像处理与计算机视觉 研究图像信息获取、处理、分析、理解与识别分类等理论与技术，研究图像处理技术在医学影像处理、动态目标识别与跟踪、智能交通系统、军事等领域的工程应用问题。 （四）建筑智能化技术 本方向以建筑智能化技术为背景，主要研究智能建筑系统集成理论与技术、 附件2 机器人足球竞赛规则 该规则适用于1对1和2对2对抗赛，不同之处有注明。小学组为1对1竞赛，初中组和高中组为2对2竞赛。 一、竞赛场地及设备标准 1.场地（内侧）：长183cm，宽122cm，高14cm。四角有防死球的等腰直角三角柱，直角边长8cm。 2.墙壁：场地边界有墙壁（包括球门区）。墙壁高为14cm，墙壁内侧为黑色（哑光）。 3.球门：球门位于场地底线的中间，宽60cm，深12cm，高14cm。球门上方有2cm宽的横梁，在搭建和编程时，应保证机器人不能进入球门横梁内侧。可以使用球门上方的横梁以防止机器人进入球门内。球门内部，包括地面、墙壁和横梁可以涂色（两边球门分别为黄色和蓝色）。 4.地面：地面是草绿色光滑硬质地面，可以是广告喷绘膜或者油漆板材等。 5.开球点：球场中央点。 6.坠球点：场地中定义了五个坠球点。一个在场地正中；其余四个坠球点位于四个墙角附近，沿着赛场的长边分布，是在两边球门内侧联线方向上，靠近场地中部且距离门柱45cm远的那一点。场地中的坠球点将用黑点标示。 7.中圈：场地上将标出中圈，以场地中心为圆心，直径60cm，由黑色窄圈标示。在开球时裁判可以中圈为依据。 8.禁区：在每个球门前有个宽30cm、长80cm的禁区。禁区由宽1cm的白线标示，白线也是禁区的一部分。当机器人所有部分都在禁区内时，才视作“机器人在禁区内”。 9.照明：为稳定的室内照明灯光。 10.机器人：机器人体积（包括静止和比赛状态）正常置放时垂直投影面积必须在直径22cm（含）范围之内，限高22cm（含）以下，限重1.1kg（含）以下，机器人的启 动、停止开关应设于机器人上方。 根据机器人电源连接方式不同（串联或并联），一台机器人使用的所有电源的总输出不得超过9V(即2串锂聚合物电池或6节干电池)，不得使用升压、稳压装置。每台机器人的电源都必须有一个接口，以便测量电压，除非该机器人的电源从外观和连接方式能明显看出它的电压。单场比赛期间不允许充电或更换电池。 机器人不允许使用发射管发射红外光，可以使用红外测距传感器，但不能用于干扰其他机器人，各类测距传感器的数量不能超过4个。不允许在机器人表面使用能够反射红外光的材料。如果给机器人涂色，则必须涂成哑光的。选手应采取措施避免非主观的可见光及红外光源影响机器人的行动。 机器人只允许采用双驱动轮配置，即由两个电机分别独立控制一个着地的轮胎，可以安装辅助平衡的随动轮或万向球，随动轮或万向球与两个驱动轮必须成“十”字分布或“品”字分布，不能安装成两列形式。机器人不能在己方球门前只作左右移动，而应该能做出直接迎向足球的动作。 机器人（形成三面包围球体的）踢球装置的控球深度最大为1cm，以突出的两点之间成一水平连线中任一点且垂直到机器人边沿的直线距离计算。 机器人如果有盘球和弹射装置，可使用相对应的电机进行操控，在盘球装置可正常运转的情况下，机器人（形成三面包围球体的）踢球装置处的控球深度最大可放宽至为3cm。 11.足球：使用直径（74±5）mm的匀称电子球，该球会发出红外调制光，1200Hz阶梯波调制（载波40kHz），重95±5g（不含电池）。 二、名词定义解释 1.出界球：足球（越过墙壁）被机器人踢出球场外。 2.进球：当球完全进入球门区域或碰到球门后壁反弹， 模式识别 课题：基于支持向量机人工神经网络的水质预测研究专业：电子信息工程 摘要 针对江水浊度序列宽频、非线性、非平稳的特点,将经验模态分解(EMD)和支持向量机(SVM)回归方法引入浊度预测领域,建立了基于EMD2SVM的浊度预测模型.通过EMD分解,将原始非平稳的浊度序列分解为若干固有模态分量(IMF),根据各IMF序列的特点,选择不同的参数对各IMF序列进行预测,最后合成原始序列的预测值.将该方法应用于实际浊度预测,并与径向基神经网络(RBF)预测及单独支持向量机回归预测结果进行比较,仿真结果表明该方法预测精度有明显提高.水质评价实际上是一个监测数据处理与状态估计、识别的过程,提出一种基于支持向量机的方法应用于水质评价,该方法依据决策二叉树多类分类的思想,构建了基于支持向量机的水环境质量状况识别与评价模型。以长江口的实际水质监测数据为例进行了实验分析,并与单因子方法及单个BP神经网络方法进行了比较分析。实验结果表明,运用该模型对长江口的实际水质监测数据进行的综合水质评价效果较好,且具有较高的实用价值。 关键词：浊度;预测;经验模态分解;支持向量；BP神经网络 一．概述 江水浊度受地表径流、温度以及人类活动等的影响,波动明显,在不同的月份有着很大的变化,表现出非平稳、非线性的特点.对其进行分析和预测,对于河流生态评价、航运安全以及以江河水为原水的饮用 水生产具有重要的指导意义.国内外在浊度序列分析方面的研究文献较少,通常都是综合考虑各种水质参数而对浊度进行预测,采用较多的是人工神经网络等非线性模型方法[1,2].这种模型结构复杂,要求原始数据丰富,在实际操作中实现较为困难.此外,对于江水浊度这一具有宽带频谱的小样本混沌时间序列,采用单一的预测方法,将会把原始浊度序列中的各种不同特征信息同质化,势必影响其预测精度.采用经验模态分解(Empirical Mode Decomposition,EMD)将浊度序列分解后分别预测,再进行合成将可能提高其预测精度.不同于小波变换,在对信号进行经验模态分解时不需要先验基底,每一个固有模态函数(In2trinsic Mode Function,IMF)包含的频率成分不仅与采样频率有关,并且还随着信号本身的变化而变化,具有自适应性,能够把局部时间内含有的多个模态的非线性、非平稳信号分解成若干个彼此间影响甚微的基本模态分量,这些分量具有不同的尺度,从而简化系统间特征信息的干涉或耦合[3].支持向量机(Support Vector Ma2chines,SVM)是建立在统计学习理论上的一种机器学习方法,是目前针对小样本统计估计和预测学习的较好方法[4],对统计学习理论的发展起到巨大推动作用并得到广泛应用[5～8].SVM有良好的泛化能力,并解决了模型选择与欠学习、过学习问题及非线性问题,避免了局部最优解,克服了“维数灾难”,且人为设定参数少,便于使用,已成功应用于许多分类、识别和回归问题[5,6,8].根据江水浊度序列的特点,结合EMD和SVM两种方法的不同功能,本文提出了基于EMD2SVM模型的预测方法,用于江水浊度的 题型： 1.填空题5题 填空题 2.名词解释4题 3.问答题4题 4.计算作图题3题 5.综合计算题1题 备注1：没有整理第一章和第六章，老师说不考的 备注2：非线性判别函数相关概念P69 概率相关定义、性质、公式P83以后 最小错误率贝叶斯决策公式P85 最小风险贝叶斯P86 正态贝叶斯P90 综合计算有可能是第六次作业 一、填空题 物以类聚人以群分体现的是聚类分析的基本思想。 模式识别分类：1.从实现方法来分模式识别分为监督分类和非监督分类；2.从理论上来分，有统计模式识别，统计模式识别，模糊模式识别，神经网络模式识别法 聚类分析是按照不同对象之间的差异，根据距离函数的规律做模式分类的。 模式的特性：可观察性、可区分性、相似性 模式识别的任务：一是研究生物体（包括人）是如何感知对象的，二是如何用计算机实现模式识别的理论和方法。 计算机的发展方向：1.神经网络计算机－－模拟人的大脑思维；2.生物计算机－－运用生物工程技术、蛋白分子作芯片； 3.光计算机－－用光作为信息载体，通过对光的处理来完成对信息的处理。 训练学习方法：监督学习、无监督学习（无先验知识，甚至类别数也未知）。 统计模式识别有：1.聚类分析法（非监督）；2.判决函数法/几何分类法(监督)；3.基于统计决策的概率分类法 - 以模式集在特征空间中分布的类概率密度函数为基础，对总体特征进行研究，以取得分类的方法 数据的标准化目的：消除各个分量之间数值范围大小对算法的影响 模式识别系统的基本构成：书P7 聚类过程遵循的基本步骤：特征选择；近邻测度；聚类准则；聚类算法；结果验证；结果判定。 相似测度基础：以两矢量的方向是否相近作为考虑的基础,矢量长度并不重要。 确定聚类准则的两种方式：阈值准则，函数准则 基于距离阈值的聚类算法——分解聚类：近邻聚类法；最大最小距离聚类法 类间距离计算准则:1）最短距离法2）最长距离法3）中间距离法4）重心法5）类平均距离法6）离差平方和法P24 系统聚类法——合并的思想 用于随机模式分类识别的方法，通常称为贝叶斯判决。 BAYES 决策常用的准则：最小错误率；最小风险 错误率的计算或估计方法：①按理论公式计算；②计算错误率上界；③实验估计。 模式识别与智能系统硕士点 研究生入学复试大纲 复试笔试满分为150分，包括基本能力测试（45分）和专业基础知识测试（105分）两部分。采取闭卷考试，考试时间一般为2至3小时。 有关专业基础知识测试的说明 专业基础知识测试（105分）由21道题目组成，参加笔试同学可从中任意选择7道完成，每题15分。专业知识点包括以下七个方面： 一．图象处理(共3题) 考试知识点：数字图象直方图、基于直方图均衡化的图象增强、边缘检测算子、梯度大小/方向计算、频域滤波基础、频域滤波操作的基本步骤。 辅导材料：冈萨雷斯等，《数字图象处理》,第二版，电子工业出版社, 2003.3, ISBN 7-5053-8236-5。认真阅读该书的3.3, 4.2, 10.1。 二．信息安全(共2题) 考试知识点：信息熵的计算、信源编码。 辅导材料：《信息与编码理论基础》，万旺根，上海大学出版社。 三．人工智能(共2题) 考试知识点：人工智能的基本概念。 辅导材料：廉师友，人工智能技术导论（第二版）廉师友西安电子科技大学出版社, 2002.7, ISBN 7-5606-0811-6。认真阅读该书的第一章。 四．微型计算机原理(共5题) 考试知识点：80x86指令寻址模式及汇编指令的书写格式；不同进制数之间的转换；汇编程序的阅读；计数器模块8253及其编程；可编程中断控制器8259模块及其编程。 注：相关硬件模块控制字格式不需记忆。（提供） 辅导材料：微型计算机技术及应用（第3版），戴梅萼等，清华大学出版社，2003 五．多媒体信息处理(共4题) 考试知识点：1.多媒体基本概念 多媒体技术，多媒体系统的层次结构，多媒体系统的组成 2.多媒体数据压缩： 数据压缩算法概念及分类，统计编码，预测编码，变换编码，分形编码 静态图像压缩标准JPEG，运动图像压缩标准MPEG，音频压缩标准 3.音频信息处理 声音数字化，音频文件格式，声卡的组成与设计(含声卡的工作原理、硬件设计、软件结构、编程接口等) 4.视频信息处理 视频信号数字化，视频的文件格式，视频压缩卡的设计 辅导材料：多媒体技术基础及应用，钟玉琢等，北京：清华大学出版社，2006.2 六．生物特征识别(共2题) 考试知识点：生物信息学序列联配（双序列比对，多序列比对）。 辅导材料：David W. Mount，《生物信息学：序列与基因组分析（影印）》,Bioinformatics: Sequence and Genome Analysis, Cold Spring Harbor Lab(CSHL) Press。认真阅读sequence alignment 的相关内容。 七．射频识别(共3题) 考试知识点：电子标签的基本概念。 辅导材料：纪震，李慧慧等，《电子标签原理与应用》,西安电子科技大学出版社, 2005.12, ISBN 705606-1599-6。认真阅读该书的第一章。 机器人足球赛简介 RoboCup是一个通过提供足球比赛这样一个标准问题来促进人工智能、机器人以及相关领域的研究而建立的国际组织。 1997年，是人工智能和智能机器人研究史上重要的一年，同年5月，IBM的深蓝机器人击败了人类国际象棋冠军，人工智能领域四十多年的挑战终于成为现实；7月4日，NASA 的“火星探路者”飞行器及其配置的自主移动机器人系统，Sojourner，成功地在火星表面登陆；也就在这一年，首届RoboCup比赛及会议在日本的名古屋举行，为实现机器人足球队击败人类足球世界冠军的梦想迈出了坚实的第一步。 加拿大不列颠哥伦比亚大学的教授Alan Mackworth在1992年的论文《On Seeing Robots》(新加坡世界科学出版社：《计算机视觉：系统、理论与应用》)中提出训练机器人进行足球比赛的设想。1992年10月，在日本东京举行的《关于人工智能领域重大挑战的研讨会》上，与会的研究人员对制造和训练机器人进行足球比赛以促进相关领域研究进行了探讨。1996年，RoboCup国际联合会成立，并在日本举行了表演赛，以后每年举办一届。RoboCup 的使命是促进分布式人工智能与智能机器人技术的研究与教育。通过提供一个标准任务，使得研究人员利用各种技术，获得更好的解决方案，从而有效促进相关领域的发展。他的最终目标是经过五十年左右的研究，使机器人足球队能战胜人类足球冠军队。 RoboCup机器人足球的研究融入了计算机、自动控制、传感与感知融合、无线通讯、精密机械和仿生材料等众多学科的前沿研究与综合集成，其研究领域包括智能机器人系统，多智能体系统，实时模式识别与行为系统，智能体结构设计，实时规划和推理，基于网络的三维图形交互，传感器技术。其技术特点有：动态实时系统、分布式合作与协调、带噪声的，非全信息的环境模型、非符号化的环境信息、受限的通讯带宽等，它的设计主要分成以下模块：机械系统、电子系统、视觉系统、决策系统和通讯系统和车载系统等系统的设计。 l、RoboCup足球机器人仿真组（2D、3D） 仿真组比赛是RoboCup 的组成部分。RoboCup 仿真比赛是一个能为多智能体系统和模拟智能进行研究与教育的工具。比赛是在一个标准的计算机环境中进行的,提供了一个完全分布式控制，实时异步多智能体环境。通过这个平台，测试各种理论，算法和Agent 体系结构。在实时异步，有噪声的对抗环境中，研究多智能体的合作对抗问题。当然，仿真组的比赛使用的机器人并非是真的机器人。一个机器人是Agent, 拥有自己的大脑，是一个独立的"主体"。而一个球队实际是程序组成的。服务器的工作就是计算并更新球场上所有物体的位置和运动，发送视觉和听觉信息给球员，接收球员的命令。 中国传媒大学2014~2015 学年第 1 学期 智能视频分析技术课程 题目人工智能在模式识别中的运用学生姓名刘晶晶 学号201110013208 班级数字媒体技术 学生所属学院信息工程学院 任课教师吕朝辉 教师所属学院信息工程学院 时间2014.11.27 人工智能在模式识别中的应用 摘要 计算机硬件的迅速发展，计算机应用领域的不断开拓，迫切地要求计算机能够更有效地感知诸如声音、文字、图像、温度、震动等人类赖以发展自身、改造环境所运用的信息资料。但就一般意义来说，目前一般计算机却无法直接感知它们，键盘、鼠标等外部设备，对于这样五花八门的外部世界显得无能为力。纵然电视摄像机、图文扫描仪、话筒等设备业已解决了上述非电信号的转换，并与计算机联机，但由于识别技术不高，而未能使计算机真正知道采录后的究竟是什么信息。计算机对外部世界感知能力的低下，成为开拓计算机应用的瓶颈，也与其高超的运算能力形成强烈的对比。于是，着眼于拓宽计算机的应用领域，提高其感知外部信息能力的学科——模式识别，便得到迅速发展。人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式，是对人类感知外界功能的模拟，研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。现将人工智能在模式识别方面的一些具体和最新的应用列举如下。 关键词：人工智能、模式识别、应用 （一）人工智能 人工智能(Anificial InteUigence)是相对人的自然智能而言，即用人工的方法和技术，模仿、延伸和扩展人的智能，实现某些“机器思维”。作为一门学科，人工智能研究智能行为的计算模型，研制具有感知、推理、学习、联想、决策等思维活动的计算系统，解决需要人类专家才能处理的复杂问题。人工智能就其本质而言，是对人的思维的信息过程的模拟。 （二）模式识别 模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。这里，我们把环境与客体统称为“模式”，随着计算机技术的发展，人类有可能研究复杂的信息处理过程。用计算机实现模式(文字、声音、人物、物体等)的自动识别，是开发智能机器的一个最关键的突破口，也为人类认识自身智能提供线索。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息(通过视觉器官来获得)和声学信息(通过听觉器官来获得)的识别。这是模式识别的两个重要 1.简述模式的概念及其直观特性，模式识别的分类，有哪几种方法。（6’） 答（1）：什么是模式？广义地说，存在于时间和空间中可观察的物体，如果我们可以区别它们是否相同或是否相似，都可以称之为模式。 模式所指的不是事物本身，而是从事物获得的信息，因此，模式往往表现为具有时间和空间分布的信息。 模式的直观特性：可观察性；可区分性；相似性。 答（2）：模式识别的分类： 假说的两种获得方法（模式识别进行学习的两种方法）： ●监督学习、概念驱动或归纳假说； ●非监督学习、数据驱动或演绎假说。 模式分类的主要方法： ●数据聚类：用某种相似性度量的方法将原始数据组织成有意义的和有用的各种数据 集。是一种非监督学习的方法，解决方案是数据驱动的。 ●统计分类：基于概率统计模型得到各类别的特征向量的分布，以取得分类的方法。 特征向量分布的获得是基于一个类别已知的训练样本集。是一种监督分类的方法， 分类器是概念驱动的。 ●结构模式识别：该方法通过考虑识别对象的各部分之间的联系来达到识别分类的目 的。（句法模式识别） ●神经网络：由一系列互相联系的、相同的单元（神经元）组成。相互间的联系可以 在不同的神经元之间传递增强或抑制信号。增强或抑制是通过调整神经元相互间联 系的权重系数来（weight）实现。神经网络可以实现监督和非监督学习条件下的分 类。 2.什么是神经网络？有什么主要特点？选择神经网络模式应该考虑什么因素？ （8’） 答（1）：所谓人工神经网络就是基于模仿生物大脑的结构和功能而构成的一种信息处 理系统（计算机）。由于我们建立的信息处理系统实际上是模仿生理神经网络，因此称它为人工神经网络。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。 人工神经网络的两种操作过程：训练学习、正常操作（回忆操作）。 答（2）：人工神经网络的特点： ●固有的并行结构和并行处理； ●知识的分布存储； ●有较强的容错性； ●有一定的自适应性； 人工神经网络的局限性： ●人工神经网络不适于高精度的计算； ●人工神经网络不适于做类似顺序计数的工作； ●人工神经网络的学习和训练往往是一个艰难的过程； ●人工神经网络必须克服时间域顺序处理方面的困难； ●硬件限制； ●正确的训练数据的收集。 答（3）：选取人工神经网络模型，要基于应用的要求和人工神经网络模型的能力间的 匹配，主要考虑因素包括： 模式识别张长水2007.7.1 14:00-16:00 1 （15分）两类分类问题，P(w1)=1/4，P(w2)=3/4。样本有两个特征，分别是x和y。两类?的概率密度函数：w1，在0<=x<=3、0<=y<=3中均匀分布，其余为0；w2，在2<=x<=5、1<=y<=7 中均匀分布，其余为0。请设计做小错误率贝叶斯分类器，并计算误分率。 2 （20分）支持向量机通过二次最优化得到支持向量。现在有一个两类分类问题，共有N 个 样本，样本有d维特征空间，样本集合是线性可分的。试使用遗传算法求解支持向量，说明算法步骤和使用的遗传算子。使用遗传算法求解支持向量有什么优缺点？ 3 （20分）两类分类问题，有3个特征x,y,z，共有N个样本。通过经验知道将3个特征进行加权相加得到的特征将具有更好的分类性能，但是不知道如何得到各个特征的权重。试回答? 如何得到各个特征的权重。给出必要的计算和推导过程。 4 （15分）使用多级聚类算法对下面的样本进行聚类，使用最近距离量度。给出计算过程，多级聚类树。问应该分成几类，为什么？举例说明使用最近距离量度聚类和使用最远距离量度聚类各自的优缺点。 (1,0) (2,0) (0,2) (1,3) (0,5) 5 （20分）距离是模式识别中的重要概念，试说明贝叶斯分类器、近邻法、Fisher投影法、C均值算法是否受不同距离量度选择的影响。如果不是，说明原因；如果是，举例说明受什么影响。 6 （10分）一个袋子中装有红、绿、蓝三种颜色的球，采用有放回的取球方法，取出N个球 ，其中有n1个红色球、n2个绿色球和n3个蓝色球的概率为 p(n1,n2,n3)=(N!/(n1!n2!n3!))*p1^n1*p2^n2*p3^n3 其中n1+n2+n3=N，p1+p2+p3=1 已知概率模型如下：p1=1/4 p2=1/4+p/4 p3=1/2-p/4 如果一个人是红绿色盲，分不清红色球和绿色球，那么他只能知道他取了m1=n1+n2个红/绿 球，和m2=n3个蓝色球。试通过这些数据估计概率模型中的p，并估计红色球和绿色球的数? 。 -------------------------------- 不出意外的话应该是在清华最后一门考试了，复习的时候又极其痛苦，500+张ppt， 很多公式要理解要背，所以得纪念一下，粗略回忆一下今天考的内容，给后面的同 模式识别与智能系统 Pattern Recognition & Intelligent System （专业代码：081104） 一、学科概况 本校模式识别与智能系统学科为国务院1993年批准的博士学位授予权学科，2001年经国务院学位委员会批准为国家级重点学科（二级学科）；本学科所在的控制科学与工程学科具有一级学科博士学位授予权,同时拥有一级学科博士后流动站。本学科主要从事模式识别与智能系统的理论与应用研究，为本校“211工程”重点建设学科。经过多年的建设，现有博士生导师七名，百余名的博士生研究队伍，和先进的教学与科研硬设备环境。多年来，一批科研成果达到国际与国内先进水平。 二、培养目标 本学科培养的模式识别与智能系统的硕士研究生应具有较宽广的基础理论及较深入的专业知识，能解决国家经济建设与国防中在本领域内的工程技术的应用课题，具有较好的理论联系实际的能力。 三、学制和学分 全日制硕士研究生实行以两年半制为主的弹性学制，原则上不超过5年。 总学分33学分，其中必修课程不少于14学分。 四、硕士课程设置 五、科研能力与水平 1. 掌握本学科的基础理论和专业知识，对所研究的课题有新的见解，取得新的成果。对于学术型学位的硕士研究生，还应熟悉国内外相关的学术研究动态。 2. 工作认真踏实，能独立进行科研工作并圆满完成科研任务。 3. 对于应用型、复合型学位的硕士研究生，能发现实践中与本学科相关的需求，能提出工程解决方案；对于学术型学位的硕士研究生，能提出和界定科学问题。 4. 硕士研究生在校期间应积极发表学术论文，参与学术交流。 六、开题报告 为确保学位论文的质量，指导教师应针对每个硕士研究生的类型和层次，确定选题范围。硕士研究生在导师的指导下，通过阅读文献、收集资料和调查研究后确定研究课题，提交开题报告。开题报告的主要内容包括： （1）课题来源及研究的目的和意义； （2）国内外在该方向的研究现状及分析； （3）主要研究内容； （4）研究方案及进度安排，预期达到的目标； （5）预计研究过程中可能遇到的困难和问题以及解决的措施； （6）主要参考文献。 提交开题报告的时间一般为第四小学期，开题报告字数应在5000字以上。开题报告的评议结果为通过或不通过。硕士研究生学位论文选题、开题的要求详见《南京理工大学硕士学位论文选题、开题及撰写的有关规定 七、学位论文 学位论文工作是研究生培养的重要组成部分，是对研究生进行科学研究或承担专业技术工作的全面训练，是培养研究生创新能力、综合运用所学知识发现问题、分析问题和解决问题能力的重要环节。 硕士学位论文要求概念清楚、立论正确、分析严谨、计算正确、数据可靠、文句简练、图表清晰、层次分明，能体现硕士研究生具有宽广的理论基础，较强的独立工作能力和优良的学风。在阐明论文的目的、意义和成果时，应有实事求是的科学态度。 硕士研究生的论文工作必须在导师指导下，由研究生独立完成。完成后应按照《中华人民共和国学位条理暂行实施办法》和《南京理工大学博士、硕士学位授予细则》的规定,组织论文评审和答辩。获准参加答辩的前提条件是：必须修满规定的学分，外语通过学位英语考试或通过国家英语六级考试，其余学科基础课程成绩不得低于70分并完成教学实践、科研实习。 中国青少年机器人竞赛 机器人足球比赛规则 1 前言 2对2机器人足球比赛规则经过几次调整，基本达到强调机器人足球比赛中的技术而不是一味比拼速度和力量的目的，加强了对参赛学生能力的考核，对机器人足球的正常发展是有益的。为了更方便训练和比赛，再次对规则进行修订。 2 比赛场地和足球 2.1 机器人足球赛台的球场区长1220mm、宽1830mm，球场四周有宽度为220mm的白色边界区。边界区四周有宽80mm的坡面，四周为高150mm、厚18mm的档板。边界区及坡面均刷白色亚光漆，档板刷黑色亚光漆。赛台尺寸如图1所示。赛台用木工板制成。 2.2 赛台中央的木质底板上覆盖一层喷绘的背胶场地纸。绿色球场及白色边界区应水平和平整。 图1 比赛场地（mm） 2.3 赛台应放置在约600mm高的架子上。 2.4 球门内宽为450mm，深度为80mm。每个球门在距地面140mm处有一横梁。球门内有高度为80mm的后壁。球门内侧涂成天蓝色，地面为白色。球门外侧面应涂成亚光黑色。球门用厚度不超过12mm的木板制成。 2.5 场上有六个发球点和一个开球点，图2中用白点表示，但在场地纸上并未标记。 图2 发球点、开球点和罚球区 2.6 参赛队必须根据场馆的照明和磁场条件调整机器人。比赛组织者将尽力保持较低的照度，并使赛场远离磁场（比如，地板下的布线和金属物体）。但是，建议各参赛队应设法让自己的机器人能适应各种照明和磁场干扰情况，并能应对场地表面大约5mm高的轻微起伏。 2.7 比赛采用能发射红外线的直径70～75mm的电子球。每场开赛前，裁判都要检查足球是否损坏。本届竞赛用球为日本EK公司制造的RoboSoccer RCJ-05足球，使用抗于扰力较强的调制模式。参赛队必须控制机器人的动力，否则，损坏足球后可能会根据规则5.7.2和6.7被罚出场或取消比赛资格。 3 机器人 3.1 机器人必须是经参赛队员启动后能够自动运行的机器人，禁止使用任何遥控方式。为了策略或备份的需要，每支参赛队可携带三台机器人参赛，但在同一场比赛中只能使用两台机器人且不能更换。 3.2 参加本届比赛的机器人限用竞赛组委会指定的厂家的机器人套材。只要有可能，也允许以上器材混用，允许自制机器人。模式识别的研究现状与发展趋势
机器人足球比赛规则
模式识别论文
模式识别试题答案
人工智能期末试题及答案完整版
模式识别与智能系统
2019年中国电教馆电脑制作机器人足球竞赛规则
模式识别论文
【模式识别】期末考试复习资料
模式识别与智能系统硕士点_研究生入学复试大纲pris_test
机器人足球赛简介
模式识别结课论文
中科院-模式识别考题总结(详细答案)
清华大学模式识别往年考题2
模式识别与智能系统
机器人足球比赛规则
相关主题
文本预览