北京航空航天大学2026年842人工智能基础综合考研大纲及参考

　　招收2026年硕士初试考试大纲

　　人工智能基础综合(科目代码 842)

　　一、试题组成

　　842 人工智能基础综合试卷总分150 分，共包括三部分

　　内容。其中机器学习部分为必考内容，占90分;算法设计与

　　分析部分和自动控制原理部分为选考内容，选考内容二选一，

　　均占 60 分。若同时选考算法设计与分析和自动控制原理两

　　部分，将按照得分低的计入总分。

　　二、机器学习部分的考试大纲(90分)

　　(一) 机器学习基础算法：(1)贝叶斯(Bayesian)

　　学习以及相关算法;(2)Q学习基本概念;(3)归纳学

　　习-决策树构建算法。

　　掌握机器学习发展历史、AlphaGO技术的发展历史以

　　及核心技术，掌握Q学习的基本方法;掌握VC维的定

　　义，以及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、朴素贝叶斯算法在相关实际问题中应用;掌握

　　HMM算法的基本原理;掌握信息熵概念的内涵、ID3算法

　　构建过程、根据具体的实例，构建决策树。掌握信息增益

　　的概念，以及在构建决策树时的物理含义。

　　(二)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。掌握支持向量机的优化目标构造

　　方法、优化算法以及应用。掌握Adaboost的基本原理，弱

　　分类器的基本概念以及分类器融合算法。掌握子空间学习

　　与稀疏表示的基本概念与思想，掌握主成分分析方法的具

　　体过程、优化目标以及应用。基本了解Fisher判别分析、

　　核判别分析等等;了解稀疏表示方法与子空间学习的联系

　　与区别。

　　(三)线性模型与神经网络：(1)线性分类器-感知机

　　等;(2)多层感知机与反向传播;(3)卷积神经网络与

　　循环神经网络。

　　掌握线性分类器的构建方法，包括线性分类器的基本

　　形式、构建方法;掌握感知机的构建方法、Fisher准则、最

　　小均方误差准则。掌握机器学习里优化概念如何应用于线

　　性分类器的设计。理解多层感知机的基本概念以及反向传

　　播算法的基本原理，能够根据具体网络实例使用反向传播

　　计算梯度的表达式。理解卷积神经网络建模图像分类任务

　　以及循环神经网络建模文本序列任务的基本原理，掌握卷

　　积神经网络中卷积操作的定义和性质、以及池化层

　　(Pooling)操作的定义和性质等。

　　(四)深度学习：(1)深度神经网络基础模块;

　　(2)深度神经网络优化算法。

　　了解深度神经网络中线性层、非线性层以及标准化层

　　的基本概念。了解梯度爆炸与消失的基本原因以及线性层

　　的初始化技术如何缓解梯度爆炸与消失的基本原理;理解

　　Sigmoid 和 ReLU 等非线性层的表达式以及它们在神经网络

　　训练中的优缺点;掌握批标准化层(Batch Normalization,

　　BN)和层标准化层(Layer Normalization, LN)的表达式以

　　及它们在神经网络训练中的优缺点。掌握梯度下降算法，

　　理解梯度下降(Gradient Descent, GD)与随机梯度下降

　　(Stochastic Gradient Descent, SGD)算法的区别;了解深度学

　　习中常用的SGD+动量(momentum)算法以及Adam算法

　　等。

　　三、算法设计与分析部分的考试大纲(60分)

　　(一)整体要求

　　1、掌握算法的定义、性质和表示方法，并能够使用伪

　　代码对算法进行描述;

　　2、能够熟练使用渐近上界、渐近下界与渐近紧确界分

　　析算法运行的时间复杂度;

　　3、掌握算法设计的常用方法，包括分而治之、动态规

　　划、贪心算法;掌握图的基本概念和相关图算法;

　　4、掌握计算复杂性的基本概念和证明P、NP、NPC类

　　问题的方法;

　　5、具有对简单计算问题的建模、算法设计、算法分析

　　和编程求解能力。

　　(二)、复习要点

　　1、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)分析给定递归函数的渐近复杂性;

　　(4)比较具有不同渐近上界的算法或渐近表达式的效

　　率。

　　2、常用算法设计方法的基本思想和特点，以及针对具

　　体问题设计相应的算法并分析其效率

　　(1)递归与分治算法

　　(2)动态规划算法

　　(3)贪心算法

　　3、图算法

　　(1)图的基本概念和基本性质;

　　(2)图的表示方法;

　　(3)图的遍历与搜索方法;

　　(4)最小生成树、最短路径、二分图匹配、最大流最

　　小割等图具体问题算法。

　　4、计算复杂性

　　(1)计算复杂性的基本概念，如判定问题、优化问题

　　等;

　　(2)P、NP、NPC类问题的定义和证明。

　　四、自动控制原理部分的考试大纲(60分)

　　1、控制系统的数学模型

　　主要内容：

　　(1)动态方程建立

　　(2)传递函数及动态结构图

　　(3)结构图的等效变换、梅逊公式及应用

　　2、时域分析法

　　主要内容：

　　(1)典型响应及性能指标

　　(2)一、二阶系统的分析与计算

　　(3)系统稳定性的分析与计算：劳斯、古尔维茨判据

　　(4) 稳态误差的计算及一般规律

　　3、根轨迹法

　　主要内容：

　　(1)根轨迹的概念与根轨迹方程

　　(2)根轨迹的绘制法则

　　(3)零、极点分布与阶跃响应性能的关系：主导极点与

　　偶极子，阶跃响应的根轨迹分析

　　4、频率响应法

　　主要内容：

　　(1)线性系统的频率响应

　　(2)典型环节的频率响应

　　(3)系统开环的频率响应

　　(4)Nyquist 稳定判据和对数频率稳定判据，稳定裕度

　　及计算

　　(5)开环频率响应与阶跃响应的关系，三频段的分析方

　　法

　　5、 状态空间分析方法

　　主要内容：

　　(1)状态空间方法基础

　　(2)线性系统的可控性

　　(3)线性系统的可观测性

　　(4)传递函数的实现

　　(5)状态反馈与状态观测器

　　(6)有界输入、有界输出稳定性;渐近稳定性

【专业课必备：2026考研自命题考试大纲】

【查询考研招生人数、招生专业、参考书】