哈尔滨工程大学研究生课程教学大纲汇编

计算机科学与技术学院

博士研究生课程

062301   计算机科学数学                32学时/2 学分

英文译名：Mathematics for Computer Science

适用领域：计算机科学与技术，计算机应用技术

任课教师：黄少滨

教学目的：通过本课程的学习，使研究生熟悉掌握现代计算机科学与技术的相关理论基础，为后续的科学研究工作打下坚实的基础。

预备知识或先修课程要求：算法设计与分析，离散数学，程序设计，数据结构等。

教学方式及学时分配：课堂讲授28学时，课堂讨论4学时。

          本课程比较全面地介绍计算机科学的理论基础，包括逻辑学、代数学、计算理论、程序理论及量子计算简介，为博士生打下坚实的理论基础，并要求博士生要扩展学习与研究，为后续的学术研究及科研工作做好准备。

内容摘要：本课程将主要介绍数理逻辑包括命题逻辑、一阶逻辑、高阶逻辑、哥德尔完全性定理、多值逻辑、非单调逻辑、直觉主义逻辑等全面的逻辑学基础为后续的若干研究方向打下逻辑基础；在代数学方面，重点介绍抽象代数学包括群、环、域、格，布尔代数、关系代数、计算机代数、计算机数学，范畴论，计算数论，组合学密码学等基本概念；

          计算理论方面，算法、算法学，计算复杂性理论包括复杂性度量、复杂性归约等，可计算性函数、递归函数、可判定问题、不可判定问题等，自动机理论方面主要介绍有限自动机、图灵机、概率自动机等，形式语言理论简介；程序理论方面重点介绍形式语义，类型论，进程代数、通信系统演算、程序逻辑、混合计算模型、程序验证等。

考核方式：采用课程论文的方式进行考核，百分制。

主要参考书目：

[1]  计算机科学技术百科全书.（第二版）张效祥主编.清华大学出版社.  2005年

[2]  量子计算和量子信息（一）.Michael A.Nielsen,Isaac L.Chuang著，赵千川译.清华大学出版社. 2004年

[3]  计算理论基础.Harry R.Lewis,Christos H.Papadimitriou著，张立昂 刘田译.

[4]  Principles of Model Checking.Christel Baier,Joost-Pieter Katoen.The MIT Press 2007.

062302   机器学习理论                                   32学时/2学分

英文译名：Machine Learning Theory 

适用领域：计算机应用技术

任课教师：张汝波

教学目的：通过该课程的学习使学生了解机器学习领域的最新发展动向及现状；掌握机器学习的新概念、新理论、新方法与技术及其应用情况；能够运用机器学习方法来解决实际问题；为进一步深入研究建立有关概念和方法的基础。

预备知识或先修课程要求：计算智能、人工智能、模式识别

教学方式及学时分配：课堂授课24学时、课堂讨论8学时

内容摘要：近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。采用机器学习方法的计算机程序被成功用于各个应用领域。本课程突出强调机器学习的理论原理的教学，注重从实例入手使学生理解机器学习的概念与原理，注重从机器学习的基本框架上理解不同机器学习方法之间的异同点。主要教学内容包括概念学习、决策树学习、连接学习、评估假设、计算学习理论、基于实例的学习、进化学习、分析学习、强化学习等。最终考核以大作业方式来进行。考核题目可以从推荐的选题中选择，或与自己将来的研究内容相结合，或根据其它兴趣选择。所完成的作业目应是关于机器学习算法的实现及其在某个特定领域中的应用。

考核方式：采用课程论文的方式进行考核，百分制。

主要参考书目：

[1] Tom M. Mitchell著，曾华军等译，《机器学习》，机械工业出版社，2003年

[2] 张汝波 《强化学习理论及应用》哈尔滨工程大学出版社，2001年

062303   计算机网络新技术                                32 学时/ 2 学分

英文译名：New Technology on Computer Network

适用领域：计算机应用技术

任课教师：王慧强

教学目的：通过该课程的学习使学生对近年来计算机网络新技术有一个系统深入的认识，并对一些关键技术有较为深刻的理解和掌握。

预备知识或先修课程要求：要求学生具有扎实的计算机网络基础。

教学方式及学时分配：教学采用课堂授课和课堂讨论的方式，其中授课和研讨各占16学时。

该课程主要介绍计算机网络近年来的发展情况，要求学生具有扎实的计算机网络基础。

内容摘要：计算机网络是通信技术与计算机并行发展且密切结合的产物，已有30年的发展历史了。近3~5年内急速发展，新思想、新技术、新产品、新应用、新标准层出不穷。本课程抓住计算机网络中的关键技术，介绍最新的发展状况。其中关键技术有如下几方面：网络可信性，包括自律可信性、生物启发的可信性和综合可信性。网络管理安全，包括网路管理模型、监控和态势感知技术。移动计算技术，包括3G技术、移动IP技术、移动代理技术等。无线传感器网络技术，包括安全协议问题、节点移动性管理、组网技术等。多媒体网络技术，包括IP电话技术、IP视频会议技术和视频点播技术等。下一代互联网技术，包括IPV6路由交换技术、一体化网络与服务等。网络并行计算技术，包括服务器集群技术、网格计算技术、存储网络技术等。实时因特网技术，包括因特网协议、时延的计算与测评，流控制协议等。网络应用层技术，包括流媒体技术、P2P网络技术、WEB服务器集群缓存技术等。针对上述关键技术，本课程分为若干专题进行讨论，重点是多媒体网络，无线传感器网络，移动计算和普适计算等，由于计算机网络是一门综合性很强的应用技术，知识面广，且内容更新快，因此本课程的安排以计算机新技术为主，理论为辅。

考核方式：采用课程论文的方式进行考核，百分制 。

主要参考书目：

[1] 网络计算新技术．胡凯等．科学出版社  2001年

[2] 分布式系统概念与设计．DISTRIBUTEDSYSTEMS: CONCEPTS AND DESIGN        GEORGE COULOURIS等．机械工业出版社

062304   软件体系结构                                 32学时/ 2学分

英文译名：Software Architecture

适用领域：计算机应用

任课教师：孙潮义、曹万华

教学目的：通过系统讨论软件体系结构的基本原理、运用方法和工程实践等问题，让学生全面了解软件体系结构研究、应用领域及其最新进展；强调理论联系实际的学习形式，通过该课程的学习力求解决科研实践中的具体问题。

预备知识或先修课程要求：计算复杂性理论、面向对象方法学、软件工程环境相关知识。

教学方式及学时分配：课堂授课20学时、课堂讨论12学时

该课程主要介绍软件体系结构的基本原理、运用方法和工程实践等问题。要求学生课前预习计算复杂性理论、面向对象方法学、软件工程环境

内容摘要：随着软件系统规模越来越大和越来越复杂，整个系统的结构和规格说明就显得非常重要。在此背景下，人们认识到了软件体系结构的重要性，认为对软件体系结构的系统进行深入的研究是提高软件生产率和解决软件维护问题的有效途径。

考核方式：采用课程论文的方式进行考核，百分制。

主要参考书目：

[1] 软件体系结构．张友生等．清华大学出版社   2004年

[2] 软件产品线关键方法与技术研究 王广昌．浙江大学博士学位论文

062305   C3I系统中的数据融合技术                                32学时/ 2学分

英文译名：Data Fusion Technology in C3I systems

适用领域：计算机应用技术

课程教师：周永丰、夏学知

教学目的：通过课堂教学、仿真实验、撰写综述报告、课堂研讨等形式，培养学生分析、归纳和综合的基本研究技能，使学生在较短时间内掌握数据融合的基本理论和方法，以利于对以后实际系统的研制。

预备知识或先修课程要求：数理统计、矩阵论、线性系统理论（现代控制理论）等相关知识。

教学方式及学时分配：课堂授课20学时、课堂讨论12学时

教学主要内容及对学生的要求：以C3I系统工程为背景，系统讲授数据融合的理论及其应用。

考核方式：采用课程论文的方式进行考核，百分制。

主要参考书：

[1] C3I系统中的数据融合技术王小非．周永丰．哈尔滨工程大学出版社   2006年

[2] 数据融合理论与应用康耀红．西安电子科技大学出版社

062306   数据挖掘理论                                        32学时/2学分

英文译名：Data Mining Theory

适用领域：博士研究生

任课教师：沛

教学目的：通过学习，使学生比较系统地掌握数据挖掘理论及相关技术。数据挖掘与数据仓库概述、数据挖掘方、数据挖掘核心技术、数据挖掘应用技术、数据挖掘技术发展趋势等。

预备知识或先修课程要求：新一代数据库、人工智能原理相关知识。

教学方式及学时分配：课堂授课32学时

数据挖掘是信息领域发展最快的技术，是一个多学科交叉的领域。一方面，数据挖掘以计算机技术的发展为首要条件，没有数据的有效组织，从数据垃圾中发现有用知识是痴人说梦；没有大量计算算法的支持，及时是简单的查询也会耗时巨大；另一方面，及时数据库得到了有效组织，计算算法足够先进，想要发现海量数据中隐藏的有用信息，还必须综合利用统计学、模式识别、人工智能、机器学习、神经网络等学科的专业知识。而这些交叉学科的发展，必然会从不同角度关注数据分析技术的进展，数据挖掘也为这些学科的发展提供了新的机遇与挑战。

内容摘要：数据仓库与数据挖掘概述、知识发现、关联规则、粗糙集、聚类分析、人工神经网络与数据挖掘、分类与预测、WEB数据挖掘、多媒体数据挖掘等。

考核方式：采用课程论文的方式进行考核，百分制。

主要参考书目：

[1] 数据挖掘挖掘算法与应用 梁循．北京大学出版社，2006年

[2] 数据挖掘与知识发现．李雄飞、李军著．高等教育出版社，2003年