請考生注意：
1、842人工智能基礎綜合試題含信号與系統、算法設計與分析和機器學習三門課程的内容。所有課程均不指定參考書。
2、試題總分為150分，每門課試題滿分50分，三門課程的試題均計入考試成績。
《信号與系統》考試大綱（50分）
一、複習要點
（一）信号與系統緒論
(1)信号與系統的概念；
(2)信号的描述、分類及常用信号；
(3)信号的基本運算。
（二）正交函數集與正交分解
(1)信号分解的物理意義；
(2)正交函數集；
(3)信号在正交函數集上的分解。
（三）連續周期信号的傅裡葉級數
(1)連續周期信号在三角函數集上展開；
(2)連續周期信号傅裡葉級數；
(3)有限項傅裡葉級數與均方誤差。
（四）連續信号的傅裡葉變換
(1)非周期連續信号的傅裡葉變換；
(2)典型信号的傅裡葉變換；
(3)傅裡葉變換的基本性質；
(4)周期信号的傅裡葉變換。
（五）拉氏變換
(1)拉氏變換的定義、物理意義；
(2)拉氏變換的基本性質；
(3)拉氏逆變換；
(4)雙邊拉氏變換。
（六）連續時間系統的時域分析
(1)系統的概念、表示與分類；
(2) LTI系統分析方法概述；
(3)連續系統的時域經典分析法；
(4)零輸入響應與零狀态響應；
(5)卷積的定義與性質；
(6)卷積法求解系統響應。
（七）連續時間系統的S域分析
(1)系統函數；
(2)由系統函數零、極點分布分析時域特性；
(3)線性系統的穩定性分析。
（八）離散時間系統的時域分析
(1)離散時間信号（序列）及其表示；
(2)典型離散時間信号；
(3)離散時間信号的基本運算；
(4)離散時間系統的基本概念描述與分類；
(5)系統沖激響應函數的求解。
（九）離散時間系統的Z域分析
(1) z變換及其收斂域；
(2)典型序列的z變換；
(3)逆z變換；
(4) z變換的基本性質；
(5)系統函數與z域分析。
（十）離散信号的傅裡葉分析
(1)離散周期信号的傅裡葉級數DFS；
(2)序列的傅裡葉變換離散時間傅裡葉變換DTFT；
(3)離散傅裡葉變換DFT；
(4)快速傅裡葉變換FFT。
（十一）傅裡葉變換及其圖像處理應用
(1)數字圖像簡介；
(2)二維離散傅裡葉變換2D DFT及其性質；
(3) 2D DFT在圖像處理中的應用。
《算法設計與分析》考試大綱（50分）
一、整體要求
(一)掌握算法的定義、性質和表示方法，并能夠使用僞代碼對算法進行描述；
(二)能夠熟練采用漸近上界、漸近下界與漸近緊确界分析算法的運行時間；
(三)掌握算法設計的常用方法，包括分而治之、動态規劃、貪心、近似算法；掌握圖的基本概念和重要的基礎圖算法；
(四)掌握計算複雜性的基本概念和證明P類、NP類問題的方法；
(五)具有對簡單計算問題的建模、分析、算法設計、算法優化和編程求解能力。
二、複習要點
(一)漸近複雜性分析
（1）Ｏ、Ω、Θ符号定義；
（2）分析給定算法的漸近複雜性；
（3）比較具有不同漸近上界的算法的效率；
（4）遞歸函數的運行時間分析。
（二）常用算法設計方法的基本思想和特點，以及針對具體問題設計相應的算法并分析其效率
（1）分治算法
（2）動态規劃算法
（3）貪心算法
（4）近似算法
（三） 圖算法
（1）圖的基本概念和基本性質；
（2）圖的表示方法；
（3）圖的遍曆與搜索方法；
（4）最小生成樹和最短路徑等圖具體問題算法。
（四） 計算複雜性
（1）計算複雜性的基本概念，如判定問題、優化問題等；
（2）P類和NP類問題的定義和證明。
《機器學習》考試大綱（50分）
一、複習要點
（一） 機器學習基礎算法：（1）Bayesian學習以及相關算法；（2）Q學習基本概念；（3）歸納學習-決策樹構建算法。
掌握機器學習發展曆史、AlphaGO技術的發展曆史以及核心技術，掌握Q學習的基本方法；掌握VC維的定義，以及統計學習理論的基本結論，深入理解經驗風險和真實風險概念區别與聯系；理解Bayesian的基本原理，貝葉斯學習、樸素貝葉斯算法在相關實際問題中應用；掌握HMM算法的基本原理；掌握信息熵概念的内涵、ID3算法構建過程、根據具體的實例，構建決策樹。掌握信息增益的概念，以及在構建決策樹時的物理含義。
（二）神經網絡與深度學習：（1）線性分類器-感知機等；（2）傳統神經網絡-BP算法等；（3）深度學習-卷積神經網絡等。
掌握線性分類器的構建方法，包括線性分類器的基本形式、構建方法；掌握感知機的構建方法、Fisher準則、最小均方誤差準則。掌握機器學習裡優化概念如何應用于線性分類器的設計。理解神經網絡的反傳算法基本原理、能夠根據具體簡單的網絡實例寫出反傳公式的基本形式。了解經典深度神經網絡模型、以及前沿技術，主要掌握卷積神經網絡；理解卷積神經網絡的構建過程、包括卷積操作的定義、Pooling操作的定義等。
（三）統計學習分類器：（1）支持向量機；（2）Adaboost算法；（3）子空間學習與稀疏表示。
理解統計學習理論的基本原理、支持向量機的基本原理與線性分類器的聯系。掌握支持向量機的優化目标構造方法、優化算法以及應用。掌握Adaboost的基本原理，弱分類器的基本概念以及分類器融合算法。掌握子空間學習與稀疏表示的基本概念與思想，掌握主成分分析方法的具體過程、優化目标以及應用。基本了解Fisher判别分析、核判别分析等等；了解稀疏表示方法與子空間學習的聯系與區别。
