研究生课程考试评分标准-模式识别导论-2014

1 / 5word.电子科技大学研究生试卷（考试时间： 至 ，共 2 小时）课程名称 模式识别 教师 学时 40 学分 2 教学方式 课堂教学 考核日期 年 月 日 成绩 考核方式： （学生填写）1、（5分）简述有监督学习和无监督学习的异同。

答：（1）有监督学习必须要有训练集和测试样本，而非监督学习没有训练集； （2）有监督学习的目的就是识别事物，识别结果表现在给待识别数据加上了标号，因此训练样本集必须由带标号的样本组成，而非监督学习方法只有要分析的数据集本身，预先没有什么标号。

（3）非监督学习方法在寻找数据集中的规律性，这种规律性并不一定要达到分数据集的目的，也就是说不一定要“分类”。

2、（15分）计算单词model 和amdeol 的编辑距离，画出栅格图。

解： 栅格图为：a m d e o lmo d e lamdeol从栅格图可计算，model 和amdeol 的编辑距离为3。

学 号 姓 名 学 院……………………密……………封……………线……………以……………内……………答……………题……………无……………效……………………2 / 5word.3、（15分）已知A 类样本为：123[0,1];[2,2];[2,3]a a a ===，B 类样本为：123[3,1];[4,3];[1,5]b b b ===，计算最小二乘分类面的方程（取值为-1和+1），并写出LMS 算法的流程。

解：（1）计算最小二乘分类面为[]0.4,0.26,1.45Tω=--。

（2）LMS 算法流程：步骤1. 初始化训练样本、权向量；步骤2. 选择一个训练样本，利用下列公式更新权向量：()[][1][1]2()k k T k iiy μ--=--w w x xw 训练样本数目步骤3. 重复所有样本。

4、（15分）在目标识别中，有1ω和2ω两种目标类型，它们的先验概率分别为0.8和0.2，在一次试验中，获得样本的类概率密度分别为()10.2p x ω=，()20.4p x ω=，并且已知110λ=，126λ=，211λ=，220λ=。

模式识别期末考试题及答案一、选择题（每题2分，共20分）1. 以下哪一项不是模式识别的主要任务？A. 分类B. 回归C. 聚类D. 预测答案：B2. 以下哪一种方法不属于统计模式识别方法？A. 最小二乘法B. 感知机C. 支持向量机D. 决策树答案：A3. 在模式识别中，以下哪种技术用于降低特征维度？A. 主成分分析（PCA）B. 线性判别分析（LDA）C. 神经网络D. K-均值聚类答案：A4. 以下哪一种模式识别方法适用于非线性问题？A. 线性判别分析（LDA）B. 支持向量机（SVM）C. 主成分分析（PCA）D. K-最近邻（K-NN）答案：B5. 以下哪一项不是模式识别的评价指标？A. 准确率B. 精确率C. 召回率D. 信息熵答案：D二、填空题（每题2分，共20分）6. 模式识别的主要任务包括分类、回归、聚类和________。

答案：预测7. 统计模式识别方法包括最小二乘法、感知机、________和决策树。

答案：支持向量机8. 主成分分析（PCA）的主要目的是________特征。

答案：降低维度9. 在模式识别中，________用于将样本分为不同的类别。

答案：分类器10. 支持向量机（SVM）的基本思想是找到一个________，使得不同类别的样本之间的间隔最大化。

答案：最优分割超平面三、简答题（每题10分，共30分）11. 请简述模式识别的主要步骤。

答案：（1）数据预处理：对原始数据进行清洗、标准化和降维等处理。

（2）特征提取：从原始数据中提取有助于分类的特征。

（3）模型训练：使用训练集对分类器进行训练。

（4）模型评估：使用测试集对分类器的性能进行评估。

（5）模型优化：根据评估结果对模型进行调整和优化。

12. 请简述支持向量机（SVM）的基本原理。

支持向量机是一种二分类模型，其基本思想是找到一个最优分割超平面，使得不同类别的样本之间的间隔最大化。

SVM通过求解一个凸二次规划问题来寻找最优分割超平面，从而实现分类任务。

国防科技大学2008-2009学年秋季学期《模式识别》考试试卷（B）卷标准答案及评分标准考试形式：闭卷考试时间： 120 分钟满分： 100 分。

注意：1、所有答题都须写在此试卷纸密封线右边，写在其它纸上一律无效。

2、密封线左边请勿答题，密封线外不得有姓名及相关标记。

一、选择填空题（共8小题，每空2分，共30分）1、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（②③）。

①已知类别样本质量；②分类准则；③特征选取；④量纲。

2、欧式距离具有（①②）；马式距离具有（①②③④）。

①平移不变性；②旋转不变性；③尺度缩放不变性；④不受量纲影响的特性。

3、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。

）。

4、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。

5、积累位势函数法较之于H-K 算法的优点是（用于非线性可分情况（也可用于线性可分情况） ）；位势函数K(x,x k )与积累位势函数K(x)的关系为（j j()(,)jx XK x K x x α∈=∑，112111210,()(()0)0,()(()0)1,()(()0)1,()(()0)j j j j j j j j j if x and K x if x and K x if x and K x if x and K x ωωαωω----∈>⎧⎪∈<⎪=⎨-∈≤⎪⎪-∈≤⎩）。

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的）情况；最小最大损失判决准则主要用于（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 ）。

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<n ），以降低特征维数）。

《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：。

可编辑修改精选全文完整版《模式识别》课程标准一、课程概述1.课程性质《模式识别》是人工智能技术服务专业针对人工智能产业及其应用相关的企事业单位的人工智能技术应用开发、系统运维、产品营销、技术支持等岗位，经过对企业岗位典型工作任务的调研和分析后，归纳总结出来的为适应人工智能产品开发与测试、数据处理、系统运维等能力要求而设置的一门专业核心课程。

2.课程任务《模式识别》课程通过与各类特征识别应用案例开发相关的实际项目学习，增强学生对本专业智能感知与识别算法知识的认识，训练他们养成良好的解析思维习惯，在理解理论知识的基础之上，根据实现情况分析与设计出最优解决方案，再用编程方式实现特征提取和识别算法并加以应用的能力，从而满足企业对相应岗位的职业能力需求。

3.课程要求通过课程的学习培养学生智能感知与识别算法应用方面的岗位职业能力，分析问题、解决问题的能力，养成良好的职业道德，为后续课程的学习打下坚实的基础。

二、教学目标（一）知识目标（1）了解模式识别的概念，掌握通过编程实现模板匹配算法来解决简单的模式识别问题的能力；（2）了解常用模式识别算法的原理，能初步利用该类算法解决具体模式识别问题的一般方法；（3）理解特征提取与降维的概念及主要方法，并能够在解决模式识别问题的过程中加以应用；（4）详细了解BP神经网络的原理，熟练掌握利用该算法解决手写体识别问题的方法；（5）详细了解朴素贝叶斯分类器算法的原理，熟练掌握利用该算法解决打印体文字识别问题的方法；（6）详细了解基于隐马尔可夫模型的语音识别原理，熟练掌握利用该模型解决语音识别问题的方法；（7）详细了解基于PCA和SVM模型的人脸识别原理，熟练掌握利用该模型解决人脸识别问题的方法。

（二）能力目标（1）会识读程序流程图，能看懂案例程序代码；（2）会使用Python语言实现“模式识别”常规算法；（3）能按照任务要求，设计程序流程图，编写程序代码；（4）能够根据系统功能要求对程序进行调试；（5）能够对所编写的程序故障进行分析，提出解决方案并进行故障排除：（6）能根据系统工作情况，提出合理的改造方案，组织技术改造工作、绘制程序流程图、提出工艺要求、编制技术文件。

Helen 模式识别2014考试重点整理［强调，因为我也懒得把课件全找一遍，那么多英文的。

嗯。

所以仅供参考！！ 本来就是为了帮几个考研的小伙伴才整理的各门资料，拿出来和大家共享也只是为了攒人品，如果有什么不周到的希望大家好好提出～么么哒！］ 计算题：设在某个局部地区细胞识别中正常 和异常 两类的先验概率分别为： 正常状态： 异常状态： 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试使用基于最小错误率的贝叶斯决策方法对该细胞x 进行分类（要求给出具体计算过程及计算结果）∙ 解：利用贝叶斯公式，分别计算出 w 1 及 w 2 的后验概率∙ P (w 1|x )=p (x |w 1)p (w 1)p (x |w j )p (w j)j =12å=0.2´0.90.2´0.9+0.4´0.1=0.818P (w 2|x )=1-P (w 1|x )=0.182∙ P (w 1|x )=0.818>P (w 2|x )=0.182∙ 所以合理的决策规则是把x 归类于正常状态简答题：1、 要使用贝叶斯决策理论进行分类，需要满足三个前提条件是什么类别数知道；知道先验概率；知道各类的类条件概率密度。

2、试简述您对先验概率的理解类别的状态用一个随机变量w 表示， w =w 1表示正常，表示异常时 w =w 2 。

p (w 1) p (w 2) 是状态的先验概率。

3、试简述您对最大似然估计方法的理解最大似然估计是把参数看作是确定而未知的，最好的估计值是在获得实际观察样本的概率为最大条件下得到的。

为了解释最大似然估计需做四点假设：♦参数 是确定（非随机）而未知的量 ♦ 按类别把样本集分开，假设有c 个类，则可分为c 个样本集 ，θc χχχ,,,21 2ω1ω9.0)(1=ωP 1.0)(2=ωP 4.0)|(,2.0)|(21==ωωx p x p其中 中的样本都是从概率密度为的总体中独立出来的。

模式识别期末考试题及答案一、填空题1. 模式识别是研究通过_________从观测数据中自动识别和分类模式的一种学科。

答案：计算机算法2. 在模式识别中，特征选择的主要目的是_________。

答案：降低数据的维度3. 支持向量机（SVM）的基本思想是找到一个最优的超平面，使得两类数据的_________最大化。

答案：间隔4. 主成分分析（PCA）是一种_________方法，用于降低数据的维度。

答案：线性降维5. 隐马尔可夫模型（HMM）是一种用于处理_________数据的统计模型。

答案：时序二、选择题6. 以下哪种方法不属于模式识别的监督学习方法？（）A. 线性判别分析B. 支持向量机C. 神经网络D. K-means聚类答案：D7. 在以下哪种情况下，可以使用主成分分析（PCA）进行特征降维？（）A. 数据维度较高，且特征之间存在线性关系B. 数据维度较高，且特征之间存在非线性关系C. 数据维度较低，且特征之间存在线性关系D. 数据维度较低，且特征之间存在非线性关系答案：A8. 以下哪个算法不属于聚类算法？（）A. K-meansB. 层次聚类C. 判别分析D. 密度聚类答案：C三、判断题9. 模式识别的目的是将输入数据映射到事先定义的类别中。

（）答案：正确10. 在模式识别中，特征提取和特征选择是两个不同的概念，其中特征提取是将原始特征转换为新的特征，而特征选择是从原始特征中筛选出有用的特征。

（）答案：正确四、简答题11. 简述模式识别的主要任务。

答案：模式识别的主要任务包括：分类、回归、聚类、异常检测等。

其中，分类和回归任务属于监督学习，聚类和异常检测任务属于无监督学习。

12. 简述支持向量机（SVM）的基本原理。

答案：支持向量机的基本原理是找到一个最优的超平面，使得两类数据的间隔最大化。

具体来说，SVM通过求解一个凸二次规划问题来确定最优超平面，使得训练数据中的正类和负类数据点尽可能远离这个超平面。

模式识别课程编码:课程英文译名:Pattern Recognition课程类别:学位课开课对象:模式识别与智能系统开课学期:第2学期学分: 3 学分;总学时: 48 学时;理论课学时:48 学时;实验学时:0 学时;上机学时:先修课程:学习本课程之前,应先学习《概率论》、《线性代数》课程。

教材:《模式识别》清华大学出版社,2000年1月,第二版参考书:【1】《数字图像处理》 Kenneth.R.Castleman著,朱志刚等译,电子工业出版社 1998年9月一、课程的性质、目的和任务《模式识别》是模式识别与智能系统硕士生一门学位课。

模式识别就是利用计算机对某些物理现象进行分类,在错误概率最小的条件下,使识别的结果尽量与事物相符。

本课程的任务是使学生掌握模式识别的基本原理和方法,了解模式识别在实际系统中的应用。

二、课程的基本要求通过本课程的学习,要求重点掌握统计模式识别的基本理论和应用。

掌握统计模式识别方法中的特征提取和分类决策。

掌握特征提取和选择的准则和算法,掌握监督学习的原理以及分类器的设计方法。

基本掌握非监督模式识别方法。

了解应用人工神经网络和模糊理论的模式识别方法。

掌握模式识别的应用和系统设计。

三、教学方式课程采用教师课堂讲授和学生课外自学相结合的教学方式。

教师课堂讲模式识别方面的核心内容,学生通过阅读参考书和文献资料,进一步深入了解课程的最新研究成果。

四、课程的主要教学内容和学时分配授课时数:48学时主要内容:第一章绪论1.1 模式和模式识别的概念1.2 模式识别系统1.3 关于模式识别的一些基本问题第二章贝叶斯决策理论2.1 几种常用的决策规则2.2 正态分布时的统计决策2.3 分类器的错误率分析第三章概率密度函数的估计3.1 参数估计的基本原理3.2 监督参数估计3.3非监督参数估计第四章线性判别函数4.1线性判别函数和线性分类器的基本概念4.2 常用准则函数的线性分类器设计4.3 多类问题第五章非线性判别函数5.1 分段线性判别函数的基本概念5.2 分段线性分类器设计5.3 二次判别函数5.4 近邻法第六章特征的选择与提取6.1 基本概念6.2 类别可分离性6.3 特征提取6.4 特征选择第七章非监督学习方法7.1 引言7.2 单峰子集(类)的分离方法7.3 类别分离的间接方法7.4 分级聚类方法第八章模式识别的发展与应用8.1 神经网络模式识别8.2 模糊模式识别方法8.3 识别方法在语音信号数字处理中的应用8.4 印刷体汉字识别中的特征提取五、习题及课外教学要求通过习题巩固和加深对所学知识的理解,培养分析能力计算能力,为此要布置适量的习题。