2025年中国矿业大学全国硕士研究生招生考试《人工智能基础综合》考试大纲

一、考试目的与要求

全国硕士研究生入学统一考试中的“人工智能基础综合”是为我校招收人工智能（085410）专业学位硕士研究生而设置的具有选拔性质的考试科目。考试要求学生掌握C语言相关知识，自动控制原理的基本概念和基础理论、或机器学习基础理论和算法，并具有运用基本概念和基础理论分析问题与解决问题的能力。

二、考试范围

1、C语言部分，所有考生必答题

（1）算法及其描述方法：算法的描述方法（流程图、N-S流程图），程序设计的基本结构。

（2）数据类型、运算符和表达式：包括变量和常量，预处理命令，数据类型（整型、浮点型、字符型），算术运算符，表达式。

（3）顺序程序设计：各种类型数据的格式化输入/输出方法，字符数据的非格式化输入/输出方法，顺序程序的设计。

（4）选择结构程序设计：关系运算符、逻辑运算符和条件运算符，if与switch语句，if语句的嵌套。

（5）循环结构程序设计：C语言三种循环结构，混合控制结构程序设计。

（6）数组：一维数组和二维数组，字符串与字符数组，字符串函数。

（7）函数：函数的定义，原型声明和调用，函数的嵌套调用和递归调用，数组作为函数的参数，变量的作用域和存储类别，内部函数和外部函数。

（8）指针：指针的概念，指针变量定义、引用、作为函数参数，通过指针引用数组、字符串，数组指针、函数指针、指针数组、指针型函数，动态内存分配和释放的方法。

（9）结构体、共用体、文件：结构体、共用体和枚举数据类型，结构体数组、结构体指针、链表。

2、自动控制原理部分

（1）自动控制系统的工作原理、分类和基本要求，绘制控制系统方框图并分析其工作原理。

（2）传递函数的定义、性质和意义，以及开环传递函数、闭环传递函数的概念(求取电路系统、机械系统等实际物理系统的传递函数)。

（3）熟练使用结构图等效变换和化简方法，或用梅森增益公式法求系统的传递函数。

（4）时域响应的4种主要性能指标：上升时间、峰值时间、调节时间和超调量。

（5）一阶系统的数学模型和典型时域响应特点。

（6）二阶系统的数学模型和典型时域响应特点，熟练计算其在欠阻尼下的性能指标和结构参数，并掌握改善二阶系统性能的原理。

（7）稳定性的定义以及线性定常系统稳定的充要条件，熟练应用劳斯判据判定系统的稳定性。

（8）系统在典型输入信号作用下的稳态误差、扰动稳态误差的计算方法。

（9）高阶系统的近似降阶方法。

（10）常规根轨迹和参数根轨迹的绘制规则。

（11）应用根轨迹分析参数变化对系统性能的影响。

（12）理解频率特性的含义并能用频率特性计算系统在正弦信号作用下的稳态输出信号和稳态误差信号。

（13）绘制开环系统Nyqusit图和对数幅频渐进特性曲线图。

（14）Nyqusit稳定判据。

（15）稳定裕度的概念，能够利用对数幅频特性曲线的分段近似计算系统的稳定裕度。

（16）开环对数频率特性与系统时域性能之间的关系，正确理解低、中、高三频段分别对控制系统性能的影响。

（17）由最小相位系统的开环对数幅频特性曲线确定传递函数的方法。

（18）利用开环对数幅频特性曲线进行串联超前校正和串联滞后校正的方法、原理和步骤，理解超前校正、滞后校正、滞后-超前校正对控制系统性能的影响。

（19）PID控制规律及其作用。

（20）非线性系统的特点。

（21）非线性系统分析的描述函数法。

（22）非线性系统分析的相平面法。

3、机器学习部分

（1）机器学习的基本概念：机器学习的定义和机器学习的基本概念，包括样本、特征、标签、数据集、训练、测试、模型参数、损失函数、学习误差、泛化能力、正则化、欠拟合与过拟合、学习终止条件及方法。

（2）回归模型：线性回归、非线性回归、岭回归、套索（LASSO）回归基本概念及模型，回归模型的优化方法，包括正规方程法、梯度下降法、随机梯度下降、牛顿法。

（3）分类模型及算法：包括判别模型与生成模型的概念和区别、K最近邻算法、贝叶斯分类器、线性判别分析、二分类逻辑回归、逻辑回归的极大似然估计求解、Softmax函数。

（4）决策树与随机森林：决策树的分类过程、决策树的划分准则，包括信息增益、信息增益比、基尼不纯度、随机森林基本概念及算法。

（5）神经网络：神经元模型、感知机与多层网络、误差反向传播算法及存在的问题、全局最小与局部极小、 其他常见的神经网络模型。

（6）支持向量机：间隔与支持向量、对偶问题、核函数、软间隔与正则化、支持向量回归、支持向量机的核方法。

（7）深度学习：深度学习基本原理，常用的深度学习方法、卷积神经网络及存在的问题。

（8）集成学习：聚合算法（bagging）、提升算法（boosting）、堆叠算法（stacking）。

（9）聚类分析：聚类基本概念、性能度量、K均值算法、度量的重要性、原型聚类概念及算法。

(10) 模型选择：学习模型的复杂度、训练—验证—测试法的描述、交叉验证法、留一交叉验证、K折交叉验证、学习模型的综合评价、预测误差期望（期望泛化误差）基本概念、预测误差期望的预测偏差-方差分解。

三、试题结构

考试时间：180分钟（3小时）。

考试形式：笔试，闭卷，满分150分。其中，C语言专业基础部分50分，所有考生均需作答；专业知识部分100分，考生自主选择自动控制原理部分或机器学习部分其中一种考题作答。