信息计算科学专业博士研究生培养方案(0701Z1)

一、培养目标

掌握坚实宽广的数学和信息科学的基础理论，系统、深入地掌握本人主攻方向的基本知识，包括该方向的基础课程、研究课题、重要文献、应用价值、在信息科学中的地位及其学术价值、与相关学科的联系及其重要作用；熟悉本学科现状、发展方向和国际前沿；学术思想活跃，科研作风严谨，有独立从事科学研究工作的能力，独立承担并完成自选的、或导师提示的国内领先水平的研究课题，做出创造性的研究成果，完成高质量的、有一定深度的博士学位论文。

二、研究方向

1、智能信息处理：研究数据挖掘与知识发现的理论与方法，其中包括：Web挖掘、基于概念格的知识表示与知识发现、ontology的理论与应用、智能检索技术、数据库与数据仓库技术的理论与应用等。

2、信息安全：研究信息安全理论与技术，其中包括编码理论、密码编码学、密码分析学、密钥管理学、数字水印等。

3、智能控制技术：研究不确定非线性时滞系统的鲁棒自适应控制；自适应模糊控制；神经网络控制；混沌控制与同步，机器人控制等。

三、课程设置

四、课程简介

1、基本代数学：通过本课程学习，使学生掌握代数学中的群、环、域与Galois理论等基础知识，并了解一些与分析、几何等其他分支相关的实例，为进一步学习打下一定的基础。

2、泛函分析 通过本课程学习，学生掌握度量空间，线性算子与线性泛函，广义函数与Sobolev空间，紧算子与Fredholm算子，Banach代数初步等基础知识。

3、离散数学：离散数学包括数理逻辑、集合论、代数结构、图论、形式语言和自动机等内容.通过本课程的学习,可使学生了解和掌握处理离散结构的描述工具和方法,提高抽象思维和严格的逻辑推理能力,为后续工作打下基础.

4、并行计算技术：系统介绍并行计算机系统的体系结构及其计算模型、并行算法设计的常规方法、基本技术和一般设计过程、并行程序的设计原理、方法、模型、一级环境与工具。

5、数据挖掘：系统介绍数据挖掘的基本概念、方法和算法，包括联机分析处理（OLAP）技术、分类、聚类、预测、关联规则挖掘的常用算法，以及Web挖掘、空间数据挖掘、时序数据挖掘、序列数据挖掘和图挖掘等。

6、并行算法设计与分析： 介绍并行算法的基本理论、基本设计技术，以及在各种并行计算模型上的数值及非数值问题的并行算法设计与分析方法，各种并行计算模型的能力、限制、等价性等。

7、线性系统理论：通过本课程的学习，使学生掌握线性系统的时间域理论和复频率域理论，为学习其它专业课打下坚实的基础。主要介绍线性系统的状态空间描述、线性系统的运动分析、线性系统的能控性和能观测性、系统运动的稳定性、线性反馈系统的时域综合等。

8、最优化理论与算法：主要介绍线性规划、非线性规划原理和方法、对偶理论、最优条件、无约束最优化方法和约束最优化方法等。

9、智能控制理论与技术：面向智能控制学科前沿，以微机模拟智能实现智能控制为主线，从智能控制论的角度全面深入介绍模糊控制、神经网络控制、专家控制、遗传算法和智能控制理论、方法、系统设计及其实现技术。

10、自适应控制：系统介绍了模型参考自适应控制和辨识，离散时间系统的参数递推估计及自校正控制，其中包括最小方差自校正控制、广义最小方差自校正控制及极点配置自校正控制等。此外，讨论了自适应控制系统的鲁棒性、收敛性分析及自适应神经网络控制。

11、神经网络理论及应用：介绍人工神经网络方法的特点，基本人工神经元模型，人工神经网络的基本拓扑特性、存储性能及学习，感知器与线性不可分问题，Hebb学习律，Delta规则，BP算法及其原理分析、算法改进讨论，网络的结构及其运行，网络的初始化与训练算法，网络的收敛分析，Hopfield网络及稳定性，Boltzmann机，双联存储网络的结构及训练，ART模型的结构分析与实现等内容。

12、模式识别：介绍Bayes决策理论、线性和非线性判别函数、近邻规则、经验风险最小化原理、特征提取和选择方法，以及聚类分析、模糊模式识别、模拟退火和遗传算法、统计学习理论和支持向量机等内容，还介绍模式识别在人脸识别、说话人语音识别及字符识别等中的应用实例。