2020年中国石油大学(北京)博士研究生考试大纲——模式识别与智能系统.docx
新祥旭考研官网 http:/www.xxxedu.net/2020 年中国石油大学(北京)博士研究生考试大纲 模式识别与智能系统模式识别与智能系统考试大纲 考试参考书 模式分类 (原书第 2 版) 美 杜达 等 著,李宏东 等 译 考试内容: 1、贝叶斯决策论 贝叶斯决策论 连续特征、最小误差率分类、极小化极大准则、Neyman-Pearson 准则分类器、判别函数及判定面、多类情况、两类情况、正态密度、单变量密度 函数、多元密度函数、正态分布的判别函数、情况 1:iI、情况 2:i=、情况 3: =任意、误差概率和误差积分、正态密度的误差上界、Chernoff 界、Bhattacharyya 界、信号检测理论和操作特性、贝叶斯决策论 离散特征、独立的二值特征、 丢失特征和噪声特征、丢失特征、噪声特征、贝叶斯置信网、复合贝叶斯决策论 及上下文 2、最大似然估计和贝叶斯参数估计 最大似然估计、高斯情况: u 未知、高斯情况:u 和均未知、估计的偏差、贝叶 斯估计、类条件密度、参数的分布、贝叶斯参数估计:高斯情况、单变量情况: P(U|D)、单变量情况:P(z|D) 、多变量情况、贝叶斯参数估计:一般理论、最大 似然方法和贝叶斯方法何时有区别、无信息先验和不变性、吉布斯算法、充分统 计量、维数问题、精度、维数和训练集的大、计算复杂度、过拟合、成分分析和 判别函数、主成分分析、Fisher 线性判别分析、多重判别分析、期望最大化算法、 隐马尔可夫模型、一阶马尔可夫模型、一阶隐马尔可夫模型、隐马尔可夫模型的 计算、估值问题、解码问题、学习问题 3、非参数技术 概率密度的估计、 Parzen 窗方法、均值的收敛性、方差的收敛性、举例说明、分 类的例子、概率神经网络、窗函数的选取、K 近邻估计、K 近邻估计和 Parzen 窗估计、后验概率的估计、最近邻规则、最近邻规则的收敛性、最近邻规则的误 差率、误差界、 K-近邻规则、 K-近邻规则的计算复杂度、距离度量和最近邻分 类、度量的性质、切空间距离、模糊分类、 RCE 网络、级数展开逼近 4、线性判别函数线性判别函数和判定面、两类情况、多类的情况、广义线性判别函数、两类线性 可分的情况、几何解释和术语、梯度下降算法、感知器准则函数最小化、感知器 准则函数、单个样本校正的收敛性证明、一些直接的推广、松弛算法、下降算法、 收敛性证明、不可分的情况、最小平方误差方法、最小平方误差及伪逆、与 Fisher 线性判别的关系、最优判别的渐近逼近、Widrow-Hoff 算法或最小均方算法、随 机逼近法、Ho-Kashyap 算法、下降算法、收敛性证明、不可分的情况、一些相关 的算法、线性规划算法、线性规划、线性可分情况、极小化感知器准则函数、支 持向量机、推广到多类问题、 Kesler 构造法、固定增量规则的收敛性、MSE 算 法的推广 5、随机方法 玻尔兹曼机的学习过程 6、非度量学习方法 决策树 CART,回归分类树的构造过程 7、独立于算法的机器学习 偏差-方差分解,jackknife,booststrap 重抽样算法构造过程,bagging 算法,boosting 算法 arcing 算法。 8、无监督学习和聚类 K-MEANS 算法,层次聚类算法,PCA 降维过程。