《智能信息处理》课程大纲.docx

《《智能信息处理》课程大纲.docx》由会员分享，可在线阅读，更多相关《《智能信息处理》课程大纲.docx（4页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、智能信息处理课程教学大纲一、课程的基本信息适应对象：电子信息工程专业课程代码：22E01927学时分配:32赋予学分：总学时32学时，讲授22学时，课内实践10学时先修课程：高等数学，线性代数，C语言程序设计，信号与系统后续课程：二、课程性质与任务智能信息处理是电子信息工程专业的选修课程。智能信息处理是就是将不完全、不可靠、不精确、不一致和不确定的知识和信息逐步改 变为完全、可靠、精确、一致和确定的知识和信息的方法。智能信息处理是当前科学技术发 展中的前沿学科，同时也是新思想、新观念、新理论、新技术不断出现并迅速开展的新兴学 科，它涉及到信息科学的多个领域，是现代信号处理、人工神经网络、模糊理

2、论、人工智能 等理论和方法的综合应用。该课程的主要任务是通过各个教学环节，运用各种教学手段和方法，使学生掌握智能信 息处理的基本概念、基本原理、基本计算方法；能够阅读相关中外文献，了解其最新动态; 培养学生分析、解决问题的能力，为日后从事工程技术工作、科学研究以及开拓新技术领域， 打下坚实的基础。三、教学目的与要求1、了解人工智能的概念和应用、智能信息的处理方法综述。2、了解和掌握知识的不确定性、不确定性度量方法、不确定性推理方法、不确定知识 的挖掘方法。3、掌握模糊集合的概念，掌握模糊规那么与推理，理解模糊推理系统，掌握粗糙集的基 本理论和应用。4、理解人工神经网络的信息处理模式，掌握一些典

3、型的神经网络模型的工作原理和应 用途径。5、了解和掌握遗传算法的结构和工作原理，了解它们的应用领域。6、要求学生了解群体智能和人工免疫系统的基本原理及其应用途径。7、要求学生了解和掌握信息融合技术，了解智能信息处理技术在人脸识别和说话人识 别中的应用。四、教学内容与安排1、课时安排本课程共32个课时（课堂讲授22课时，课内实践10课时），按照课程内容，分成6 个教学单元，各单元的课时安排如下表。序号单元名称讲实小授验计1模糊信息处理442神经网络信息处理4263粗糙集信息处理4264遗传算法及其应用4485群体智能与人工免疫4266信息融合技术及其应用22课时合计2210322、教学内容第一单

4、元模糊信息处理【教学内容】本课程的特点与学习方法；人工智能的基本概念和范畴、基本原理和研究方法；知识和 知识表示的概念；模糊集合的基本概念、基本运算及隶属函数；模糊信息处理方法：模糊端 方法、模糊聚类分析、模糊关联分析、模糊信息优化方法。【教学重点与难点】教学重点：人工智能的基本原理；知识表示方法；隶属函数确实定方法；模糊信息的处 理方法。教学难点：知识表示方法；模糊信息的处理方法。【基本要求】掌握人工智能的基本概念和范畴、基本原理和研究方法；理解知识和知识表示的概念，掌握四种表示法；了解常见的智能信息的处理方法及各个处理方法的应用；掌握模糊集合的基本概念、基本运算及隶属函数确实定方法；掌握模

5、糊信息处理方法：模糊焙方法、模糊聚类分析、模糊关联分析、模糊信息优化方 法；了解模糊信息处理方法的应用。【培养的能力】模糊信息处理方法与相关应用。第二单元神经网络信息处理【教学内容】神经网络原理；神经网络的结构、特点、学习方式和工作方式；神经网络的信息处理模 式；BP神经网络；贝叶斯神经网络；Hopfield网络模型；解径向基函数（RBF）网络。【教学重点与难点】教学重点：典型的神经网络模型（如BP神经网络、贝叶斯神经网络等）及其工作原理。教学难点：神经网络相关算法的理解及应用。【基本要求】理解人工神经网络所借鉴的生物学上的人脑神经元的信息处理模式；掌握人工神经网络 的结构、特点、学习方式和工

6、作方式；掌握BP神经网络学习算法，及BP神经网络建模；掌握贝叶斯神经网络算法；了解Hopfield网络模型及其算法，熟悉用Hopfield神经网络优化方法求解TSF；理解径向基函数（RBF）网络模型；了解不同模型在实际中的应用。【培养的能力】神经网络原理、模型与相关应用。第三单元粗糙集信息处理【教学内容】粗糙集的理论基础：等价类、知识约简；粗糙集与模糊集结合；粗糙集与神经网络结合； 基于粗集的贝叶斯分类器；粗糙集的基本理论与应用。【教学重点与难点】教学重点：知识约简算法、基于粗集的贝叶斯分类器算法。教学难点：知识约简算法。【基本要求】掌握粗糙集的理论基础：等价类、知识约简等；理解粗糙集与模糊集

7、结合、粗糙集与神经网络结合所构成的模型及其应用；掌握基于粗集的贝叶斯分类器算法；了解粗糙集理论的研究现状及开展趋势；【培养的能力】知识表达、运用的能力。第四单元遗传算法及其应用【教学内容】遗传算法的理论基础；遗传算法的结构和工作过程；遗传算法的基本算法及改进算法; 遗传算法的应用。【教学重点与难点】教学重点：遗传算法的基本算法及改进算法；。教学难点：遗传算法的相关算法及应用。【基本要求】了解遗传算法及其应用；掌握遗传算法的基本算法及改进算法；了解基于遗传算法的生产调度方法；了解粗遗传算法的研究现状及开展趋势。【培养的能力】遗传算法原理、结构和应用的能力。第五单元 群体智能与人工免疫【教学内容】

8、粒子群优化的基本概念、算法结构与应用；蚁群优化的基本概念、算法结构与应用；人 工免疫系统的原理；人工免疫系统模型与应用。【教学重点与难点】教学重点：粒子群、蚁群算法的基本原理与应用；人工免疫系统模型。教学难点：粒子群、蚁群的相关算法及应用。【基本要求】了解粒子群、蚁群算法及其应用；了解人工免疫系统模型及其应用；掌握粒子群优化的基本算法；了解粒子群优化、蚁群优化的基本应用；了解人工免疫系统的在计算机安全中的应用；【培养的能力】群智能优化方法的原理和应用。第六单元信息融合技术及其应用【教学内容】信息融合的概念、基本原理、功能模型及相应方法；目标识别和确认的算法：物理模型 类识别算法、基于特征的推理

9、技术和认知模型类识别算法；D-S证据理论的基本概念。【教学重点与难点】教学重点：用于目标识别和确认的主要算法。教学难点：D-S证据理论的关键问题。【基本要求】理解信息融合的概念、基本原理、功能模型及相应方法；掌握用于目标识别和确认的算法：物理模型类识别算法、基于特征的推理技术和认知模 型类识别算法；掌握D-S证据理论的基本概念；了解人脸识别系统中的关键技术；了解信息融合的开展趋势。【培养的能力】信息融合的相关原理和应用。五 教学设备和设施本课程教学要求的教学条件和设施有：多媒体设备、网路环境下的计算机、C/C+/VC+ 软件系统等。六、课程考核与评估本课程是选修课程，期末考核形式为“学期论文”。谢嵋责可时成绩*30% +期末考核*70%七 附录教学参考文献目录：（1）孙红 编著.智能信息处理导论.清华大学出版社,2013年3月（2）熊和金 编著.智能信息处理.国防工业出版社,2012年8月（3）王雪编著.现代智能信息处理实践方法.清华大学出版社,2009年3月（4）毕晓君 编著.信息智能处理技术.电子工业出版社,2010年3月