概论
− 模式识别的主要方法;
− 监督模式识别与非监督模式识别;
− 模式识别系统举例;
− 模式识别系统的典型构成
概率论基础知识
− 概率论基础知识 贝叶斯决策, 概率密度分布
− 最大似然估计
− 贝叶斯估计
− 维数问题（精度、维数和训练集的大小； 计算复杂度；过拟合）
概率密度分布的非参数估计
− 非参数估计的基本原理与直方图方法
− KN近邻估计方法
− Parzen窗法
− 最近邻规则
− 距离度量和最近邻分类
− RCE网络
− 级数展开逼近
− 统计量估计中的重采样技术(bootstrap, jackknife)
期望最大化(EM)
− 期望最大化
隐马尔可夫模型
− 隐马尔可夫模型
抽样方法
− 马尔可夫 蒙特卡洛
− Gibbs 采样
− Slice 采样
− 混合Monte carlo算法
2． 监督学习方法
内容
说明
线性回归
− 线性基础模型
− 偏方方差分解
− 贝叶斯线性回归
− 贝叶斯模型比较
− 参数估计（经验贝叶斯）
− 固定基础函数的限制
特征
− 特征选择
² 特征的评价准则
² 特征选择的最优算法
² 特征选择的次优算法
² 特征选择的遗传算法
² 以分类性能为准则的特征选择方法
− 特征提取
² 基于类别可分性判据的特征提取
² 主成分分析 (图像)
² Karhunen-Loeve变换
² 高维数据的低维显示
² 多维尺度法
² 非线性变换方法简介
² 多重判别分析
− 特征提取与选择对分类器性能估计的影响
分类器
− 线性分类器
² 线性判别函数的基本概念
² Fisher线性判别器
² 感知器
² 最小平方误差判别
² 最优分类器超平面与线性支持向量
² 拉普拉斯逼近（Laplace 逼近）
− 非线性分类器
² 分段判别函数
² 二次判别函数
² 多层感知机
² 支持向量机
² 核函数
− 其它分类器
² 近邻法
² 决策树
² 逻辑回归
² Boosting
² 随机方法
² 基于规则的方法
系统评价
− 监督模式识别方法的错误率估计
− 有限样本下错误率的区间估计问题
− 从分类的显著性推断特征与类别的关系
3． 非监督学习方法
内容
说明
模型方法
− 基于模型的方法
− 混合模型的估计(非监督最大似然估计;
正态分布情况下的非监督参数估计)
聚类方法
− 动态聚类
− 模糊聚类
− 分级聚类
− 自组织神经网络
− 划分聚类
− 聚类的准则函数
其它非监督方法
− 图论方法
− 在线聚类
− 图模型
− 非监督模式识别系统性能的评价
4． 图像处理相关内容
内容
说明
图像处理的基本方法
− 几何规范化 (平移，旋转，缩放等，复原，增强等)
− 灰度级差值 (最近邻差值等)
− 灰度规范化 (图像平滑、直方图均衡化、灰度变换)
− 边缘检测，梯度算子
− 形态学处理 (膨胀，腐蚀，开操作，闭操作，细化，粗化，骨架，裁剪等)
图像的特征提取
− 形状特征(轮廓特征, 区域特征)
− 纹理特征(LBP,HOG,SURF,SIFT,HAAR )
− 颜色特征(颜色直方图, 颜色矩, 颜色相关图)
− 空间关系特征(基于模型的姿态估计方法, 基于学习的姿态估计方法) | 
合作伙伴与授权机构
总部李老师
