北京师范大学研究生培养方案

第1页共16页北京师范大学研究生培养方案信息科学与技术学院模式识别与智能系统专业（代码：081104）（一级学科：控制科学与工程）本专业具有硕士学位授予权一、培养目标与学习年限本培养方案是进行研究生培养的主要依据，它规定了研究生培养的目标和方向，明确了研究生培养的过程和环节，修订和制定好培养方案是规范研究生培养工作，加强研究生教育管理，提高研究生教育质量的重要措施。培养方案的修订和制定应体现本专业研究生培养的基本要求，适应学科发展方向，符合拓宽学生知识面的要求，反映信息科学与技术学院各学科自身的特色。1、培养目标（1）基础研究领域：为该专业领域培养高质量的基础研究和应用基础研究人才，为进一步的研究（攻读博士学位）打下基础；（2）应用研究领域：培养本专业从事应用基础研究或应用开发的人才。本专业分别在一级学科开设5门、二级学科开设5门面向基础与应用研究的品牌课程；加强学生的理论修养，为进一步的研究与学习奠定基础。强调研究方法、基本技能的训练，鼓励学生积极参加实际的科研项目，在实践中培养学生的独立科研和技术开发能力，拓展学生的专业视野，便于学生就业。2、学习年限本专业学制为三年。二、专业研究方向序号研究方向名称主要研究内容研究生导师1模式识别与智能信息系统模式识别与智能系统方向是在信号处理、人工智能、控制论、信息科学与技术、系统科学、计算机技术等学科基础上发展起来的新兴学周明全、姚力、郭平、胡丹第2页共16页科。以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解，并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统性能。是一门理论与实际结合、具有广泛应用价值的控制科学与工程的重要学科分支。三、课程设置与学分要求1.硕士生总学分：36分，具体分布如下：必修课：公共课8学分学位课学位基础课（3门）（含一门方法类课程）至少9学分学位专业课（3-4门）至少9学分选修课：全校选修课公共选修课0－3学分专业选修课至少3学分必修环节：实践活动1学分开题报告不计学分注明：（1）公共选修课由研究生院培养处组织开设，除一外为小语种的研究生必修二外英语以外，其他研究生可以不修公共选修课，如选修，每人累计不超过3门。（2）非学位选修课不是必须要选的课程，培养方案中所列的非学位任选课程仅供参考，原则上由导师决定学生选修哪些课程。必修环节只保留实践活动1学分，开题报告不计学分，但必须完成。而学术活动已经取消，没有学分要求，学生可以自愿参加。2.港澳台研究生总学分要求与普通研究生相同，免修公共政治课。3.外国留学研究生免修公共政治和外语课，必修“中国概况”（2学分），硕士生总学分不低于32学分。四、培养方式与考核方式1、培养方式与要求第3页共16页（1）课程学习：以教师讲授、专家专题讲座、课堂报告与讨论、课外文献查阅与撰写文献综述、课外小型实证研究与报告撰写、自学等方式开展。课程学习安排在前3学期完成。（2）研究与学术活动：参与研究与学术活动是研究生获得和提高研究与实践应用能力的必要途径。研究生应当积极参与导师、研究所和实验室组织的研究和其他学术活动，并应积极参加国内外高水平专业学术会议。研究生的研究和学术活动主要由导师会同该研究生指导小组进行指导。研究生指导小组由导师根据该研究生的研究方向和具体课题，邀请相关领域教授、副教授或具有博士学位的研究人员组成，硕士研究生指导小组应有2名成员（不包括导师本人）。2、中期考核方式中期考核包括：课程学习、开题报告，应在第三学期末完成，中期考核合格者方能进入撰写论文阶段。五、学位论文与论文答辩1、学位论文硕士学位论文类型可以是基础研究、应用基础研究、应用研究，学位论文的选题应体现本学科领域的前沿性或工程技术的先进性，并和导师承担的科研项目挂钩，完成一定的工作量。论文字数一般不超过3万字。学位论文必须由本人撰写，内容主要应包括中、英文摘要，引言（包括文献综述和问题的陈述）、主要结果（包括理论、方法、实验结果及分析）和结论、参考文献。研究生应保证论文内容的科学性和实验数据的可靠性。应当真实反映自己的研究结果，严格区分引用他人的成果与本人的贡献。引用他人的结论必须注明详细出处。研究生论文中有虚假或重要错误者不准进入答辩。2、论文答辩必须在研究生院规定的日期以前，研究生按照相关规定完成论文撰写并打印成册，按研究生院规定的程序申请答辩。论文的评审，答辩委员会的组成及答辩程序按研究生院和信息科学与技术学院的相关规定实施。六、课程一览表与主要参考书目1.硕士生课程课程类别课程中文名称课程英文名称任课教师学分学时上课学期第4页共16页学位基础课随机过程StochasticProcesses胡丹3511非线性动力学导论IntroductiontoNonlinearDynamics姚力3511模式识别与智能系统PatternRecognitionandIntelligenceSystems张家才3511现代信号处理ModernSignalProcessing赵小杰3512泛函分析FunctionalAnalysis胡丹3512学位专业课人工神经网络ArtificialNeuralNetworks郭平、张家才3512应用小波分析WaveletAnalysisanditsApplications赵志文3512数字图像处理DigitalImageProcessing张立保3511数据库系统及应用DatabaseSystemsandApplication别荣芳351`2机器学习与数据挖掘MachineLearningandDataMining段福庆3512专业选修课人工智能ArtificialIntelligence王醒策3512最优化理论与应用OptimizationTheoryandApplication351生物医学电子学BiomedicalElectronics351计算机视觉ComputerVision段福庆351功能磁共振成像FunctionImagingTechnology姚力3512认知科学引论IntroductiontoCognitionScience234智能信息处理IntelligentInformationProcessing234注明：硕士生课程应安排在前三学期完成，其中学位基础课和学位专业课应安排在前两学期分秋季、春季较为固定地开设。“上课学期”用1、2标注，如两学期都开设，填写“1和2”。基础课和专业课一般为3学分，专业选修课为2学分，每学分对应18学时，即3学分=54学时，2学分=36学时，1学分=18学时。院系可以自主设置模块化课程，规定相应的学分和学时。2．课程内容简介模式识别与智能系统专业的学位基础课、学位专业课的内容简介如下所示。（1）随机过程课程中文名（英文名）：随机过程（StochasticProcesses)学时：54学分：31．主要内容第5页共16页随机过程是现代概率论的一个重要课题，它主要研究和探讨客观世界中随机演变过程的规律性，并应用于控制﹑通信﹑生物﹑物理﹑雷达通讯﹑地质﹑天文气象﹑社会科学等工程科学技术中。本课程的主要内容包括随机过程的基本定义、分类及数字特征；马尔可夫过程（独立增量过程、泊松过程、更新过程、排队服务系统）；平稳过程；随机分析；随机过程通过线性系统；随机过程与智能计算。其重点是对随机过程的基本知识及其在信号处理、智能计算和模式识别等方面的应用进行分析与介绍。2．教学大纲（1）教学目的通过本课程的学习，应使学生能了解随机过程的基本概念，正确判别随机过程的类别，掌握随机系统理论，进一步提高利用数学模型解决随机问题的能力。（2）教学要求第1章（概论）要点：随机过程的定义及分类、随机过程的产生与发展、随机过程研究的主要内容、随机过程的应用。授课：3学时。第2章（随机过程的分布率与数字特征）要点：有限维联合分布函数族、随机过程的期望函数和方差函数、随机过程的自相关函数和自协方差函数、随机过程的互相关函数与互协方差函数、复随机过程的统计特征、平稳过程简介。授课：6学时。第3章（马尔可夫过程）要点：马尔可夫过程的相关概念及例子、C-K方程式、马尔可夫链中状态的分类、转移概率的渐进性质与平稳分布、非常返态分析。授课：14学时。第4章（隐马尔可夫过程）要点：隐马尔可夫模型、隐马尔可夫模型的核心问题及相应算法。授课：3学时。第5章（状态离散参数连续的马尔可夫过程）要点：状态离散参数连续的马尔可夫过程基本概念、泊松过程、Kolmogorov前进后退方程式、排队服务系统。授课：14学时。第6章（随机分析）要点：二阶矩过程、均方极限、均方连续、均方导数、均方积分、随机微分方程。授课：6学时。第7章（随机过程通过线性系统）要点：随机过程的遍历性、随机过程与通过线性系统分析。授课：4学时。第8章（估值理论）要点：随机变量的均方估值、最佳线性估值、最佳线性估值在随机过程中的应用。授课：4学时。（3）课程教材及参考书教材：陆大糹金，随机过程及应用，清华大学出版社参考书：1、龚光鲁，钱敏平，应用随机过程教程，清华大学出版社2、LonnieC.Ludeman,随机过程—滤波、估计与检测，电子工业出版社（2）非线性动力学导论课程中文名（英文名）：非线性动力学导论（IntroductiontoNonlinearDynamics）学时：54学分：31．主要内容非线性是自然界普遍存在的现象，对于这些现象的解释已逐步形成了非线性的基本理论，并被广泛应用于各个领域，如：信息处理、控制工程、生态乃至化学等等。本课程主要讲授系统的非线性动力学特性、建模与分析方法，以及这些方法在实际系统中的应用。2．教学大纲第6页共16页第一章有限差分方程从最基本的Logestic方程入手，介绍了混沌现象中的基本概念、特性，介绍了自然界中具有混沌现象的真实系统。第二章布尔网络与元胞自动机介绍了布尔网络与元胞自动机形成的基本原理与规则，以及在实际系统中的应用。第三章自相似与分形介绍了分形的基本理论、分维的基本概念。第四章一维微分方程从非线性动力学的角度，介绍了一维微分方程的特性。第五章二维微分方程从非线性动力学的角度，介绍了二维微分方程的特性，引入了相平面、流、焦点、鞍点等概念；并用实际系统对上述概念进行展示。第六章时间序列分析介绍了时间序列分析的若干分析方法，如：均值和方差，线性相关和功率谱，维数，李雅普诺夫指数等。课程教材及参考书：《UnderstandingNonlinearDynamics》,DanielKaplanandLeonGlass,世界图书出版公司（3）模式识别与智能系统课程中文名（英文名）：模式识别与智能系统（PatternRecognitionandIntelligenceSystems）学时：54学分：31．主要内容“模式识别与智能系统”课程是模式识别与智能系统、信号与信息处理专业的学位基础课，信号与信息处理专业及通信与信息系统专业的学位专业课。该课程是研究计算机模式识别的基本理论和方法、应用。模式识别就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。模式识别的原理和方法在医学、军事等众多领域应用十分广泛。本课程的主要任务是，通过对模式识别的基本理论和方法、运用实例的学习，使学生掌握模式识别的基本理论与方法，培养学生利用模式识别方法、运用技能解决本专业及相关领域实际问题的能力，为将来继续深入学习或进行科学研究打下坚实的基础。2．教学大纲（1）教学目的本课程开设的目的是为了使学生能应用模式识别处理计算机自动识别事物，机器学习数据分析中有关的技术问题。由于本课程的目标是侧重在应用模式识别技术，因此在学习内容上侧重基本概念的讲解，辅以必要的数学推导和实验，帮助学生获得必要的模第7页共16页式识别基本知识，了解学科发展前沿，掌握模式识别的一般方法；通过模式识别的学习，提高学生解决工程实际问题的能力；同时学生在学习过程中还会用到一些概率论的最基本知识，线性代数中的部分知识，帮助学生进一步理解与巩固相关基础知