一、答卷方式
闭卷、笔试
二、答卷时间
120分钟
三、试卷结构
试卷题型分为简答题、问答题、证明题，计算题。满分100分。
四、考试要求
本考试科目主要是考核模式识别的基本概念、基本原理、基本方法以及模式识别的一些前沿性新概念和新技术，要求考生掌握各种模式识别的理论方法、数据预处理技术、识别和回归算法、模式识别和人工智能的基本概念、基本原理、基本特征及之间的关系，不仅考核其对概念的理解，更要考核其综合的数据分析和模式分类的应用能力，以及对新理论和新技术的掌握程度。
五、考试内容
（一）模式识别概论
1．模式识别的基本概念
2．监督学习、无监督学习和强化学习
3. 模式识别和人工智能、数据挖掘等学科的关系
（二）贝叶斯决策论
1．贝叶斯决策论
2．最小误差率分类器的数学基础
3. Neyman-Pearson准则
4．分类器和判别函数及判定面
5. 正态分布的判别函数
（三）人工神经网络
1．ANN和Von Neumann计算机的区别
2．两种Perceptron训练法则
3．Sigmoid函数的梯度计算
4．BP算法
5. 径向基函数
（四）决策树
1．基本概念
2．ID3、C4.5算法
3．连续属性的相关问题
4. 属性丢失问题
（五）遗传算法
1．基本概念
2．GA算法
3．模式理论
（六）基于实例的学习
1．IBL基本概念
2．K-近邻算法
3．基于案例的推理
（七）支持向量机（SVM）
1．统计学习理论的基本内容
2．SVM算法
3．SVM的优化
5．核函数在解决非线性问题上的推广
（八）特征提取
1．Fisher算法
2. PCA
3．最小平方误差算法
（九）和算法无关的分类器设计
1. Bagging和Boosting
2. 和算法无关的模式识别基本原则
六、参考书目
1. 边肇祺、张学工，模式识别（第三版），清华大学出版社，2010年
您现在的位置： 