1.  
   1． 模式识别概论以及概率论基本知识
   内容
   说明
   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)
    
    
          
2. 
    
     ；
3. 
    
    
4. 
   
   

 
 

 

"