最新多些少些教学讲义ppt.ppt

《最新多些少些教学讲义ppt.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、多些少些红金鱼比黑金鱼（）48条15条10条多得多黑金鱼比花金鱼（）4810＞1015少一些＜说一说，看图回答。203050（）比（）多一些。（）比（）少得多。梨苹果苹果香蕉3张34张40张86张明明有36张画片我的画片比明明的少一些。小红小刚明明我的画片比明明的多得多。小红可能有多少张画片？打“√”。小刚可能有多少张画片？画“○”√○○28个72个16个32个草莓苹果香蕉樱桃（1）根据水果的数量，用“多一些、少一些、多得多、少得多”各说一句话。（2）水果少于30个的有几种？水果多于30个的有几种？（3）根据上面水果的个数

2、，请填一填。＜＜283272163272283272考考你：一个两位数比80大比90小，十位上的数字比个位上的数字大2，这个数是多少？868584你知道这个数是多少吗？请在合适的答案下面画√√2013级模式识别复习课考试题型:一、填空题（10个空，每空2分，共20分）二、简答题（2题，每小题10分，共20分）三、计算分类题（2题，每题12分，共24分）四、证明题/设计题(1题，12分)五、综合应用设计题（1题，24分）考试范围：九个PDF课件文件(打*不考)，教材第1章、第2章、第4章、第5章、第6章、第9章(九个PDF课

3、件中要求的内容)模式识别复习笔试形式：开卷考试，120分钟。按照开卷考试的统一规定，开卷考试可以带书、纸质版资料、计算器，但开卷考试不能使用手机、平板电脑、笔记本电脑等电子设备查阅电子资料。根据学校的规定，考试笔试成绩须在55分以上才有可能及格，否则按不及格处理。模式识别复习考试范围：一、李弼程编《模式识别原理与应用》教材。第1章绪论第2章Bayes决策理论第4章线性判别分析(4.1线性判别函数;4.2线性分类器：4.2.1-4.2.4)第5章特征提取和选择(5.1;5.2.1,5.2.2;5.3.2;5.4主成份分析PC

4、A)第6章聚类分析(6.1;6.3;6.4.1,6.4.2;6.5)第9章神经网络模式识别(此章内容见“模式识别(九).PDF”课件的要求部分)二、九个PDF课件文件。PDF课件中打“*：了解”的部分不考，下面“九个PDF课件文件说明”中黑体字部分不考；九个PDF课件文件说明：1.模式识别(一).PDF模式识别复习九个PDF课件文件说明Cont.：2.模式识别(二).PDF：2.4广义线性判别函数，不考3.模式识别(三).PDF：2.6分段线性分类器设计、2.7非线性分类器设计，不考4.模式识别(四).PDF5.模式识别(

5、五).PDF：3.9序惯分类、3.10Bayes分类器编程举例，不考模式识别复习九个PDF课件文件说明Cont.：6.模式识别(六).PDF：4.5聚类分析编程举例，不考7.模式识别(七).PDF：5.1引言中的灰度共生矩阵、5.3类别可分性判据中基于熵函数的可分性判据、5.4基于可分性判据的特征提取中的基于概率密度函数可分性判据的特征提取方法、5.5补充PCA人脸图像的预处理方法及编程(编程，不考)、5.6快速PCA及实现、5.7基于PCA的人脸特征提取及实现(实现，不考)模式识别复习九个PDF课件文件说明Cont.：8

6、.模式识别(八).PDF：9.模式识别(九).PDF：模式识别复习一、填空题举例1、神经网络的特性及能力主要取决于网络拓扑结构及()。答案：学习方法2、()可以利用多个分类器之间的互补性，有效地提高分类的准确度。答案：多分类器融合/多分类器集成3、欧氏距离具有（）和（）。①平移不变性②尺度缩放不变性③旋转不变性④不受量纲影响的特性答案：①，③说明：一般是从PDF课件或从教材中找出正确答案，少数填空题是根据自己的理解填写出合适的答案。考试题型举例：二、简答题举例1、简述统计模式识别方法。答：统计模式识别把观察对象表达为一个随

7、机向量(即特征向量),将模式类表达为由有穷或无穷个具有相似数值特性的模式组成的集合。识别是从模式中提取一组特性的度量,构成特征向量来表示模式,然后通过划分特征空间的方式进行分类。统计模式识别系统构成：主要由信息获取、预处理、特征提取和选择以及分类器4部分组成；其中，分类器包括分类器设计和分类决策。说明：一般是从课件或从教材中找出相关答案整理成段落、算法步骤等，也有可能根据自己的理解加工成段落、算法步骤等。三、计算分类题考试范围：读懂模式识别课件中的所有计算例题与思考题(如：Bayes公式在Bayes决策中的运用、感知器固定

8、增量法、Fisher判别分析、K-L变换/主成份分析/PCA/主分量分析、聚类分析等)。重要提醒1：线性代数中矩阵求逆的方法----特别是有时候会用到二阶矩阵求逆计算公式可加快二阶矩阵求逆的计算速度。重要提醒2：在Bayes公式在Bayes决策中的运用中，要加深对最小风险Bayes决策概念的理解：(2)