2022年硕士研讨生入学考试专业课考研大纲
请考生留心：
1、842人工智能基础归纳试题含信号与体系、算法方案与分析和机器学习三门课程的内容。一切课程均不指定参阅书。
2、试题总分为150分，每门课试题满分50分，三门课程的试题均计入考试成果。
《信号与体系》考试大纲(50分)
一、温习要害
(一)信号与体系序文
(1)信号与体系的概念;
(2)信号的描绘、分类及常用信号;
(3)信号的根柢运算。
(二)正交函数集与正交分化
(1)信号分化的物理意义;
(2)正交函数集;
(3)信号在正交函数集上的分化。
(三)接连周期信号的傅里叶级数
(1)接连周期信号在三角函数集上打开;
(2)接连周期信号傅里叶级数;
(3)有限项傅里叶级数与均方过失。
(四)接连信号的傅里叶改换
(1)非周期接连信号的傅里叶改换;
(2)典型信号的傅里叶改换;
(3)傅里叶改换的根柢性质;
(4)周期信号的傅里叶改换。
(五)拉氏改换
(1)拉氏改换的界说、物理意义;
(2)拉氏改换的根柢性质;
(3)拉氏逆改换;
(4)两边拉氏改换。
(六)接连时刻体系的时域分析
(1)体系的概念、标明与分类;
(2) lti体系分析办法概述;
(3)接连体系的时域经典分析法;
(4)零输入呼应与零状况呼应;
(5)卷积的界说与性质;
(6)卷积法求解体系呼应。
(七)接连时刻体系的s域分析
(1)体系函数;
(2)由体系函数零、极点分布分析时域特性;
(3)线性体系的平稳性分析。
(8)离散时刻体系的时域分析
(1)离散时刻信号(序列)及其标明;
(2)典型离散时刻信号;
(3)离散时刻信号的根柢运算;
(4)离散时刻体系的根柢概念描绘与分类;
(6)体系冲激呼应函数的求解。
(九)离散时刻体系的z域分析
(1) z改换及其收敛域;
(2)典型序列的z改换;
(3)逆z改换;
(4) z改换的根柢性质;
(5)体系函数与z域分析。
(十)离散信号的傅里叶分析
(1)离散周期信号的傅里叶级数dfs;
(2)序列的傅里叶改换离散时刻傅里叶改换dtft;
(3)离散傅里叶改换dft;
(4)快速傅里叶改换fft。
(十一)傅里叶改换及其图像处置使用
(1)数字图像简介;
(2)二维离散傅里叶改换2d dft及其性质;
(3) 2d dft在图像处置中的使用。
《算法方案与分析》考试大纲(50分)
一、全体需求
(一)掌控算法的界说、性质和标明办法，并可以运用伪代码对算法进行描绘;
(二)可以熟练选用渐近上界、渐近下界与渐近紧确界分析算法的运转时刻;
(三)掌控算法方案的常用办法，包括分而治之、动态方案、贪心、近似算法;掌控图的根柢概念和重要的基础图算法;
(四)掌控核算凌乱性的根柢概念和证明p类、np类疑问的办法;
(五)具有对简略核算疑问的建模、分析、算法方案、算法优化和编程求解才能。
二、温习要害
(一)渐近凌乱性分析
(1)o、ω、θ符号界说;
(2)分析给定算法的渐近凌乱性;
(3)比照具有不一样渐近上界的算法的功率;
(4)递归函数的运转时刻分析。
(二)常用算法方案办法的根柢思维和特征，以及关于具体疑问方案相应的算法并分析其功率
(1)分治算法
(2)动态计合算法
(3)贪心算法
(4)近似算法
(三) 图算法
(1)图的根柢概念和根柢性质;
(2)图的标明办法;
(3)图的遍历与查找办法;
(4)最小生成树和最短途径等图具体疑问算法。
(四) 核算凌乱性
(1)核算凌乱性的根柢概念，如断定疑问、优化疑问等;
(2)p类和np类疑问的界说和证明。
《机器学习》考试大纲(50分)
一、温习要害
(一) 机器学习基础算法：(1)
bayesian学习以及有关算法;(2)q学习根柢概念;(3)归纳学习-抉择计划树构建算法。
掌控机器学习打开前史、alphago技能的打开前史以及中心技能，掌控q学习的根柢办法;掌控vc维的界说，以及计算学习理论的根柢结论，深化了解经历风险和真实风险概念差异与联络;了解bayesian的根来历理，贝叶斯学习、朴素贝叶斯算法在有关实践疑问中使用;掌控hmm算法的根来历理;掌控信息熵概念的内在、id3算法构建进程、根据具体的实例，构建抉择计划树。掌控信息增益的概念，以及在构建抉择计划树时的物理意义。
(二)神经网络与深度学习：(1)线性分类器-感知机等;(2)传统神经网络-bp算法等;(3)深度学习-卷积神经网络等。
掌控线性分类器的构建办法，包括线性分类器的根柢方法、构建办法;掌控感知机的构建办法、fisher原则、最小均方过失原则。掌控机器学习里优化概念如何使用于线性分类器的方案。了解神经网络的反传算法根来历理、可以根据具体简略的网络实例写出反传公式的根柢方法。晓得经典深度神经网络模型、以及前沿技能，首要掌控卷积神经网络;了解卷积神经网络的构建进程、包括卷积操作的界说、pooling操作的界说等。
(三)计算学习分类器：(1)撑持向量机;(2)adaboost算法;(3)子空间学习与稀少标明。
了解计算学习理论的根来历理、撑持向量机的根来历理与线性分类器的联络。掌控撑持向量机的优化方针规划办法、优化算法以及使用。掌控adaboost的根来历理，弱分类器的根柢概念以及分类器交融算法。掌控子空间学习与稀少标明的根柢概念与思维，掌控主成分分析办法的具体进程、优化方针以及使用。根柢晓得fisher区别分析、核区别分析等等;晓得稀少标明办法与子空间学习的联络与差异。