概論
? 模式識別的主要方法;
? 監督模式識別與非監督模式識別;
? 模式識別系統舉例;
? 模式識別系統的典型構成
概率論基礎知識
? 概率論基礎知識 貝葉斯決策, 概率密度分布
? 最大似然估計
? 貝葉斯估計
? 維數問題（精度、維數和訓練集的大小； 計算復雜度；過擬合）
概率密度分布的非參數估計
? 非參數估計的基本原理與直方圖方法
? KN近鄰估計方法
? Parzen窗法
? 最近鄰規則
? 距離度量和最近鄰分類
? RCE網絡
? 級數展開逼近
? 統計量估計中的重采樣技術(bootstrap, jackknife)
期望最大化(EM)
? 期望最大化
隱馬爾可夫模型
? 隱馬爾可夫模型
抽樣方法
? 馬爾可夫 蒙特卡洛
? Gibbs 采樣
? Slice 采樣
? 混合Monte carlo算法
2． 監督學習方法
內容
說明
線性回歸
? 線性基礎模型
? 偏方方差分解
? 貝葉斯線性回歸
? 貝葉斯模型比較
? 參數估計（經驗貝葉斯）
? 固定基礎函數的限制
特征
? 特征選擇
2 特征的評價準則
2 特征選擇的最優算法
2 特征選擇的次優算法
2 特征選擇的遺傳算法
2 以分類性能為準則的特征選擇方法
? 特征提取
2 基于類別可分性判據的特征提取
2 主成分分析 (圖像)
2 Karhunen-Loeve變換
2 高維數據的低維顯示
2 多維尺度法
2 非線性變換方法簡介
2 多重判別分析
? 特征提取與選擇對分類器性能估計的影響
分類器
? 線性分類器
2 線性判別函數的基本概念
2 Fisher線性判別器
2 感知器
2 最小平方誤差判別
2 最優分類器超平面與線性支持向量
2 拉普拉斯逼近（Laplace 逼近）
? 非線性分類器
2 分段判別函數
2 二次判別函數
2 多層感知機
2 支持向量機
2 核函數
? 其它分類器
2 近鄰法
2 決策樹
2 邏輯回歸
2 Boosting
2 隨機方法
2 基于規則的方法
系統評價
? 監督模式識別方法的錯誤率估計
? 有限樣本下錯誤率的區間估計問題
? 從分類的顯著性推斷特征與類別的關系
3． 非監督學習方法
內容
說明
模型方法
? 基于模型的方法
? 混合模型的估計(非監督最大似然估計;
正態分布情況下的非監督參數估計)
聚類方法
? 動態聚類
? 模糊聚類
? 分級聚類
? 自組織神經網絡
? 劃分聚類
? 聚類的準則函數
其它非監督方法
? 圖論方法
? 在線聚類
? 圖模型
? 非監督模式識別系統性能的評價
4． 圖像處理相關內容
內容
說明
圖像處理的基本方法
? 幾何規范化 (平移，旋轉，縮放等，復原，增強等)
? 灰度級差值 (最近鄰差值等)
? 灰度規范化 (圖像平滑、直方圖均衡化、灰度變換)
? 邊緣檢測，梯度算子
? 形態學處理 (膨脹，腐蝕，開操作，閉操作，細化，粗化，骨架，裁剪等)
圖像的特征提取
? 形狀特征(輪廓特征, 區域特征)
? 紋理特征(LBP,HOG,SURF,SIFT,HAAR )
? 顏色特征(顏色直方圖, 顏色矩, 顏色相關圖)
? 空間關系特征(基于模型的姿態估計方法, 基于學習的姿態估計方法) | 
首頁 課程表 在線聊 報名 講師 品牌 QQ聊 活動 就業