电子信息专业学位硕士研究生培养方案
专业学位代码名称：085410人工智能
一、培养目标：
本领域培养德、智、体、美全面发展，具有人工智能领域坚实基础理论、先进技术方法、宽广专门知识和良好职业素养，能够从事传感检测、系统控制、无人系统、智能算法、装备研发、行业大数据分析与决策等高新技术行业紧缺高端人才的高级工程技术和工程管理等方面的高素质应用型人才。具体目标为：
1. 热爱祖国，拥护党的基本路线和方针政策，具有良好的职业道德、科学严谨的学习态度和工作作风，遵纪守法，身心健康；
2. 掌握人工智能领域扎实的基础理论和系统的专门知识，熟练掌握一门外语；
3. 具有团队组织、交流沟通、合作竞争能力，具有人工智能领域相关技术标准、安全规范、环保法规及其应用能力；
4. 具有独立从事智能科学与工程中的规划、设计、开发、实施与管理等能力。
二、研究方向简介：
1. 人工智能理论及应用
研究包括计算机视觉、智能无人系统和智适应学习等人工智能关键技术的理论和方法，涉及图像处理与计算机视觉、大数据与智能信息处理、机器学习与机器博弈、机器感知与模式识别、智能控制、智能通信等。通过与数学、计算机、控制、机电、能源等传统学科领域的交叉融合，解决智能通信、智慧交通、智能家居、智慧城市、智慧矿山、智慧能源等领域的人工智能系统应用问题。
2. 智能控制与工业智能
将现代电子技术、信息技术、控制技术和计算机技术应用到工业生产系统和装备的信息化、智能化中，涉及控制系统网络结构、信息传输和现场总线技术、物联网技术、仪器仪表技术、计算机工程与应用、监测监控与故障诊断、智能传感技术与网络及工业企业信息化理论与技术，提高工业现代化水平。
3. 智慧能源与智能运维
本研究方向围绕风力发电、光伏发电、储能装备等新能源装备的智能化与运行安全问题，基于先进传感技术、新一代人工智能技术和先进控制技术开展前沿交叉研究，为能源系统智能化和可靠性运行赋能。主要研究领域包括：新能源发电装备的智能控制技术、数字孪生系统、健康状态监控与评估、故障诊断与剩余寿命预测、智能运维策略与算法、能源系统智能巡检技术、软硬件系统自主可控等。
三、学制及学分要求：
1. 学制与学习年限
本专业学位硕士研究生学制3年，包括完成学位论文答辩。
硕士论文答辩前应完成规定的学分和各培养环节，达到学校规定的毕业条件。最长在校学习年限不超过6年（包括休学时间）；提前完成培养计划者，经规定的审批程序可提前毕业并获得学位，但获得正式学籍后的在校时间不能少于2年。
2. 学分要求
本专业学位硕士研究生总学分34学分，学位课21学分，课程学分不少于24学分，16学时计1学分。
学位论文开题2学分，论文中期检查（学术报告）2学分，预答辩1学分（专业型）。专业实践（不含课程实践）5学分。
四、实践环节要求
专业实践是熟悉本行业工作流程和职业技术规范，获得实践经验、提高实践能力的重要环节。专业实践可采用集中实践和分段实践相结合的方式。具有2年及以上企业工作经历的研究生专业实践时间不少于6个月，不具有2年企业工作经历的研究生专业实践时间累计不少于 1年。专业实践必须是面向本专业领域的实际工作，实践环节可按专业实践类课程实验、企业实践、课题研发、课外科技活动或案例研究等形式开展，实践内容可根据不同的实践形式由学校导师或学校与企业导师协商决定。实践过程中应定期对学生实践效果进行指导、评价和监督。实践总结报告要有一定的深度、独到的见解。实践成果应直接服务于实践单位的工程规划、工程设计、技术研究、产品开发、技术改造和生产组织与管理。
五、中期考核：
修完规定的课程学分方可进入中期考核，考核时间定在第4学期完成；考核内容包括思想政治与专业学习、学术活动等方面的综合结论，具体要求参见学校有关规定；未参加中期考核或中期考核未通过者不能进行学位论文中期进展。研究生填写《湖南科技大学研究生中期考核表》，导师和学位点考核小组给出考核意见。
六、培养方式：
本专业学位研究生采用全日制的学习方式，采用课程学习、专业实践和学位论文相结合的培养方式。导师是研究生培养第一责任人。通过基地共建、项目合作等方式构建多元一体的合作培养模式。
1. 课程学习采用讲授、自学、讨论相结合的方式，注重案例教学，强调学生自学，组织咨询辅导；加强实践环节。开题、中期考核、学位论文中期检查、预答辩等培养环节由导师组集体指导。
2. 专业实践原则上要到企业进行，时间不得少于半年，其中不具有2年企业工作经历的研究生专业实践时间应不少于1年。可采用集中实践和分段实践相结合的方式。
3. 学位论文工作要结合专业实践进行，论文选题必须强化应用导向，具备工程背景，论文工作的有效时间不得少于一年。
七、学位论文（实践成果）与学位申请
1.学位论文选题
选题应直接来源于生产实际或具有明确的工程背景，应具有一定的理论深度和先进性，拟解决的问题要有一定的技术难度和工作量，其研究成果要有实际应用价值和较好的推广价值，主题要鲜明具体，避免大而泛。选题范围可以涵盖但不限于：一个较为完整的工程技术项目或工程管理项目的设计或研究专题；技术攻关、技术改造、技术推广与应用；新工艺、新材料、新产品、新设备的研制与开发；一个较为完整的工程技术项目的规划或研究。
2.学位论文开题
研究生学位论文开题在第 3 学期完成，一般要求开题通过一年后方可进行学位论文答辩；第一次开题未通过者须在三个月内进行第二次开题，两次开题均未通过者，延期半年再次开题；第三次开题未通过者，一般应分流淘汰。学位论文开题时，在导师负责的同时，应辅以导师组集体把关，提高选题的科学性、可行性和前沿性；开题报告字数应不少于 5000 字，并应包含选题的目的和意义、文献综述、论文框架结构、研究方法与创新点、主要参考文献。
3.学位论文中期进展报告
学位论文中期进展报告，一般在第 5 学期进行，由学位点组织 5 人以上的专家小组，对研究生学位论文的选题是否变化情况、研究生的综合能力（含学术论文发表）、学位论文工作进展情况及工作态度和精力投入等进行全面考查。中期检查审查合格后方可继续学位论文的工作。参加中期检查的研究生学位论文至少完成 1/2 以上的写作任务，且提前5天将中期检查材料送达专家组成员，否则不能参加中期检查。学位论文选题与开题报告确定的选题有较大出入的，中期检查不能通过。中期检查不通过的，于3个月后可再次进行中期检查，再次检查仍未通过者，原则上进行分流淘汰。
4.预答辩
提交毕业申请报告获准后，进行预答辩。预答辩一般在第 6学期初进行，由学位点组织不少于5人的预答辩专家组，对研究生学位论文进行预答辩。预答辩必须获得专家组 2/3以上票数才算通过。预答辩不通过者须根据专家意见修改学位论文或实践成果，在四个月后、一年以内重新申请预答辩，仍未通过者按结业处理。
5.学位论文送审
预答辩通过后，学位论文须按研究生院规定进行机检和查重，若论文“复制比”不超过20%，研究生应在导师指导下进行修改，修改后可进入送审环节；若“复制比”处于20%至30%之间，须由导师对重复内容进行认定并提出修改意见，研究生依此意见修改后，提交学院审查，经学位评定分委员会审议通过，提交《学位论文原创性审查意见书》后送审。
学位论文全部采用双盲评阅，需送至少2位同行专家评阅，其中至少应含1位相应行业实践领域专家和1位校外专家。若论文评阅分数1个低于 60 分且 1 个不低于 80 分，则 增聘1 位专家评阅。若论文评阅分数仅有 1个低于70 分，研究生须对论文进行重大修改，并填写《学位论文修改情况表》，经导师、学位点负责人、学院分管领导及学位评定分委员会审批通过后，方可申请答辩；如果论文评阅分数有 1 个低于 60 分（除上述可加送情况外）或者有2 个低于70分的，则须修改学位论文且时间不少于四个月，再重新送审
6.学位论文答辩
答辩前成果须符合《湖南科技大学电子信息（人工智能领域）专业学位硕士研究生学位授予标准》。
答辩委员会由不少于5位本领域或相关领域的专家组成；答辩委员会成员中应有来自相应行业应用实践领域的高级专业技术职称专家。学位申请人导师不能聘为论文答辩委员会委员。学位论文答辩以公开形式举行，答辩委员会就答辩人硕士学位论文水平进行审议，采取不记名投票表决方式进行表决，经全体委员三分之二以上同意，方可作出建议授予学位的决议。对答辩不合格者，答辩委员会须就是否同意修改论文以及在四个月以后、半年内重新答辩作出决议。
1. 创新能力评分需至少达到2分，具体评分规则如下：
（1）以第一作者（或导师为第一作者，研究生为第二作者），在 CSCD（含扩展版）及其以上期刊、北大中文核心期刊上发表或录用学术论文（分别计4 分/篇、2 分/篇），或在本领域重要国内外学术会议发表或录用 EI 检索论文（提供会议注册和参会照片等支撑材料）（2 分/篇）。
（2）获得研究生省级及以上学科竞赛（排名前三）三等奖（1 分/项），二等奖（2 分/项），一等奖（4 分/项），若三人参与则获奖分别按 50%、30%、20%记分；若二人参与则获奖分别按 50%、50%记分。
（3）以第一申请人（或导师为第一申请人，研究生为第二申请人）结合本专业领域工程实践项目申请发明专利进入实审（1 分/件）、获得授权（4 分/件），或授权实用新型专利（1 分/件）。
（4）在生产实践单位作为主要研发人员参与行业标准制定，须生产实践单位提供正式标准文书（2 分/项）。
2. 申请提前毕业者的成果须累计不少于 8 分，并经本人申请，导师同意，学院学位评定委员会审核，学校研究生院认定后可提前申请硕士学位。
研究生必须完成本培养方案中规定的所有环节、修满学分、成绩合格，达到学院规定的成果要求，方可申请参加学位论文答辩。答辩委员会由不少于 5 位本领域或相关领域的专家组成；答辩委员会成员中应有来自相应行业领域的高级专业技术职称专家。
八、主要管理环节
序号 |
项 目 |
时间安排 |
组织与考核专家 |
1 |
研究生制定个人培养计划 |
第1学期 （入学当月完成） |
指导教师。 |
2 |
开题报告（研究生向专家作开题报告，填写提交审定的《开题报告》） |
第3学期 （放假前完成） |
学院统一布置； 学科导师组评议指导。 |
3 |
中期考核 |
第4学期 （放假前完成） |
学院组织。 |
4 |
论文中期检查（研究生向专家作论文研究进展报告，填写提交《论文中期检查情况表》 |
第5学期 （10月完成） |
学院统一布置； 学科导师组检查、指导。 |
5 |
论文预答辩和论文修改 |
第6学期 （3月完成） |
导师； 学科导师组。 |
6 |
论文送审（按评审意见修改） |
第6学期 （4月完成） |
学院（导师）； 研究生院。 |
7 |
论文答辩 |
第6学期 （5月完成） |
学院组织。 |
备注：非全日制专业学位和“硕师计划”教育硕士参照三年制硕士主要管理环节
九、个人培养计划
本学科研究生应在入学后一个月内，在导师及导师组的指导下依据本学科培养方案的要求制定和提交《硕士研究生个人培养计划》，包括课程学习和学位论文工作计划。学位论文工作包括研究方向，已有工作基础，研究计划和时间安排等，从提交合格的开题报告日期起到论文答辩，学位论文工作的时间不得少于1年。
九、课程设置
课程 类别 |
课程编号 |
课程名称 |
学 分 |
学 时 |
开课学期 |
开课单位 |
备注 |
1 |
2 |
3 |
4 |
学 位 课 （不少于20学分） |
公 共 课 |
G25000001 |
中国特色社会主义理论与实践研究 Research on Theory and Practice of Socialism with Chinese Characteristics |
2 |
32 |
√ |
|
|
|
马克思主义学院 |
必修 |
G25000003 |
自然辩证法概论Introduction to Dialectics of Nature |
1 |
16 |
√ |
|
|
|
G25000004 |
综合英语 Comprehensive English |
2 |
32 |
√ |
|
|
|
外语学院 |
必修 |
G25000006 |
翻译与写作（Translation and Writing） |
1 |
16 |
|
√ |
|
|
外语学院 |
必修 |
G25000008 |
工程伦理 Engineering Ethic |
1 |
16 |
√ |
|
|
|
马克思主义学院 |
必修 |
基础理论课 |
Z26040401
|
人工智能理论及应用Artificial Intelligence: Theories and Applications |
3 |
48 |
√ |
|
|
|
信息学院 |
必修 |
G25000011 |
矩阵论 Theory of Matrix |
3 |
48 |
√ |
|
|
|
数学学院 |
必修 |
领域主干课 |
Z26040402 |
人工智能领域前沿讲座 Frontier Lectures on Artificial Intelligence |
2 |
32 |
√ |
|
|
|
信息学院 |
必修 |
Z26040403 |
机器人控制技术 Robot Control Technology |
2 |
32 |
√ |
|
|
|
|
Z26040404 |
现代信号处理技术 Modern Signal Processing Technology |
2 |
32 |
|
√ |
|
|
必修 |
Z26040405 |
机器学习 Machine Learning |
2 |
32 |
|
√ |
|
|
必修 |
非 学 位 课 |
领域方向选修课 |
Z26041401 |
学术论文写作 Academic Writing |
1 |
16 |
√ |
|
|
|
信息学院 |
限选 |
Z26041402 |
嵌入式系统及应用Embedded System and Application |
2 |
32 |
|
√ |
|
|
信息学院 |
至少选1门 ³2 学分 |
Z26041403 |
人工智能大模型原理与应用 Principles and Applications of Large AI Models |
2 |
32 |
|
√ |
|
|
Z26041404 |
智能机器人技术 Intelligent Robot Technology |
2 |
32 |
|
√ |
|
|
Z26041405 |
电力电子系统建模与仿真 Power Electronic System Modeling and Simulation |
2 |
32 |
|
√ |
|
|
Z26041406 |
新能源发电智能控制 Intelligent Control of New Energy Power Generation |
2 |
32 |
|
√ |
|
|
Z26041407 |
网络化控制系 Networked Control System |
2 |
32 |
|
√ |
|
|
Z26041408 |
智能控制 Intelligent Control |
2 |
32 |
|
√ |
|
|
Z26041409 |
最优控制及其应用最优控制及其应用 Optimal Control and Its Applications |
2 |
32 |
|
√ |
|
|
Z26041410 |
数字控制系统分析与设计Analysis and Design of Digital Control Systems |
2 |
32 |
|
√ |
|
|
Z26041411 |
故障诊断与智能运维 Fault Diagnosis and Intelligent Operation & Maintenance |
2 |
32 |
|
√ |
|
|
Z26041412 |
机器人系统与应用 Robotic Systems and Applications |
2 |
32 |
|
√ |
|
|
Z26041413 |
数据挖掘与机器学习 Data Mining and Machine Learning |
2 |
32 |
|
√ |
|
|
Z26041414 |
智能网联系统 Intelligent Connected Systems |
2 |
32 |
|
√ |
|
|
Z26041415 |
大数据分析与先进计算 Big Data Analysis and Advanced Computing |
2 |
32 |
|
√ |
|
|
Z26041416 |
机器视觉与图像处理Machine Vision and Image Processing |
2 |
32 |
|
√ |
|
|
Z26041417 |
人工智能综合实验Comprehensive Experiments in Artificial Intelligence |
2 |
32 |
|
√ |
|
|
Z26041418 |
工业智能 Industrial Intelligence |
2 |
32 |
|
√ |
|
|
Z26041419 |
信息物理系统 Cyber-Physical Systems |
2 |
32 |
|
√ |
|
|
Z26041420 |
工业软件 Industrial Software |
2 |
32 |
|
√ |
|
|
Z26041421 |
云计算与边缘计算 Cloud Computing & Edge Computing |
2 |
32 |
|
√ |
|
|
Z26041422 |
运筹学与最优化方法 Operations Research and Optimization Methods |
2 |
32 |
|
√ |
|
|
Z26041423 |
人工智能案例分析 AI Case Analysis |
2 |
32 |
|
√ |
|
|
信息学院+企业 |
|
补修课程 |
Z26041420 |
人工智能基础 Fundamentals of Artificial Intelligence |
2 |
32 |
√ |
|
|
|
信息学院 |
跨学科或同等学力学生补修 |
Z26041422 |
算法设计与分析 Algorithm Design and Analysis |
2 |
32 |
√ |
|
|
|
学位论文 |
学位论文开题 |
2 |
第三学期 |
信息学院 |
|
论文中期检查（研究生作进展报告） |
2 |
第五学期 |
信息学院 |
|
预答辩 |
1 |
第六学期 |
信息学院 |
|
实践环节 |
主要是专业实践，以参加生产实践或课外科技活动的形式完成 |
8 |
第5学期前完成 |
学术活动 |
|
学术活动的主要形式包括听学术报告、专家讲座，参加学术会议、参加学校或省级研究生论坛报告会、研讨等。须参加学术活动5次以上，其中本人主讲报告至少1次。 |
必修 |
附1:需阅读的主要经典著作和专业学术期刊目录
（1）著作
1. [美]伊恩·古德费洛（Ian Goodfellow） [加]约书亚·本吉奥（Yoshua Bengio） [加]亚伦·库维尔（Aaron Courville）著，深度学习, 人民邮电出版社,2021.
2. 王万良.人工智能通识教程,清华大学出版社，2022.
3. Stuart J.Russell.人工智能：一种现代的方法. 清华大学出版社,2013.
4. 吴敏, 何勇, 佘锦华.鲁棒控制理论, 高等教育出版社, 2010.
5. Hassan K. Khalil. 非线性系统(第3版, 英文版), 北京: 电子工业出版社, 2007.
6. 朱晓青. 数字控制系统分析与设计. 北京: 清华大学出版社, 2015.
7. 韩正之. 自适应控制. 北京: 清华大学出版社, 2011.
8. 孙常春. 基于切换方法的系统稳定性分析与鲁棒控制. 北京: 清华大学出版社, 2017.
9. 张友安. 非线性模型预测控制方法, 电子工业出版社, 2017.
10. Dimitri P. Bertsekas. 强化学习与最优控制, 北京: 清华大学出版社, 2020
11. 郭齐胜. 系统建模与仿真. 国防工业出版社，2007
12. 刘朝华，吕明阳，陈磊，许岳兵.大数据智能分析与先进计算, 中南大学出版社,2022
13. 周志华.机器学习. 清华大学出版社,2016
14. 刘朝华，混合免疫智能算法理论及应用.电子工业出版社，2014
15. Tom. M. Mitchell著,曾华军等译.Machine Learning,机械工业出版社,2008
16. Ian Goodfellow, Yoshua Bengio等著，赵申剑等译.Deep learning, 人民邮电出版社,2017.
17. George F. Luger.人工智能：复杂问题求解的结构和策略,机械工业出版社,2004
18. 黄竞伟, 朱福茜, 康立山.计算智能,科学出版社,2010
19. 章毓晋,计算机视觉教程.人民邮电出版社,2017.
20. 陈万米,机器人控制技术.机械工业出版社,2017
21. 邱锡鹏,神经网络与深度学习.机械工业出版社,2020.
22. 彭进香、张莉.大数据处理技术与应用,清华大学出版社，2020
23. 孙仕亮、赵静,模式识别与机器学习,清华大学出版社，2020
24. 王洪元、张继.人工智能基础：算法与编程,清华大学出版社，2024
25. 梁艳春,群智能优化算法理论与应用,科学出版社，2009.
（2）期刊
1. Automatica/Elsevier
2. IEEE Transactions on Automatic Control/IEEE
3. IEEE Transactions on Control Systems Technology/IEEE
4. IEEE Transactions on Cybernetics/IEEE
5. IEEE Transactions on Systems, Man and Cybernetics: Systems/IEEE
6. IEEE-ASME Transactions on Mechatronics/IEEE
7. IEEE Transactions on Neural Networks and Learning Systems/IEEE
8. IEEE Transactions on Fuzzy Systems/IEEE
9. IEEE Transactions on Neural Network/IEEE
10. IEEE Transactions on Circuits and Systems I: Regular Papers/IEEE
11. IEEE Transactions on Circuits and Systems II: Express Briefs/IEEE
12. IEEE Transactions on Automation Science and Engineering/IEEE
13. IEEE Systems, Man and Cybernetics Magazine/IEEE
14. International Journal of Simulation Modelling/SIMM
15. Journal of The Franklin Institute/Elsevier
16. Journal of Process Control/Elsevier
17. Journal of Machine Learning Research/JMLR
18. International Journal of Control/Taylor & Francis Online
19. International Journal of Systems Science/Taylor & Francis Online
20. International Journal of Robust and Nonlinear Control/Wiley
21. IET Control Theory and Applications/IET
22. SIAM Journal on Control and Optimization/SIAM
23. IMA Journal of Mathematical Control and Information/OXFORD ACADEMIC
24. Control Engineering Practice/Elsevier
25. Systems & Control Letters/Elsevier
26. European Journal of Control/Elsevier
27. Information Sciences/Elsevier
28. Asian Journal of Control/Wiley
29. Neurocomputing/Elsevier
30. Evolutionary Computation/The MIT Press
31. Optimal Control Applications and Methods/Wiley
32. Fuzzy Sets and Systems/Elsevier
33. IEEE Transactions on Pattern Analysis and Machine Intelligence/IEEE
34. IEEE Transactions on Neural Networks and Learning Systems/IEEE
35. IEEE Transactions on Image Processing/IEEE
36. Artificial Intelligence/Elsevier
37. IEEE Transactions on Evolutionary Computation/IEEE
38. Pattern Recognition/Elsevier
39. IEEE Transactions on Knowledge and Data Engineering/IEEE
40. Information Fusion/Elsevier
41. Neural Networks/Elsevier
42. IEEE Intelligent Systems/IEEE
43. Knowledge-Based Systems/Elsevier
44. Engineering Applications of Artificial Intelligence/Elsevier
45. IEEE Transactions on Artificial Intelligence/IEEE
46. Expert Systems With Applications/IEEE
47. IEEE Transactions on Industrial Electronics/IEEE
48. IEEE Transactions on Industrial Informatics/IEEE
49. IEEE Transactions on Fuzzy Systems/IEEE
50. IEEE Systems, Man and Cybernetics Magazine/IEEE
51. Journal of Machine Learning Research/JMLR
52. European Journal of Control/Elsevier
53. Information Sciences/Elsevier
54. Neurocomputing/Elsevier
55. Evolutionary Computation/The MIT Press
56. Optimal Control Applications and Methods/Wiley
57. Fuzzy Sets and Systems/Elsevier
58. 中国科学: 信息科学(含中文版和英文版)/《中国科学》杂志社
59. 自动化学报/中国自动化学会
60. 控制理论与应用/华南理工大学
61. 控制与决策/东北大学
62. 信息与控制/中国自动化学会
63. 计算机学报/中国计算机学会
64. 软件学报/中国计算机学会
65. 计算机研究与发展/中国计算机学会
66. 模式识别与人工智能/中国自动化学会
67. 智能系统学报/中国人工智能学会
附2:学位课程教学大纲
人工智能理论及应用
课程编号：Z26040401
一、计划总学时： 48 学分： 3 开课学期： I
授课方式：课堂教学与研讨 考核方式：考试（闭卷）
二、适用专业：电子信息（人工智能领域）
三、预修课程：线性代数、矩阵论
四、教学目的：
本课程是电子信息（人工智能）等硕士研究生的重点基础理论课，是人工智能研究中的经典理论和方法，而且对专家系统、机器学习、模式识别、分布式人工智能等也有较为全面的概括和说明，有利于帮助研究生充分掌握人工智能的基本理论，并为其后续深入研究奠定扎实基础。因此，本课程在整个人工智能体系中占有非常重要的地位。
主要讲授启发式搜索、推理、知识表示、人工智能系统和语言等经典理论、方法和技术，并对如模式识别、多智能体、机器学习等发展相对成熟的人工智能热点和重点研究领域。
五、教学内容：
第1章为绪论，介绍了人工智能的基本概念、发展历史、研究目标、研究途径以及研究领域等。
第2章为知识表示，讨论了人工智能的典型知识表示技术，以及基于这些知识表示技术的推理方法等。
第3章为搜索策略，主要讨论状态空间图的盲目搜索、启发式搜索、与/或图搜索和博弈树搜索等。
第4章为逻辑推理，对命题逻辑、谓词逻辑、非单调逻辑、多值逻辑和模糊逻辑及其推理技术作了介绍，重点给出了归结原理的基本原理和应用方法。
第5章为不确定性推理，讨论了确定性理论、主观Bayes方法、证据理论、贝叶斯网络、模糊推理等不确定性推理技术。
第6章为专家系统，给出了专家系统构建的基本原理、方法和实例。
第7章为机器学习，讨论了有关机器学习的基本概念，以及一些重要的机器学习方法，主要包括决策树学习、变型空间学习、基于解释的学习、人工神经网络和进化计算等。
第8章为模式识别，主要介绍统计模式识别方法，并对其他模式识别技术如结构模式识别方法、模糊模式识别方法、神经网络识别方法加以概述。
第9章为Agent和多Agent系统，从分布式人工智能的概念出发，介绍Agent基本理论、多Agent系统的体系结构、通信机制以及协调协作机制，为分布式系统的分析、设计、实现和应用提供解决方法。
第10章为人工智能在电力系统中的应用，给出了人工智能在电力系统故障诊断、电力巡检和电力大数据分析中的应用实例。
六、主要参考书：
1. 王万良.人工智能通识教程,清华大学出版社，2022.
2. Stuart J.Russell.人工智能：一种现代的方法. 清华大学出版社,2013.
3. [美]伊恩·古德费洛、[加]约书亚·本吉奥、[加]亚伦·库维尔. 深度学习.人民邮电出版社, 2021.
人工智能领域前沿讲座
课程编号：Z26040402
一、计划总学时： 32 （其中实验 0 学时） 学分： 2 开课学期： Ⅰ
授课方式：课堂教学与研讨 考核方式：论文报告
二、适用专业：电子信息（人工智能领域）
三、预修课程：人工智能理论及应用，模式识别与机器学习
四、教学目的：
让学生系统地了解人工智能领域的主要的研究方向（人工智能理论及应用、智能控制与工业智能、智慧能源与智能运维），汲取本学科各研究方向的最新研究成果，知晓本学科各研究方向的最新研究方法，从而开拓学术视野，培育创新精神，启发科研思路，提高学生的科研能力。
五、教学内容：
1、人工智能理论及应用
主要讲授计算机视觉、智能无人系统和智适应学习等人工智能关键技术的理论和方法，涉及图像处理与计算机视觉、大数据与智能信息处理、机器学习与机器博弈、机器感知与模式识别、智能控制、智能通信等智能技术及应用。
2、智能控制与工业智能
主要讲授现代电子技术、信息技术、控制技术和计算机技术应用到工业生产系统和装备的信息化、智能化中，涉及控制系统网络结构、信息传输和现场总线技术、物联网技术、仪器仪表技术、计算机工程与应用、监测监控与故障诊断、智能传感技术与网络及工业企业信息化理论与技术。
3、智慧能源与智能运维
主要讲授新能源装备的智能控制技术、数字孪生系统、健康状态监控与评估、故障诊断与剩余寿命预测、智能运维策略与算法、能源系统智能巡检技术、软硬件系统自主可控等。
实 验： 无
六、教材及主要参考书：
本课程为前沿讲座，讲授内容随着本学科各研究方向的发展动态而不断调整，无固定教材，参考书主要为本学科国内外高水平期刊。
机器人控制技术
课程编号：Z26040403
一、计划总学时： 32 （其中实验 0 学时） 学分： 2 开课学期： Ⅱ
授课方式：课堂教学与研讨 考核方式：考试（闭卷）
二、适用专业：电子信息（控制工程领域）
三、预修课程：高等数学，机器人基础，自动控制理论，现代控制理论
四、教学目的：
通过对本课程的学习，使学生理解机器人学的基本内容，掌握机器人技术的基础知识，包括机器人的模型描述、机器人的运动学、机器人的动力学、机器人位置和力控制、机器人传感器、机器人轨迹规划、机器人程序设计等，具备机器人系统的分析和设计能力，为机器人技术研发和解决复杂机器人系统工程问题打下良好的基础。
五、教学内容：
1. 绪论
了解机器人的起源与发展、定义、分类和研究领域；掌握机器人的结构与特点。包括， 机器人学的起源与发展， 机器人的定义和特点， 机器人的构成与分类， 机器人学的研究领域。
2. 机器人的数学模型
掌握空间任意点的位置和姿态的表示；掌握齐次变换的数学基础；掌握物体的变换与逆变换以及通用旋转变换。 位置和姿态的表示，平移和旋转坐标变换，平移和旋转齐次坐标变换，物体的变换及逆变换， 通用旋转变换。
3. 机器人运动学
了解机械手运动姿态和方向角的表示、平移变换的不同坐标系表示；掌控广义连杆和广义变换矩阵；掌握机器人运动方程的求解、机器人的雅可比公式， 机器人运动方程的表示，机器人运动方程的求解， 机器人运动的分析与综合举例，机器人的雅可比公式。
4.机器人动力学
掌握拉格朗日-欧拉法建立机械臂的动力学方程；了解机器人动态特性和静态特性。 刚体的动力学方程，机械手动力学方程的计算与简化，机械手动力学方程举例，机器人的动态特性， 机械手的静态特性。
5.机器人位置与力控制
理解机器人控制的分类和传动系统；掌握机器人的位置控制方法；掌握机器人的力和位置的混合控制方法，了解单关节机器人控制建模与控制原理；掌握机器人的分解运动控制， 机器人控制与传动概述， 机器人的位置控制， 机器人的力和位置混合控制， 机器人的分解运动控制，机器人现代控制方法。
6.机器人传感器
理解机器人传感器的特点与分类，掌握机器人内传感器和外传感器，掌握机器人视觉装置， 机器人传感器概述，内传感器，外传感器，机器人视觉装置。
7.机器人轨迹规划
理解轨迹规划应考虑的问题，掌握轨迹的实时生成方法；掌握笛卡儿运动与轨迹规划方法、轨迹控制多项式。 轨迹规划应考虑的问题， 关节轨迹的插值计算， 笛卡儿路径轨迹规划， 规划轨迹的实时生成。
8.机器人伺服控制
理解伺服控制的基本理论并能够运用机器人中的伺服控制技术，掌握机器人视觉基础，摄像机及视觉系统标定，机器人视觉识别，视觉测量与控制。
六、教材及主要参考书：
1.蔡自兴，谢斌主编，《机器人学（第三版）》，清华大学出版社，2015年。
2.宋伟刚，柳洪义主编，《机器人技术基础》，冶金工业出版社，2015年。
3.刘极峰，丁继斌主编，《机器人技术基础（第2版）》，高等教育出版社，2012年。
4.郭彤颖，安冬主编，《机器人学及其智能控制》，人民邮电出版社，2014年。
5.刘金琨主编，《机器人控制系统的设计与MATLAB仿真》，清华大学出版社，2008年。
现代信号处理技术
课程编号：Z26040404
一、计划总学时： 32 学分： 3 开课学期： Ⅱ
授课方式：课堂教学 考核方式：论文报告
二、适用专业：电子信息（控制工程领域）
三、预修课程：检测与转换技术、数字信号处理、信号与系统
四、教学目的：
本课程系统介绍现代检测中的信息获取、转换、处理、识别等方面原理方法及应用技术。通过本课程的学习，使学生掌握现代检测中各种物理量获取与转换、处理与识别的先进检测理论及方法，了解现代监测系统网络化、智能化、分布式的关键技术；为建立精确检测模型，研发满足实际工程应用的测控新产品打下基础。
五、教学内容：
1．现代传感技术
系统地阐述现代工业、农业、商业、国防、科研、文教、医疗、卫生和家庭生活等各个领域广泛应用的各种现代传感技术的基本理论和相应的主要现代传感器件工作原理、结构、特性以及具体应用实例。从传感器的基础理论入手，围绕传感技术的应用，介绍现代传感技术的共性知识，通过介绍典型传感技术和实际应用中传感系统的组成、结构，使学生掌握传感器及测试系统的原理、结构和应用的一般规律，以便举一反三，能通过检索、阅读相关资料轻松使用新的传感器。
2．传感信号的转换与处理
介绍传感器获取信息到离散数字信号的相关转换与处理技术，主要内容包括信号传输、信号的放大、信号滤波器、调制与解调、模数转换等。使学生掌握现代测试中传感器接口通道的干扰抑制、基准源、放大与反馈、调制与解调、恒流与限流、抗混与转换等单元的基本原理和应用技巧，能根据传感器技术指标设计出相应的检测系统。
3．现代数字信号处理与分析方法
介绍离散时间系统的信号表示和变换（傅立叶变换、小波变换、Hilbert变换、离散余弦变换等 ），阐述相关函数、协方差函数与功率谱密度、信号解调、信号滤波等基本概念。使学生能够运用Wiener 滤波、Kalman 滤波、LMS自适应滤波、AR 谱估计、高阶统计分析等方法进行检测信号的分析与处理。
4．检测系统智能化方法与技术
介绍将神经网络、遗传算法、专家系统、模糊逻辑等智能方法用于实现网络化、智能化、分布式现代检测系统的关键技术。使学生掌握检测系统的非线性自校正、检测系统自校零和自校准、检测数据噪声抑制、频率补偿、信息（数据）融合等技术。
5．智能检测系统实现案例分析
以教师从事的实际科研项目为基础，介绍智能检测系统的具体方案设计、涉及的关键技术和智能方法的实际应用。使学生能够将本课程所学知识运用到智能检测与传感系统、软测量技术与智能化装置、现代测控技术及仪器仪表等领域。
六、教材及主要参考书：
1．付华. 智能检测与控制技术, 电子工业出版社, 2015.
2．刘君华. 智能传感器系统, 西安电子科技大学出版社, 2010.
3．赵茂泰. 智能仪器原理及应用, 电子工业出版社, 2009.
4．杨万海. 多传感器数据融合及其应用, 西安电子科技大学出版社, 2006.
5．张贤达. 现代信号处理, 清华大学出版社, 2015.
6．胡广书. 数字信号处理——理论、算法与实现（第3版）, 清华大学出版社, 2012.
7．姚天任, 孙洪尹. 现代数字信号处理, 华中科技大学出版社, 2012.
8．Petre Stoica等著. 吴仁彪等译. 现代信号谱分析, 电子工业出版社, 2012.
模式识别与机器学习
课程编号：ZL040105
一、计划总学时： 32 （其中实验 8 学时） 学分： 2 开课学期： Ⅱ
授课方式：课堂教学与研讨 考核方式：考试
二、适用专业：电子信息（控制工程领域）
三、预修课程：模式识别与智能计算
四、教学目的：
本课程为计算机工程、信息工程等专业研究生的专业课程。通过本课程的学习，要求重点掌握模式识别概述、特征的选择与优化。掌握基于概率统计的贝叶斯分类器设计和判别函数的分类器设计。要求学生了解神经网络分类器设计、决策树分类器设计以及粗糙集分类器设计。
五、教学内容：
1．模式识别概述，模式识别就是机器识别、计算机识别或机器自动识别，目的在于让机器自动识别事物，通过其基本概述，让学生了解如何通过模式识别进行信号处理与人工智能的基础学习。
2. 特征的选择与优化，在实际应用中，样本数目很多的情况下，使用特征的选择与优化强烈地影响到分类器的设计及其性能，学会如何进行特征的选择与优化可以很好的解决样本数目多的情况。
3. 模式相似性测度，这是模式识别中最基本的研究问题，判断样品之间的相似性，从而确定待测试样品的分类。
4. 基于概率统计的贝叶斯分类器设计、判别函数分类器设计、神经网络分类器设计、
重点介绍如何找到一个分离函数来进行分类任务，介绍由人工神经网络所发展起来的神经网络分类器来实现不同分类情况、决策树分类器设计方法和粗糙集分类器设计方法。
5、神经网络，主要讲述神经元模型、 感知机与多层网络、 误差逆传播算法、 全局最小与局部极小、其他常见神经网络等神经网络基本结构模型、算法设计及应用。
6、 深度学习与强化学习，主要讲述深度神经网络、卷积神经网络、深度学习结构、深度生成模型等深度学习算法；讲述 任务与奖赏、 K-摇臂赌博机、有模型学习、免模型学习、值函数近似、模仿学习等强化学习方法。
7、特征选择与稀疏学习，主要讲述子集搜索与评价、 过滤式选择、包裹式选择、 嵌入式选择与L1正则化、稀疏表示与字典学习、 压缩感知等理论方法。
8、降维与度量学习，主要 k近邻学习、低维嵌入、主成分分析、归纳偏好、流形学习、度量学习等算法理论与方法及应用案例。
实 验：
1．基于最小风险的贝叶斯决策
2. 基于核的Fisher分类
3. 粗糙集分类其设计
4. 基于禁忌搜索算法的聚类分析
六、教材及主要参考书：
1. Tom. M. Mitchell著,曾华军等译.Machine Learning,机械工业出版社,2008
2. Ian Goodfellow, Yoshua Bengio等著，赵申剑等译.Deep learning, 人民邮电出版社,2017.
3. George F. Luger.人工智能：复杂问题求解的结构和策略,机械工业出版社,2004
4. 黄竞伟, 朱福茜, 康立山.计算智能,科学出版社,2010
5. 章毓晋,计算机视觉教程.人民邮电出版社,2017.
6. 陈万米,机器人控制技术.机械工业出版社,2017
7. 邱锡鹏,神经网络与深度学习.机械工业出版社,2020.
8. 孙仕亮、赵静,模式识别与机器学习,清华大学出版社，2020
9. 梁艳春,群智能优化算法理论与应用,科学出版社，2009.
10. 模式识别与智能计算—MATLAB技术实现，2015.
