北航2023年人工智能考研大纲，信号与系统重点总结

北航2023年人工智能考研大纲？

1、842人工智能基础综合考试试卷含信号与系统、算法设计与分析和机器学习三门课程的主要内容。全部课程均不指定参考书。

2、考试试卷满分为150分，每门课考试试卷满分50分，三门课程的考试试卷均计入考试成绩。

《信号与系统》考试大纲（50分）

一、学习要点

（一）信号与系统绪论

(1)信号与系统的概念；

(2)信号的描述、分类及经常会用到信号；

(3)信号的基本运算。

（二）正交函数集与正交分解

(1)信号分解的物理意义；

(2)正交函数集；

(3)信号在正交函数集上的分解。

（三）连续周期信号的傅里叶级数

(1)连续周期信号在三角函数集上展开；

(2)连续周期信号傅里叶级数；

(3)有限项傅里叶级数与均方误差。

（四）连续信号的傅里叶变换

(1)非周期连续信号的傅里叶变换；

(2)典型信号的傅里叶变换；

(3)傅里叶变换的基本性质；

(4)周期信号的傅里叶变换。

（五）拉氏变换

(1)拉氏变换的定义、物理意义；

(2)拉氏变换的基本性质；

(3)拉氏逆变换；

(4)双边拉氏变换。

（六）连续时间系统的时候域分析

(1)系统的概念、表示与分类；

(2)LTI系统分析方式解读；

(3)连续系统的时候域经典分析法；

(4)零输入响应与零状态响应；

(5)卷积的定义与性质；

(6)卷积法解答系统响应。

（七）连续时间系统的S域分析

(1)系统函数；

(2)由系统函数零、极点分布分析的时候域特性；

(3)线性系统的稳定性分析。

（八）离散时间系统的时候域分析

(1)离散时间信号（序列）及其表示；

(2)典型离散时间信号；

(3)离散时间信号的基本运算；

(4)离散时间系统的基本概念描述与分类；

(5)系统冲激响应函数的解答。

（九）离散时间系统的Z域分析

(1)z变换及其收敛域；

(2)典型序列的z变换；

(3)逆z变换；

(4)z变换的基本性质；

(5)系统函数与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)序列的傅里叶变换离散时间傅里叶变换DTFT；

(3)离散傅里叶变换DFT；

(4)迅速傅里叶变换FFT。

（十一）傅里叶变换及其图像处理应用

(1)数字图像简介；

(2)二维离散傅里叶变换2D DFT及其性质；

(3)2D DFT在图像处理中的应用。

《算法设计与分析》考试大纲（50分）

一、整体要求

(一)掌握并熟悉算法的定义、性质和表示方式，并可以使用伪代码对算法进行描述；

(二)可以熟练采取渐近上界、渐近下界与渐近紧确界分析算法的运行时间；

(三)掌握并熟悉算法设计的经常会用到方式，涵盖分而治之、变动规划、贪心、近似算法；掌握并熟悉图的基本概念和重要的基础图算法；

(四)掌握并熟悉计算复杂性的基本概念和证明P类、NP类问题的方式；

(五)具有对简单计算问题的建模、分析、算法设计、算法优化和编程解答能力。

二、学习要点

(一)渐近复杂性分析

（1）Ｏ、Ω、Θ符号定义；

（2）分析给定算法的渐近复杂性；

（3）比较具有不一样渐近上界的算法的效率；

（4）递归函数的运行时间分析。

（二）经常会用到算法设计方式的基本思想和特点，还有针对详细问题设计对应的算法并分析其效率

（1）分治算法

（2）变动规划算法

（3）贪心算法

（4）近似算法

（三）图算法

（1）图的基本概念和基本性质；

（2）图的表示方式；

（3）图的遍历与搜索方式；

（4）小生成树和短路径等图详细问题算法。

（四）计算复杂性

（1）计算复杂性的基本概念，如判断问题、优化问题等；

（2）P类和NP类问题的定义和证明。

《机器学习》考试大纲（50分）

一、学习要点

（一）机器学习基础算法：（1）Bayesian学习还有有关算法；（2）Q学习基本概念；（3）归纳学习-决策树构建算法。

掌握并熟悉机器学习发展历史、AlphaGO技术的发展历史还有核心技术，掌握并熟悉Q学习的基本方式；掌握并熟悉VC维的定义，还有统计学习理论的基本结论，深入理解经验风险和真实风险概念区别与联系；理解Bayesian的基本原理，贝叶斯学习、朴素贝叶斯算法在有关实质上问题中应用；掌握并熟悉HMM算法的基本原理；掌握并熟悉信息熵概念的内涵、ID3算法构建过程、按照详细的实例，构建决策树。掌握并熟悉信息增益的概念，还有在构建决策树时的物理含义。

（二）神经互联网与深度学习：（1）线性分类器-感知机等；（2）传统神经互联网-BP算法等；（3）深度学习-卷积神经互联网等。

掌握并熟悉线性分类器的构建方式，涵盖线性分类器的基本形式、构建方式；掌握并熟悉感知机的构建方式、Fisher准则、小均方误差准则。掌握并熟悉机器学习里优化概念如何应用于线性分类器的设计。理解神经互联网的反传算法基本原理、可以按照详细简单的互联网实例写出反传公式的基本形式。了解经典深度神经互联网模型、还有前沿技术，主要掌握并熟悉卷积神经互联网；理解卷积神经互联网的构建过程、涵盖卷积操作的定义、Pooling操作的定义等。

（三）统计学习分类器：（1）支持向量机；（2）Adaboost算法；（3）子空间学习与稀疏表示。

理解统计学习理论的基本原理、支持向量机的基本原理与线性分类器的联系。掌握并熟悉支持向量机的优化目标构造方式、优化算法还有应用。掌握并熟悉Adaboost的基本原理，弱分类器的基本概念还有分类器融合算法。掌握并熟悉子空间学习与稀疏表示的基本概念与思想，掌握并熟悉主成分分析方式的详细过程、优化目标还有应用。基本了解Fisher判别分析、核判别分析等等；了解稀疏表示方式与子空间学习的联系与区别。

信号与系统重要内容及核心考点归纳？

下面这些内容就是信号与系统的主要重要内容及核心考点归纳：

1.信号的分类：按照时间、频率和能量等特性对信号进行分类，涵盖连续时间信号和离散时间信号、周期信号和非周期信号、能量信号和功率信号等。

2.傅里叶分析：通过傅里叶变换、傅里叶级数、离散傅里叶变换等方式将信号在时域和频域当中转换，分析信号的频率成分、幅度、相位等特性。

(一)信号与系统

1.信号分类及判断、周期信号的周期计算

2.常见信号表示、信号的运算

3.系统描述的分类及判断

(二)连续系统的时候序分析

1.LTI系统的经典解和卷积解

2.冲激响应h(t)

3.卷积性质及计算

(三)离散系统的时候序分析

1.差分方程及其经典解

2.单位响应h(k)

3.卷积和性质及计算

(四)傅里叶变换和系统的频域分析

1.傅里叶级数

2.傅里叶变换及性质

3.频域分析、系统函数

4.取样定理

(五)复频域分析

1.双边拉普拉斯变换、单边拉普拉斯变换

2.经常会用到拉普拉斯变换对

3.单边拉普拉斯变换性质

4.系统的复频域分析

5.F(jw)与F(s)的关系

(六)离散系统的z域分析

1.z变换及其逆变换

2.经常会用到z变换对

3.z变换的性质

4.z域分析

(七)系统函数

1.系统函数

2.信号的因果性稳定性判断

3.信号流图

4.系统模拟(直接模拟、级联模拟、并联模拟)

(八)系统的状态变量分析

1.连续系统的状态方程

2.离散系统的状态方程

3.状态方程的解

信号与系统考研需准备什么资料？

一般我们普遍觉得，信号与系统考研需准备的资料还是非常多的，这当中涵盖了高等数学线性代数可能性论数理统计，还有专业内容

信号与系统考研专业课具体是什么时候启动好？

考研专业课的学习越早越好，毕竟量还是挺大的，学习太迟，只是不容易掌握并熟悉也可能会造成其他学科时间不够，不利于考出好成绩，迟也需要在4月份启动。

信号与系统考研需要大家特别注意什么？

信号与系统考研需要大家特别注意多总结结论,例如方波采样,采样以后的傅里叶变换就是一个公式西格玛Sn×F[j(w - nws)],直接一套公式就结束,省去多少推导步骤,省了多少分析的心。

多分析考研出题点:例如时域解答微分方程是不要求的,例如时域分析系统特性总爱出分段函数。(常见结论和出题方向在汤老师视频课中,已经明明确确介绍不少次,以强化认识)

多看以前的笔记和错题。

考研《信号与系统》 都考什么知识？

我宿舍有三个考生考信号与系统，她们说挺容易的，相当大一部分是公式的应用。

针对简章上说只考第一册的，不了解你所报考的学校出的专业课考试试卷存不存在超纲之类的问题，你可以看看你所报考学校的真题，看近这些年考的试题是不是都是第一册书上的。假设考的都是第一册上的，可以不看，有这个时间你就看看第二册吧。强调一点，一定要做好所考学校专业的真题。在这发问得到有效地回馈不太多，建议你找一下你想报考学校的通过努力学习以优异的成绩考上的学长学姐们，她们针对专业课上面心得多很多。信号与系统与电路有少许联系，看不懂的地方翻翻电路书就行了。我身边不少考信号与系统，都是9月份后面才启动看专业课的，我身边考生大多数情况下考的是重庆大学，湖南大学，中南大学，于清华北邮上交之类的，假设不考很牛的学校类似清华北大上交那种，9月份后面看专业还是可以的。

信号与系统考研题去哪里搜？

你可以先到购物软件上搜索看是否有卖得，假设没有，可以联系你要考的学校，大多数情况下学校会有针对出售这样的真题或者学习资料的公众号或者群，可以加一下，当然加时一定要小心，找到正规的，防止被骗，不管是咋样的，都要先看学校官方网站公告信息再做决定。

考研备考资料及辅导课程