《人工智能与专家系统》求取 ⇩

第一章 引言1

1.1 早期的人工智能1

1.2 专家系统的出现与发展5

1.3 知识工程和专家系统工具9

1.4 人工智能的发展趋势13

第二章 问题求解和专家系统的基本原理16

2.1 什么是人工智能16

2.2 问题求解的基本原理18

2.2.1 产生式认知模型18

2.2.2 搜索与思维过程21

2.2.3 一般的搜索系统23

2.3 启发式搜索27

2.3.1 什么是启发式搜索27

2.3.2 启发式图搜索算法28

2.3.3 启发式搜索例解30

2.3.4 其它搜索技术33

2.4 专家系统概述36

2.4.1 什么是专家系统36

2.4.2 专家系统的组成39

2.4.3 专家系统的研究课题44

3.1 人工智能的基本假设54

第三章 符号逻辑基础54

3.2 谓词逻辑的基本概念56

3.2.1 概述56

3.2.2 一阶谓词演算的形式符号56

3.2.3 合式公式及其解释57

3.2.4 知识的逻辑表示59

3.2.5 逻辑推理61

3.3 海伯伦理论63

3.3.1 斯柯林标准型与子句集63

3.3.2 海伯伦全域65

3.3.3 海伯伦定理及其实现方法68

3.4.1 基本思想72

3.4 归结原理72

3.4.2 命题逻辑中的归结原理73

3.4.3 代换和一致化75

3.4.4 一致化算法77

3.4.5 一阶逻辑中的归结原理79

3.4.6 归结原理的完备性80

3.5 Horn逻辑82

3.5.1 Horn子句集的归结原理82

3.5.2 逻辑程序概述83

3.5.3 逻辑程序的过程语义85

4.1.1 串91

第四章 人工智能语言的基本机制91

4.1 代数项语法91

4.1.2 树92

4.1.3 关于树的操作93

4.1.4 项94

4.1.5 代换与次序95

4.1.6 项集的完全格96

4.2 基本计算机制98

4.2.1 项的匹配98

4.2.2 项的一致化98

4.2.3 项的逆一致化99

4.2.4 项的分离一致化100

4.2.5 等式理论中的一致化100

4.3 等式逻辑与重写系统102

4.3.1 等式推理102

4.3.2 项重写102

4.3.3 重写系统的终止性问题104

4.3.4 重写系统的合流问题105

4.3.5 归约写窄化107

4.4 函数程序设计与逻辑程序设计108

4.4.1 函数程序设计108

4.4.2 逻辑程序设计111

4.4.3 函数型语言与逻辑型语言的合成112

第五章 产生式系统116

5.1 产生式系统概述116

5.2 推理的方向121

5.3 产生式系统语言CLIPS126

5.4 Rete快速匹配算法133

5.4.1 模式匹配的基本概念133

5.4.2 Rete算法的基本思想134

5.4.3 Rete匹配网络结构136

5.4.4 Rete网络匹配过程139

5.5 冲突消解143

5.6 元知识146

5.6.1 什么是元知识146

5.6.2 元知识的用途148

5.6.3 元知识的表示与使用模式151

5.7 产生式系统分析152

第六章 知识的结构化表示法159

6.1 语义网络159

6.1.1 语义网络知识表示159

6.1.2 语义网络的推理170

6.1.3 网络表示法的局限性173

6.2.1 框架系统概述174

6.2 框架系统174

6.2.2 基于框架的推理180

6.2.3 框架系统与产生式系统的结合185

6.2.4 小结189

6.3 面向对象的表示190

6.3.1 对象、消息和方法190

6.3.2 类、类层次和继承性194

6.3.3 面向对象知识表示与语义网络、框架系统的比较197

7.1 不确定性200

7.1.1 证据的不确定性200

第七章 不确定推理200

7.1.2 规则的不确定性202

7.1.3 推理的不确定性203

7.2 概率推理模型205

7.2.1 主观贝叶斯方法205

7.2.2 PROSPECTOR的不确定推理模型209

7.3 可信度理论215

7.3.1 MYCJN模型215

7.3.2 一般CF模型219

7.4 证据理论224

7.4.1 证据理论基础224

7.4.2 Dempster组合规则228

7.4.3 证据推理模型233

7.5 模糊推理237

7.5.1 模糊集合及其基本操作237

7.5.2 模糊关系240

7.5.3 语言变量与模糊推理242

第八章 专家系统的开发技术247

8.1 专家系统的开发过程247

8.1.1 建造专家系统的步骤247

8.1.2 增量式开发方法249

8.1.3 原型系统与快速原型法249

8.1.4 螺旋形模型251

8.2 专家系统问题求解类型252

8.2.1 专家系统的任务类型252

8.2.2 分类问题与分析型专家系统254

8.2.3 构造问题与设计型专家系统257

8.2.4 层次假设与测试260

8.3 知识获取262

8.3.1 概述262

8.3.2 知识获取的心理学方法264

8.3.3 知识库求精270

8.4 黑板模型271

8.4.1 基本思想271

8.4.2 问题求解的黑板结构272

8.4.3 REARSAY-Ⅲ系统274

8.5 解释机制277

8.5.1 解释机制概述277

8.5.2 预置文本与路径跟踪法279

8.5.3 策略解释法281

8.5.4 自动程序员方法282

8.5.5 解释型专家系统283

8.6 专家系统工具285

8.7 专家系统设计实例289

8.7.1 咨询过程289

8.7.2 知识库的描述294

8.7.3 知识在推理咨询过程中的使用300

第九章 机器学习310

9.1 机器学习的概念和方法310

9.2 归纳学习312

9.2.1 归纳学习的基本概念312

9.2.2 描述空间314

9.2.3 基于决策树的归纳学习方法317

9.2.4 Induce算法323

9.3 基于解释的学习326

9.3.1 基于解释的学习框架326

9.3.2 基于解释的学习过程328

9.4.1 人工神经网络的结构与工作原理330

9.4 人工神经网络学习方法330

9.4.2 感知器及其学习算法332

9.4.3 反向传播网络与算法333

9.5 小结335

第十章 新一代知识处理技术337

10.1 定性推理技术337

10.1.1 定性推理概述337

10.1.2 定性演算的数学基础340

10.1.3 基于定性演算的行为预测方法343

10.2.1 非单调推理的基本概念346

10.2 常识与非单调推理346

10.2.2 非单调推理的逻辑方法347

10.2.3 非单调推理方法350

10.3 基于事例的推理357

10.3.1 基于事例推理的基本思想357

10.3.2 事例的表示与组织358

10.3.3 事例的检索与改写360

10.4 分布式人工智能与协同式专家系统361

10.4.1 基本概念361

10.4.2 分布式问题求解的研究课题362

10.4.3 契约网模型365