南京信息工程大学2019年博士研究生招生入学考试大纲.rar
南京信息工程大学博士研究生招生入学考试考试大纲考试科目代码：2011考试科目名称：泛函分析第一部分大纲内容1．实分析基础知识(1)熟练掌握测度的定义和基本性质,理解特殊集合测度的计算。(2)理解零测集，了解测度的完备化。(3)掌握lebesgue积分定义、基本性质；熟练掌握fatou引理与控制收敛定理；理解可测函数的几乎处处相等等价关系。(4)掌握young不等式，jensen不等式；holder不
南京信息工程大学博士研究生招生入学考试《地理信息系统原理》考试大纲考试科目代码：3013考试科目名称：地理信息系统原理第一部分课程目标与基本要求课程目标：地理信息系统原理包括地理空间数据的获取、地理空间数据模型及其表达、地理空间数据管理、空间分析及应用技术等基本内容。通过学习，应系统掌握地理信息系统的基本理论与方法，并具有灵活应用地理信息系统原理与方法，综合分析实际问题的能力。基本要求：掌握空间数据
南京信息工程大学博士研究生招生入学考试考试大纲科目代码：3027科目名称：信号检测理论与应用第一部分：大纲内容第一章信号检测的基础知识1.1理解信号检测的基本知识，掌握解析信号的定义与应用1.2理解希尔伯特变换的原理，特点，掌握希尔伯特变换的应用。1.3了解波形参数的定义，掌握不同波形参数之间的关系。第二章信号的线性检测2.1理解白噪声下的优线性处理理论，掌握匹配滤波器与相关函数的之间的关系及其应用
南京信息工程大学博士研究生招生入学考试考试大纲科目代码：3018科目名称：高等数学第一部分大纲内容函数、极限、连续1．理解函数的概念，掌握函数的表示法，并会建立简单应用问题中的函数关系式。2．了解函数的有界性、单调性、周期性和奇偶性。3．理解复合函数及分段函数的概念，了解反函数及隐函数的概念。4．掌握基本初等函数的性质及其图形，了解初等函数的概念。5．理解极限的概念，理解函数左极限与右极限的概念，以
南京信息工程大学博士研究生招生入学考试考试大纲科目代码：3023科目名称：高等数理统计第一部分大纲内容1.统计分布基础（1）理解统计结构；理解分位数的概念和意义，了解特征函数和数字特征；了解经验分布函数；（2）了解常见的离散型分布和连续型分布；了解一元非中心gamma分布及其有关分布；掌握指数族分布的定义，熟练掌握自然形式的指数族分布，了解带有多余参数的指数族分布；（3）了解次序统计量的基本分布；掌
第二部分说明1、基本要求：掌握模式识别的基本概念、基本原理、典型方法和实用技术，并且能灵活运用所学知识解决实际应用中的具体问题。2、分值比例：难易程度分为易、较易、较难、难四级，试题分数比例一般为：2：3：3：2。“了解”占15%，“理解（熟悉、能、会）”占40%，“掌握”占45%3、题型分布：概念题（20分）、简答题（20分）、计算题（40分）、应用设计题（20分）.4、其他规定：闭卷考试，考试时间180分钟。
一、大纲内容1.统计决策方法：小错误率贝叶斯决策、小风险贝叶斯决策、两类错误率、ROC曲线、正态分布时的统计决策、错误率的计算；2.概率密度函数估计：大似然估计、贝叶斯估计与贝叶斯学习、概率密度估计的非参数方法；3.线性分类器：线性判别分析的基本概念、Fisher线性判别分析、感知器、小平方误差估计、多类线性分类器；4.非线性分类器与神经网络：分段线性分类器、二次判别函数、多层感知器；5．支持向量机与核方法：优化分类超平面与线性支持向量机、核支持向量机、多类支持向量机、核Fisher判别分析；6.其他分类方法：近邻法、决策树、随机森林基本概念、罗杰斯特（
7、非监督学习与聚类了解非监督学习的基本概念，聚类的准则函数掌握聚类方法：K-均值聚类，模糊C-均值聚类，层次聚类，高斯混合模型，自组织特征映射。
第二部分说明1、基本要求：掌握模式识别的基本概念、基本原理、典型方法和实用技术，并且能灵活运用所学知识解决实际应用中的具体问题。2、分值比例：难易程度分为易、较易、较难、难四级，试题分数比例一般为：2：3：3：2。“了解”占15%，“理解（熟悉、能、会）”占40%，“掌握”占45%3、题型分布：概念题（20分）、简答题（20分）、计算题（40分）、应用设计题（20分）.4、其他规定：闭卷考试，考试时间180分钟。
二、说明1.基本要求目的是了解模式识别理论和技术的发展现状、应用领域及其特点，模式识别的基本理论和方法、应用。基本要求是熟练掌握模式识别的基本理论和方法；利用模式识别方法、运用技能解决实际问题的能力。2.分值比例与题型分布选择题：25%；填空题：30%；计算、应用、问答题：45%。3.其他规定闭卷考试。
7、非监督学习与聚类了解非监督学习的基本概念，聚类的准则函数掌握聚类方法：K-均值聚类，模糊C-均值聚类，层次聚类，高斯混合模型，自组织特征映射。
6、人工神经网络了解常用人工神经网络理解前馈神经网络及其主要算法掌握深度学习中的卷积神经网络。
2.分值比例与题型分布选择题：25%；填空题：30%；计算、应用、问答题：45%。
5、特征的选择与提取了解特征的选择原则和基本方法理解特征提取方法：基于欧氏距离度量的方法、基于概率距离判据的方法、基于散度准则函数的特征提取掌握特征选择方法：优搜索算法、次优搜索法，模拟退火算法、遗传算法等
3、线性判别函数了解线性判别函数的基本概念：两类问题的判别准则，多类问题的判别准则。理解线性分类器的训练：感知器算法，扩展的感知器算法，小错分样本数准则掌握小均方误差准则，随机小误差率线性判定准则
微信扫一扫
咨询技校问题
微信扫码
咨询技校问题
①由于各方面不确定的因素，有可能原文内容调整与变化，本网如不能及时更新或与相关部门不一致，请网友以权威部门公布的正式信息为准。
②本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。
③本网转载的文/图等稿件出于非商业性目的,如转载稿涉及版权及个人隐私等问题,请作者在两周内邮件xxx@qq.com联系。
