1
2
3
4
一、試題組成
842 人工智能基礎綜合試卷總分 150 分，共包括三部分 內容。其中機器學習部分為必考內容，占 90 分;算法設計與 分析部分和自動控制原理部分為選考內容，選考內容二選一， 均占 60 分。若同時選考算法設計與分析和自動控制原理兩 部分，將按照得分低的計入總分。
二、機器學習部分的考試大綱( 90 分)
( 一) 機器學習基礎算法：( 1 )貝葉斯(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。
掌握機器學習發展歷史、AlphaGO 技術的發展歷史以 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 真實風險概念區別與聯系;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; 掌握信息熵概念的內涵、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)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標構造 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、優化目標以及應用?；玖私?Fisher 判別分析、
核判別分析等等;了解稀疏表示方法與子空間學習的聯系 與區別。
(三)線性模型與神經網絡：( 1 )線性分類器-感知機 等;(2)多層感知機與反向傳播;(3)卷積神經網絡與
循環神經網絡。
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。掌握機器學習里優化概念如何應用于線 性分類器的設計。理解多層感知機的基本概念以及反向傳 播算法的基本原理，能夠根據具體網絡實例使用反向傳播 計算梯度的表達式。理解卷積神經網絡建模圖像分類任務 以及循環神經網絡建模文本序列任務的基本原理，掌握卷 積神經網絡中卷積操作的定義和性質、以及池化層
(Pooling)操作的定義和性質等。
(四)深度學習：( 1 )深度神經網絡基礎模塊;
(2)深度神經網絡優化算法。
了解深度神經網絡中線性層、非線性層以及標準化層 的基本概念。了解梯度爆炸與消失的基本原因以及線性層 的初始化技術如何緩解梯度爆炸與消失的基本原理;理解 Sigmoid 和 ReLU 等非線性層的表達式以及它們在神經網絡 訓練中的優缺點;掌握批標準化層(Batch Normalization,
BN)和層標準化層(Layer Normalization, LN)的表達式以 及它們在神經網絡訓練中的優缺點。掌握梯度下降算法，
理解梯度下降(Gradient Descent, GD)與隨機梯度下降
(Stochastic Gradient Descent, SGD)算法的區別;了解深度學 習中常用的 SGD+動量(momentum)算法以及 Adam 算法 等。
三、算法設計與分析部分的考試大綱(60 分)
( 一)整體要求
1 、掌握算法的定義、性質和表示方法，并能夠使用偽 代碼對算法進行描述;
2 、能夠熟練使用漸近上界、漸近下界與漸近緊確界分 析算法運行的時間復雜度;
3 、掌握算法設計的常用方法，包括分而治之、動態規 劃、貪心算法;掌握圖的基本概念和相關圖算法;
4 、掌握計算復雜性的基本概念和證明 P 、NP 、NPC 類 問題的方法;
5 、具有對簡單計算問題的建模、算法設計、算法分析 和編程求解能力。
(二)、復習要點
1 、漸近復雜性分析
( 1 )O、Ω、Θ符號定義;
(2)分析給定算法的漸近復雜性;
(3 )分析給定遞歸函數的漸近復雜性;
(4)比較具有不同漸近上界的算法或漸近表達式的效 率。
2 、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 )遞歸與分治算法
(2)動態規劃算法
(3 )貪心算法
3 、 圖算法
( 1 )圖的基本概念和基本性質;
(2)圖的表示方法;
(3 )圖的遍歷與搜索方法;
(4)最小生成樹、最短路徑、二分圖匹配、最大流最 小割等圖具體問題算法。
4 、計算復雜性
( 1 )計算復雜性的基本概念，如判定問題、優化問題 等;
(2)P 、NP 、NPC 類問題的定義和證明。
四、自動控制原理部分的考試大綱(60 分)
1、控制系統的數學模型 主要內容：
( 1)動態方程建立
( 2)傳遞函數及動態結構圖
( 3)結構圖的等效變換、梅遜公式及應用
2、時域分析法 主要內容：
( 1)典型響應及性能指標
( 2 )一、二階系統的分析與計算
( 3)系統穩定性的分析與計算：勞斯、古爾維茨判據
( 4) 穩態誤差的計算及一般規律
3、根軌跡法 主要內容：
( 1)根軌跡的概念與根軌跡方程
( 2)根軌跡的繪制法則
( 3)零、極點分布與階躍響應性能的關系：主導極點與 偶極子， 階躍響應的根軌跡分析
4、頻率響應法
主要內容：
(1)線性系統的頻率響應
(2)典型環節的頻率響應
(3)系統開環的頻率響應
(4)Nyquist 穩定判據和對數頻率穩定判據，穩定裕度及計算
(5)開環頻率響應與階躍響應的關系，三頻段的分析方法
5、 狀態空間分析方法
主要內容：
(1)狀態空間方法基礎
(2)線性系統的可控性
(3)線性系統的可觀測性
(4)傳遞函數的實現
(5)狀態反饋與狀態觀測器
(6)有界輸入、有界輸出穩定性;漸近穩定性
原標題：人工智能學院招收2025年碩士初試自命題科目考試大綱
文章來源：https://iai.buaa.edu.cn/info/1062/3654.htm
