PERIYAR UNIVERSITY

PERIYAR PALKALAI NAGAR

SALEM - 11
 

DEGREE OF MASTER OF PHILOSOPHY

CHOICE BASED CREDIT SYSTEM

SYLLABUS FOR M.PHIL. COMPUTER SCIENCE

FOR THE STUDENTS ADMITTED FROM THE

ACADEMIC YEAR 2012 – 2013 ONWARDS

 PERIYAR UNIVERSITY, SALEM - 11
MASTER OF PHILOSOPHY IN COMPUTER SCIENCE
M.Phil – Computer Science
Regulations
Full Time / Part Time
 

1. OBJECTIVE OF THE PROGRAMME 

It is a pre-research degree in Computer Science for PostGraduate in

Computer Science/Computer Applications/Software Science/Computer
Communication/Information Technology/Software Engineering/Theoretical
Computer Science/Computer Technology/ or any other equivalent programme
recognized by this University. It is aimed to explore the various research areas
in Computer Science and Applications.
 

2. ELIGIBILITY 

Candidates who have qualified their Postgraduate degree in Computer

Science/Computer Applications/Software Science/Computer
Communication/Information Technology/Software Engineering/Theoretical
Computer Science/Computer Technology/Information Science and
Management/ Information Technology and Management of this University or
any other University recognized by the Syndicate as equivalent thereto shall be
eligible to register for the Degree of Master of Philosophy (M.Phil.) in
Computer Science and undergo the prescribed course of study in an approved
institution or Department of this University.

Candidates who have qualified their postgraduate degree on or after 1 
January 1991 shall be required to have obtained a minimum of 55% of marks 
in their respective postgraduate degrees to become eligible to register for the 
Degree of Master of Philosophy (M.Phil.) and undergo the prescribed course 
of study in an approved institution or department of this University. 
 For the candidates belonging to SC/ST community, and those who have
qualified for the Master’s degree before 01.01.1991 the minimum eligibility
marks shall be 50% in their Master’s Degree.
 

3. DURATION  

  The      M.  Phil.  Programme  spans  over  a  period  of  one  year  from  the 
commencement of the programme comprising of two semesters. 

4. COURSE OF STUDY 

There are three courses for semester I and Dissertation and viva-voce
for semester II. The third course in the first semester shall be a specialization
related to the Dissertation. The student in consultation with the research
supervisor must select the third course and the research supervisor should
frame the syllabus.
 

5. SCHEME OF EXAMINATIONS 

Courses  Number  Hours  Per  Examin Marks 

of  Week  ation 
Duration 
Credits 
(hrs) 
S. A  E.E  Total

Semester‐I 

Course‐01 
4  4  3  25  75  100 
Research Methodology 

Course‐02 
4  4  3  25  75  100 
Advanced  Computing 
Techniques 

Course‐03 
4  4  3  25  75  100 
Specialization Course 

Semester‐II   

Course‐04       

Dissertation and Viva‐Voce     8+4      50  50+  200 

          100* 

Total no. Core course 20  

 of            Elective course  
04  
Credits           
   

Grand Total 24  

Total Marks   500

   

+   Evaluation by external examiner   100 Marks 

*  Joint viva‐voce 50 Marks 

( Research supervisor 25 Marks  + External 25 Marks) 

               

  The  distribution  of  marks  for  Sessional  Assessment  and  /External 

Examination  will  be  25%  and  75%  respectively.    The  Sessional  Assessment  is 
distributed to tests, seminar and attendance as 10%, 10% and 5% respectively. 

The Examination for courses I, II and III shall be held at the end of the
first semester.
 The Examination for specialization course will be conducted by the
controller of examination along with courses I and II. Two different sets of
question papers should be sent to the controller of examinations along with the
syllabus for specialization course by the respective research supervisors.
   

Semester II - Dissertation and Viva Voce

 

  The  area  of  the  Dissertation,  which  should    be  relevant  to  the 
specialization  course,  shall  be  intimated  to  the  office  of  the  controller  of 
examinations  within    a  month    from  the  date  of  the  commencement  of  the 
second  semester.  Candidates  shall  submit  two  copies  of  the  Dissertation  to 
the  controller  of  examination    through  the  Supervisor  and  Head  of  the 
Department  concerned  at  the  end  of  the  second  semester.    The  supervisor 
should submit a panel of  four examiners along with the dissertation for the 
evaluation of  specialization course, dissertation and to conduct the viva voce.    
The  respective  supervisors  shall  be  an  internal  examiner.  The  viva  board 
should    consist  of  the      research  supervisor,  head  of  the  department  and 
external examiner. 

  The Examiners who value the Dissertation shall report on the merit of 
Candidates as    “Highly Commended”(75% and Above) or “Commended” (50% 
and Above and Below 75%) or “Not Commended”  (Below 50%). 

  Submission or re‐submission of the dissertation will be allowed twice a 
year. 

6. PASSING MINIMUM   
    A Candidate shall be declared to have passed if he/she secures not less 
than 50% of the marks in each course. 

7. RESTRICTION IN NUMBER OF CHANCES 

No Candidate shall be permitted to reappear for the written examination

in any course on more than two occasions or to resubmit a Dissertation more
than once. Candidates shall have to Qualify for the Degree passing all the
theory courses and Dissertation within a period of four years from the date of
commencement of the programme.
 

8.  CONFERMENT OF DEGREE: 

  No  Candidate  shall  be  Eligible  for  conferment  of  the  M.Phil  Degree 
unless he/she is declared to have passed all the courses  of the Examination as 
per the Regulations. 

9. Eligibility  for research supervisors conducting the M.Phil. Programme: 

As per the regulations of Periyar University.

 

 
 

Course 01      Research Methodology    4 Credits 

UNIT I: 

Basic  Elements:  Thesis  Elements  –  Paper  Elements  –  Order  of  Thesis  and  Paper 
Elements  –  Concluding  Remarks  –  Identification  of  the  Author  and  His  Writing:  Author’s 
Name  and  Affiliation  –  Joint  Authorship  of  a  Paper:  Genuine  Authorship  and  Order  of 
Authors. Identification of Writing: Title, Keyboards, synopsis, preface and abstract – Typical 
Examples.  Chapters  and  Sections:  Introductory  Chapters  and  Section  –  Core  Chapters  and 
Sections.  Text‐Support  materials:  Figures  and  Tables  –  Mathematical  Expressions  and 
Equations  –  References  –  Appendixes  and  Annexure  –  Listing  of  Materials.  Numbering  of 
elements:  Pagination  –  Numbering  of  Chapters,  Sections  and  Subsections  –  Numbering  of 
figures and Tables – Equation Numbering – Appendix Numbering – Reference Numbering. 

UNIT II: 

Fuzzy  Sets:  Introduction  –  Basic  Definitions  and  terminology  –  Set‐theoretic 

operations – MF formulation and parameterization – More in fuzzy union, intersection and 
complement.  Fuzzy  rules  and  fuzzy  reasoning:  Introduction  ‐  extension  principle  and  fuzzy 
relations  –  fuzzy  If‐Then  rules  –  fuzzy  reasoning.    Fuzzy  Inference  Systems:  Introduction  – 
Mamdani  fuzzy  models  –  Sugeno  fuzzy  models  –  Tsukamoto  fuzzy  models  –  Other 
considerations. 

UNIT III: 

Introduction to Artificial Neural Networks: Introduction – Artificial neural networks – 
Historical  development  of  neural  networks  –  Biological  neural  networks  –  Comparison 
between  the  brain  and  the  computer  –  Comparison  between  artificial  neural  networks  – 
Artificial  Neural  Networks  (ANN)  terminologies.  Fundamental  Models  of  Artificial  Neural 
Networks:  Introduction  –  McCulloch‐Pitts  neuron  model  –  Learning  rules  –  Hebb  Net. 
Perceptron  Networks:  Introduction  –  Single  layer  perceptron  –  Brief  introduction  to 
multilayer perceptron networks.  
  

UNIT IV: 

Feed  forward  networks:  Introduction  –  Back  Propagation  Network  (BPN)  –  Radial 

Basis Function Network (RBFN). Self Organizing Feature Map: Introduction – Methods used 
for  determining  the  Winner  ‐  Kohonen  Self  Organizing  Feature  maps  (SOM)  –  Learning 
Vector Quantization – Max Net – Mexican Hat – Hamming Net. 

UNIT– V 

   

  Statistical  Decision  Making:  Introduction  –  Bayes’s  Theorem  –  Multiple  Features  – 

Conditionally  Independent  Features  –  Decision  Boundaries  –  Unequal  Costs  of  Error  – 
Estimation  of  Error  Rates  –  The  Leaving  –  One  –  Out  Technique  –  Characteristic  Curves  – 
Estimating  the  Composition  of  Populations  –  Problems  –  Clustering:  Introduction  – 
Hierarchical Clustering – Partitional Clustering ‐  Problems. 

Text Books: 

1. B.N. Basu, “Technical Writing”, PHI, Pvt., Ltd., New Delhi, 2007.  
      (Chapters: 4, 5, 6, 7, 8) 

2. J.S.R.  Jang,  C.T.  Sun,  E.  Mizutani,  ‘Neuro  –  Fuzzy  and  Soft  Computing  A 
Computational  Approach  a  Learning  and  Machine  Intelligence’,  Pearson  education, 
2007. (Chapters: 2, 3, 4) 
 

3. S.N  Sivanandam,  S.  Sumathi,  S.N.Deepa,  ‘Introduction  to  Neural  Networks  using 
MatLab 6.0’, TMH, 2008. (Chapters: 2, 3, 4, 8, 9) 
 

4. Earl  Gose,  Richard  Johnson  Laugh,  Steve  Jost  ‘Pattern  Recognition  and  Image 
Analysis’, – PHI – 1997. (Chapters: 3, 5). 
 

Reference Books: 
 1. Anderson, Durston, Poole, ‘Thesis and Assignment Writing’, Wiley Eastern University 
Edition, 1970. 
2. Donald H. McBurney, ‘Research Methods’, Thomson Asia Pte Ltd., 2002. 
3. George  J.  Klir,  Bo  Yuan.  ‘Fuzzy  sets  and  Fuzzy  Logic  Theory  and  Application’,  PHI, 
1995. 
4. George J. Klir, Tina A. Folger, ‘Fuzzy sets, Uncertainty and Information’, PHI, 2007. 
5. Richard O. Duda, Peter E. Hart, David G. Stork, ‘Pattern Classification’, John Wiley & 
Sons Inc. 2001. 
6. Naresh K. Sinha, Madan M. Gupta, ‘Soft Computing & Intelligent Systems Theory and 
Applications’, Elsevier, 2000. 
7. Philip D.Wasserman, ‘Neural Computing Theory and Practice’, Anza Research Inc. 
8. Earl  Cox,  ‘Fuzzy  modeling  and  genetic  algorithms  for  data  mining  and  exploration’, 
Elsevier Inc, 2005. 
9. S. Rajasekaran, G.A. Vijaya lakshmi Pai, ‘Neural Networks, Fuzzy Logic, and Genetic 
Algorithms Synthesis and Applications’, PHI, 2006. 
10. N.P.  Padhy,  ‘Artificial  Intelligence  and  Intelligent  Systems’,  Oxford  University  Press, 
2005. 
11. Oded Maimon, Lior Rokach, ‘The Data Mining and Knowledge Discovery hand book’, 
Springer Science + Business Media, Inc. 2005. 
12. Alex  A.  Freitas,  ‘Data  Mining  and  Knowledge  discovery  with  Evolutionary 
Algorithms’, Springer International Edition, 2008. 
13. János  Abongyi,  Balazs  feil,  ‘Cluster  Analysis  for  Data  Mining  and  system 
identification’, Birkhäuser Verlag AG , 2007 
 

 Course 02  Advanced Computing Techniques   4 Credits 

Unit I: 

From  Real  to  Artificial  Ants:  Ant’s  foraging  behavior  and  optimization  –  Double 
bridge  experiments  ‐    A  Stochastic  model  –  Toward  artificial  ants  ‐  Artificial  ants  and 
minimum  cost  paths  –  S‐ACO  –  The  ACO  metaheuristic  –  problem  representation  –  Ants’ 
behaviour – The metaheuristic – Ant colony optimization(ACO) algorithms for the traveling 
salesman  problem  –Ant  system  and  its  direct  successors  –  Extension  of  Ant  system  – 
Implementing ACO algorithm. 
 

Unit II: 

A  gentle  introduction  to  genetic  algorithms  –  What  are  genetic  algorithms?  – 

Robustness  of  traditional  optimization  and  search  methods  –  The  goals  of  optimization  – 
How are genetic algorithms different from traditional methods – A simple genetic algorithm 
– Genetic algorithms at work – A simulation by hand – Grist for the search mill – Important 
similarities  –  Similarity  templates    (Schemata)  –  Learning  the  lingo.  Genetic  algorithms 
revisited:  Mathematical  foundation  –  who  shall  live  and  who  shall  die?  The  fundamental 
theorem – Schema processing at work: An example by hand revisited – The two armed and 
k‐armed  bandit  problem  –  Computer  implementation  of  a  genetic  algorithm  –  Data 
structures – Reproduction, Crossover and mutation – A  time to reproduce, a time to  cross – 
Get with the main program – Mapping objective functions to fitness form – Codings. 

Unit III: 

Rough sets – Information systems – Indiscernibility and set approximation – reducts 
– Dependency rule generation – Linguistic representation of patterns and fuzzy granulation – 
Rough –fuzzy case generation methodology – Thresholding and rule generation – Mapping 
dependency rules to cases – Case retrieval – Rough –fuzzy clustering‐ CEMMiSTRI: Clustering 
using  EM,  Minimal  spanning  tree  and  Rough‐fuzzy  initialization‐  Mixture  model  estimation 
via  EM  algorithm  –  Rough  set  initialization  of  mixture  parameters‐  Mapping  reducts  to 
mixture parameters‐ Graph – theoretic clustering of Gaussian components. 

UNIT IV: 

ANFIS: Adaptive Neuro‐Fuzzy Inference Systems: Introduction – ANFIS architecture – 
Hybrid learning algorithm – Learning methods that cross‐fertilize ANFIS and RBFN – ANFIS as 
a universal approximator – Simulation examples – Coactive Neuro‐fuzzy Modeling: Towards 
Generalized  ANFIS:  Introduction  –  Framework  –  Neuron  functions  for  adaptive  networks  – 
Neuro‐Fuzzy spectrum – Analysis of adaptive learning capability 

 
 

UNIT V: 

  SVM:  Introducation  –  Need    for  SVMS    ‐  Support  Vector  Machine  classifiers  – 

Classification of heart Disease database using Learning Vector Quantization ‐ Artificial Neural 
Netwok:  Vector  quantization  Learning  Vector  Quantization  (LVQ)  ‐Data  representation 
scheme – Sample of hear diseases data sets – LVQ program ‐Input format  ‐ Output format ‐ 
Simulation results . 

Text Books: 

1. Ant colony optimization, Marco Dorigo and Thomas Stutzle, PHI, 2005. 

   (Chapters: 1.1 – 1.3, 2.2, 3.1 – 3.4, 3.8) 

2.  Genetic  Algorithms  in  Search  Optimization  and  Machine  Learning,  David 
E.Goldberg, Pearson Education, 2007. (Chapters: 1, 2, 3) 

3. Pattern Recognition Algorithms for Data Mining , Sankar K.Pal and  Pabitra Mitra , 
CHAMPMAN & HALL/CRC  2004. (Chapters: 5.3, 5.4, 5.5, 6.1, 6.4) 

4. Neuro Fuzzy Soft Computing , Jang sun, Mizutani, Pearson Education, 2005.  

   (Chapters: 12, 13) 

5.  S.N.Sivanandam,  S.Sumathi,  ,S.N.Deepa  ‐  Introduction  to  Neural  Networks  using 

Matlab 6.0 TMH., 2008‐ Chapters (12.13 , 15.5)   

Reference Books: 
 

1. Yegnanarayana, “Artificial Neural Networks”, PHI, 2008. 
2. Bart Kosko, “A dynamical system approach to Machine Intelligence, PHI, 1992. 
3. George  J.Klirl  Bo  Yuen,  “Fuzzy  sets  and  Fuzzy  Logic  Theory  and  Application”,  PHI, 
1995. 
4. Limin Fu, “Neural Network in Computer Intelligence”, TMH 2003. 
5. Mitra,  Datte  Perhim  and  Michai  lido  –  “Introduction  to  Machine  Learning      and 
Bioinformatics” –CRC – 2000. 
6. Naresh H.sinha, Madan M. Gupta, “Soft Computing & Intelligent System – Theory & 
Application” ‐ Academic press serving in Engineering‐ 1999. 
7. Donoso,  Tabregat,  “Multi  objective  optimization  in  Computer  Networking”  meta 
heuristic auerbuch publication – Taylor & Francis group.‐2007. 
 

Course 03  Specialization  course    4 Credits 

The students must select the course from advanced research areas in
computer science and the syllabus should be framed by the respective research
supervisor. The syllabus along with two different sets of question papers may
be communicated to the controller of examinations. The semester examination
for specialization course will be conducted by the controller of examinations
along with courses I and II.
 

 
 M.PHIL-QUESTION PAPER PATTERN FOR Courses, I, II, III
 

Duration: 3 Hours            Max Marks: 75 

        Section – A      5 X 5 = 25 

                   All questions carry equal marks. 

Five questions either or type and one question from each unit  

Section – B      5 X 10 = 50 

                All questions carry equal marks. 

Five questions either or type and one question from each unit