2019年華南理工大學(xué)840信號與模式基礎(chǔ)綜合考研大綱及參考書目

• 2025考研復(fù)試伴學(xué)班
• 2025考研復(fù)試標(biāo)準(zhǔn)班
• 2026考研英語全程班
• 26考研全科上岸規(guī)劃營「擇校▪規(guī)劃▪備考」
• 華南理工大學(xué)2025考研專業(yè)課復(fù)習(xí)資料「真題▪筆記▪講義▪題庫」

從華南理工大學(xué)研究生院獲悉，華理2019年840信號與模式基礎(chǔ)綜合考研大綱及參考書目已公布，內(nèi)容如下：

參考書目教材：

《信號與系統(tǒng)》奧本海姆著，電子工業(yè)出版社

《模式識別》（第三版），張學(xué)工著，清華大學(xué)出版社

《機器學(xué)習(xí)》，周志華著，清華大學(xué)出版社

考試性質(zhì)

研究生招生初試考試科目

考試方式和考試時間

閉卷形式，考試時間180分鐘

試卷結(jié)構(gòu)

考試內(nèi)容和考試要求

考試大綱

信號系統(tǒng)部分：

1信號與系統(tǒng)
1.1 連續(xù)時間和離散時間信號
1.2指數(shù)信號與正弦信號
1.3單位沖激與單位階躍函數(shù)
1.4連續(xù)時間和離散時間系統(tǒng)
1.5基本系統(tǒng)性質(zhì)：記憶系統(tǒng)與無記憶系統(tǒng)，可逆性與可逆系統(tǒng),因果性,穩(wěn)定性,時不變性,線性

2線性時不變系統(tǒng)
2.1 離散時間線性時不變系統(tǒng)：卷積和
2.2 連續(xù)時間線性時不變系統(tǒng)：卷積積分
2.3 線性時不變系統(tǒng)的性質(zhì):交換律性質(zhì),分配律性質(zhì),結(jié)合律性質(zhì),可逆性,因果性,穩(wěn)定性
2.4 用微分和差分方程描述的因果線性時不變系統(tǒng)

3周期信號的傅里葉級數(shù)表示
3.1線性時不變系統(tǒng)對復(fù)指數(shù)信號的響應(yīng)
3.2連續(xù)時間周期信號的傅里葉級數(shù)表示
3.3連續(xù)時間傅里葉級數(shù)性質(zhì)
3.4離散時間周期信號的傅里葉級數(shù)表示
3.5離散時間傅里葉級數(shù)性質(zhì)
3.6濾波

4連續(xù)時間傅里葉變換
4.1 非周期信號的表示：連續(xù)時間傅里葉變換
4.2 周期信號的傅里葉變換
4.3 連續(xù)時間傅里葉變換性質(zhì)
4.4傅里葉變換性質(zhì)和基本傅里葉變換對列表

5離散時間傅里葉變換
5.1 非周期信號的表示：離散時間傅里葉變換
5.2 周期信號的傅里葉變換
5.3 離散時間傅里葉變換性質(zhì)
5.4傅里葉變換性質(zhì)和基本傅里葉變換對列表
5.5對偶性

6信號與系統(tǒng)的時域和頻域特性
6.1 傅里葉變換的模和相位表示
6.2 線性時不變系統(tǒng)頻率響應(yīng)的模和相位表示
6.3 理想頻率選擇性濾波器的時域特性
6.4 非理想濾波器的時域和頻域特性討論
6.5系統(tǒng)的時域分析與頻域分析

7采樣
7.1 用信號樣本表示連續(xù)時間信號：采樣定理
7.2 利用內(nèi)插由樣本重建信號
7.3 欠采樣的效果：混疊現(xiàn)象
7.4 連續(xù)時間信號的離散時間處理
7.5 離散時間信號采樣

8 信號系統(tǒng)分析技術(shù)在通信系統(tǒng)、控制等領(lǐng)域中的應(yīng)用，主要掌握基本概念及分析方法。

模式識別部分：

1  緒論（模式識別的基本問題）
1.1 什么是模式識別
1.2 模式識別的基本概念
1.3 模式識別的系統(tǒng)組成
1.4 模式識別方法分類

2 貝葉斯決策理論
2.1 最小錯誤決策
2.2 最小風(fēng)險決策
2.3 最小最大決策

3概率密度函數(shù)的估計
3.1 概率密度函數(shù)的參數(shù)估計
3.2 概率密度函數(shù)的非參數(shù)估計方法；

4線性判別函數(shù)
4.1 線性判別函數(shù)及廣義線性判別函數(shù)
4.2 線性分類器設(shè)計
4.3 梯度法與牛頓法
4.4 最小平方誤差準(zhǔn)則函數(shù)與H-K算法
4.5  Fisher線性判別函數(shù)
4.6 廣義線性判別函數(shù)

5其它分類器--K近鄰法
5.1 最近鄰法則
5.2  K近鄰法則與加權(quán)K近鄰法則

6非監(jiān)督模式識別系統(tǒng)與聚類
6.1 非監(jiān)督模式識別系統(tǒng)
6.2 類似性度量
6.3 聚類算法

7特征的選擇與提取
7.1  特征選擇
7.2  特征生成
7.3  特征提取