1. ?
   1．?模式識別概論以及概率論基本知識
   內容
   說明
   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)
   ?
   ?
   ? ?????
2. 
   ?
   ? ；
3. 
   ?
   ?
4. 
   
   

?
?

?

"

?

?
?
?
?

?

?

?