《归纳逻辑与人工智能》求取 ⇩

第一篇 对归纳的研究与进展3

第一章 从古典归纳逻辑到现代归纳逻辑3

第一节 古典归纳逻辑3

第二节 现代归纳逻辑8

第三节 归纳悖论19

第四节 归纳逻辑的进展21

第二章 专家系统、知识工程中的归纳问题25

第一节 不确定推理中的归纳27

第二节 机器学习中的归纳35

第三章 认知科学中的归纳发现问题41

第一节 认知科学的特点及有关的归纳问题41

第二节 关于知识的分类与获取中的归纳44

第四章 神经网络的学习与记忆模型51

第一节 神经网络及其信息处理的特点52

第二节 神经网络的结构与形态53

第三节 神经网络的学习与记忆模型56

第四节 神经网络求解的优化问题67

第二篇 归纳逻辑与归纳学习相结合的理论问题72

第五章 归纳逻辑与归纳学习相结合的研究任务72

第六章 归纳逻辑与归纳学习的逻辑基础问题77

第一节 归纳学习是机器学习的核心77

第二节 归纳学习的逻辑基础问题79

第三节 归纳学习与归纳逻辑的结合82

第七章 机器归纳的概念空间理论与实现问题91

第一节 演绎化的机器与发现92

第二节 人工智能与归纳逻辑的结合问题96

第三节 机器归纳的实现问题106

第三篇 一类新型的基于认知哲学逻辑的归纳学习系统116

第八章 卡尔纳普的归纳逻辑系统116

第一节 概率逻辑系统φπN116

第二节 归纳逻辑公理系统122

第三节 几点注记125

第九章 基于卡尔纳普、科恩归纳逻辑的概念获取算法与知识评估方法130

第十章 基于卡尔纳普归纳逻辑的属性论归纳学习模型139

第一节 属性的基本理论140

第二节 属性表示的两个基本算法146

第三节 模糊语言φπN及其学习算法152

第十一章 基于卡尔纳普归纳逻辑的概念分类算法159

第十二章 科恩的非帕斯卡概率归纳逻辑169

第一节 归纳支持及其分级171

第二节 归纳支持分级和归纳概率分级的逻辑句法175

第三节 归纳支持和归纳概率的形式系统178

第十三章 基于非帕斯卡归纳逻辑的归纳学习系统183

第一节 非帕斯卡归纳逻辑的特点183

第二节 非帕斯卡归纳逻辑推理的理论基础186

第三节 基于归纳逻辑的归纳学习系统之实现190

第一节 机器学习和机器发现中的归纳推理问题199

第十四章 基于亨普尔-科恩归纳逻辑用于解决归纳特征的相关检验-修正法199

第二节 科恩的相关变量法201

第三节 相关检验-修正法204

笫十五章 勃克斯的归纳概率理论212

第一节 勃克斯实用理论212

第二节 预定归纳概率理论218

第十六章 基于勃克斯归纳概率的新确证理论224

第一节 科学理论的描述与评价226

第二节 归纳的不确定性推理232

第三节 归纳概率函数236

第一节 统计归纳253

第十七章 凯恩斯统计推断的归纳系统253

第二节 归纳相关262

第十八章 拉卡托斯发现逻辑与项重写技术的机器发现逻辑268

第一节 拉卡托斯的发现逻辑268

第二节 项重写技术与一阶演绎271

第三节 假说演算274

第四节 拉卡托斯证伪方法论的形式化280

第十九章 基于认知科学的深层知识结构的实用模型292

第四篇 神经网络的归纳学习模型问题298

第二十章 神经网络与人工智能中归纳学习的分析比较298

第二十一章 相似思维模型及其自组织方法的实现304

第一节 相似及相似思维模型304

第二节 自组织特征映射306

第三节 模拟实验308

第二十二章 神经网络的自组织自学习方法314

第二十三章 多层次归纳型智能推理模型320

第一节 背景概述320

第二节 逻辑环境323

第三节 推理模型327

第五篇 逻辑问题、概率问题及其数学问题335

第二十四章 非公理逻辑中的归纳335

第一节 非公理逻辑的基本成分337

第二节 归纳功能的实现343

第三节 关于归纳的若干问题347

第二十五章 关于不确定性度量的极小化原理352

第一节 极小化原理353

第二节 复合命题的不确定性度量355

第三节 度量的换算358

第二十六章 概率定义和概率逻辑系统361

第一节 概率定义361

第二节 费希尔概率逻辑系统366

第二十七章 贝叶斯主义学习理论375

第二十八章 关于逻辑与概率的数学问题384

第一节 形式语言上的概率函数384

第二节 随机数列与递归理论388

第三节 非标准方法392