一、适应报考的专业：模式识别与智能系统

二、考试题型：简答题、论述题、证明题、计算题

三、基本内容：

    （一）模式识别的研究方法 

掌握模式识别的主要方法，从输入模式的预处理到抽取特征、选择特征到模式分类的基本过程；模式识别系统的典型构成、统计模式识别的基本内涵等。

    （二）线性学习机器与线性分类器

掌握线性判别函数与决策面、Fisher线性判别法则、感知器、最小均方误差判别、最优超平面、线性支持向量机等。

    （三）非线性分类器

掌握分段线性判别函数、二次判别函数、多层感知神经网络、支持向量机等。

    （四）统计决策方法

掌握贝叶斯决策、最小误判概率准则、最小损失准则、最小最大损失准则、NP（Neyman-Person）判决、统计分布下的错误率计算、参数估计、概率密度函数估计（最大似然估计、贝叶斯估计）等。

    （五）近邻法则与集群（聚类）

掌握近邻法则（最近邻、K近邻）的一般概念及简单计算，集群的相似性测度、类内类间距离测度、C均值聚类算法等。

    （六）特征提取和选择

掌握基于类别可分性依据的特征提取、主成分分析、离散KL（Karhunen-Loeve ）变换、KL坐标系的产生矩阵、

    （七）模式识别最新进展

了解深度学习的相关概念，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆模型（LSTM）、生成对抗网络（GAN）、变分自编码网络（VAE）、扩散模型（Diffusion Models）等。

四、参考教材：

张学工、汪小我主编，《模式识别（模式识别与机器学习（第四版））》，清华大学出版社，2021年。