《人工智能 原理·方法·应用》求取 ⇩

前言1

第一章　绪论1

§1.1 什么是人工智能1

目录1

1.1.1 智能2

1.1.2　人工智能5

§1.2　人工智能的发展简史6

§1.3　人工智能的研究目标12

§1.4　人工智能研究的基本内容13

§1.5 人工智能的研究途径15

1.5.1　关于研究途径的两种观点15

1.5.2　以符号处理为核心的方法16

1.5.4　混合系统17

1.5.3　以网络联接为主的联接机制方法17

§1.6　人工智能的研究领域19

习题21

第二章　人工智能中的逻辑23

§2.1 命题逻辑与谓词逻辑23

2.1.1　命题23

2.1.2　谓词24

2.1.3　谓词公式25

2.1.4　谓词公式的解释27

2.1.5 谓词公式的永真性、可满足性、不可满足性29

2.1.6　谓词公式的等价性与永真蕴含30

§2.2 三值逻辑32

2.2.1　Kleene的强三值逻辑32

2.2.2　Luckasiewicz逻辑33

2.2.3　Bochvar逻辑34

§2.3　多值逻辑35

§2.4 模糊逻辑37

2.4.1　集合与特征函数37

2.4.2　模糊子集与隶属函数38

2.4.3　模糊子集的扎德表示法39

2.4.4　模糊子集的运算及性质40

2.4.5　模糊关系42

2.4.6　模糊关系的合成44

2.4.7　模糊变换45

习题47

3.1.1　什么是知识49

§3.1 基本概念49

第三章　知识与知识表示49

3.1.2　知识的特性51

3.1.3　知识的分类52

3.1.4　知识的表示54

§3.2 一阶谓词逻辑表示57

3.2.1　表示方法57

3.2.2　一阶谓词逻辑表示的特点62

§3.3 产生式表示63

3.3.1　产生式的基本形式63

3.3.2　产生式系统64

3.3.3　可交换的产生式系统67

3.3.4　可分解的产生式系统69

3.3.5　产生式表示的特点69

§3.4 语义网络表示71

3.4.1　语义网络的概念72

3.4.2　语义网络对合取、析取的表示76

3.4.3　语义网络的分区77

3.4.4　语义网络中常用的语义联系78

3.4.5　语义网络表示的问题求解过程81

3.4.6　语义网络表示的特点83

§3.5 框架表示84

3.5.1　框架的一般形式84

3.5.2　框架网络86

3.5.3　框架表示的问题求解过程92

3.5.4　框架表示的特点93

3.6.1　概念依赖理论95

§3.6 脚本表示95

3.6.2　脚本96

§3.7　过程表示99

§3.8 不精确知识的表示100

3.8.1　基于产生式的不精确知识表示100

3.8.2　基于框架的不精确知识表示109

3.8.3　基于语义网络的不精确知识表示110

§3.9　Petri网表示110

§3.10　神经元网络表示112

习题114

第四章　推理117

§4.1 基本概念117

4.1.1　什么是推理117

4.1.2　推理方式及其分类118

4.1.3　推理中的控制策略120

4.1.4　推理方向121

4.1.5　模式匹配124

4.1.6　冲突消解策略134

§4.2　自然演绎推理137

§4.3 归结演绎推理139

4.3.1　子句140

4.3.2　海伯伦理论143

4.3.3　鲁宾逊归结原理145

4.3.4　归结反演150

4.3.5　应用归结原理求取问题的答案154

4.3.6　归结策略157

§4.4 不精确推理163

4.4.1　不精确推理中的基本问题164

4.4.2　确定性理论165

4.4.3　证据理论168

4.4.4　主观Bayes方法178

4.4.5　模糊推理186

§4.5 归纳推理194

4.5.1　枚举归纳推理195

4.5.2　类比归纳推理196

§4.6　非单调推理197

习题198

第五章　搜索203

§5.1 基本概念203

5.1.1　什么是搜索203

5.1.2　状态空间表示法204

5.1.3　与／或树表示法207

5.2.1 状态空间的一般搜索过程212

§5.2 状态空间的搜索策略212

5.2.2　广度优先搜索216

5.2.3　深度优先搜索221

5.2.4　有界深度优先搜索222

5.2.5　代价树的广度优先搜索224

5.2.6　代价树的深度优先搜索228

5.2.7　启发式搜索229

5.2.8　A＊算法235

§5.3 与／或树的搜索策略241

5.3.1　与／或树的一般搜索过程241

5.3.2　与／或树的广度优先搜索242

5.3.3　与／或树的深度优先搜索245

5.3.4　与／或树的有序搜索248

5.3.5　博弈树的启发式搜索254

5.3.6　α-β剪枝技术258

§5.4 搜索的完备性与效率261

5.4.1　完备性261

5.4.2　搜索效率261

习题262

第六章　专家系统266

§6.1　什么是专家系统266

§6.2　专家系统的分类269

§6.3 专家系统的一般结构271

6.3.1　人机接口271

6.3.2　知识获取机构272

6.3.3　知识库272

6.3.6　解释机构273

6.3.5　数据库273

6.3.4　推理机273

§6.4 知识获取274

6.4.1　知识获取的任务274

6.4.2　知识获取方式276

§6.5 知识的组织、维护与管理280

6.5.1　知识的组织280

6.5.2　知识的维护282

6.5.3　知识的管理285

§6.6 专家系统的建造与评价288

6.6.1　专家系统的建造原则289

6.6.2　专家系统的开发过程291

6.6.3　专家系统的评价296

6.6.4　一个例子298

§6.7　专家系统的开发工具302

§6.8　新一代专家系统的研究304

习题305

第七章　机器学习307

§7.1 什么是机器学习307

7.1.1　关于学习的几种主要观点308

7.1.2　机器学习的发展309

7.1.3　机器学习与智能系统310

§7.2 学习系统312

7.2.1　什么是学习系统312

7.2.2　学习系统的基本结构314

7.1.3　学习系统的分类315

§7.3　机械式学习317

§7.4　指导式学习319

7.5.1　示例学习的系统模型321

§7.5 示例学习321

7.5.3　形成知识的方法323

7.5.2　示例与知识的表示323

7.5.4　ID3算法325

§7.6 类比学习326

7.6.1　类比学习的学习过程327

7.6.2　属性类比学习328

7.6.3　转换类比学习329

§7.7 解释学习330

7.7.1　解释学习的描述框架331

7.7.2　解释学习的学习过程331

7.7.3　论域知识的完善性332

7.7.4 PRODIGY系统333

7.8.1 各种学习方法的比较334

§7.8 学习方法的比较与展望334

7.8.2　机器学习的展望335

习题335

第八章　自然语言理解337

§8.1 什么是自然语言理解337

8.1.1 自然语言理解研究的任务338

8.1.2 自然语言理解的发展338

§8.2 语法规则的表示方法340

8.2.1　句子结构的表示341

8.2.2　上下文无关文法341

8.2.3　变换文法343

§8.3 语法分析345

8.3.1 自顶向下与自底向上的分析345

8.3.2　扩充转移网络分析348

§8.4 语义的分析与理解354

8.4.1　语义文法354

8.4.2　格文法355

习题358

第九章　智能决策支持系统359

§9.1 什么是智能决策支持系统359

9.1.1　决策与决策过程359

9.1.2　决策支持系统360

9.1.3　智能决策支持系统362

§9.2 智能决策支持系统的组成363

9.2.1　模型库系统364

9.2.2　方法库系统365

9.2.4　会话系统366

9.2.3　数据库系统366

9.2.5　智能部件368

§9.3 智能决策支持系统的结构369

9.3.1　决策支持系统的结构369

9.3.2　决策支持系统与智能部件的集成370

习题371

第十章　智能计算机373

§10.1　什么是智能计算机373

§10.2　知识信息处理系统376

§10.3 人工神经网络计算机380

10.3.1　神经元与人工神经元381

10.3.2　三种人工神经网络计算机383

习题385

参考资料385