《人工智能原理与应用 专家系统、机器学习、面向对象的方法》求取 ⇩

目录1

第一章 绪论1

1.1 人工智能的发展概况1

1.1.1 什么是人工智能1

1.1.2 人工智能的研究途径1

1.1.3 人工智能学科的发展历史1

1.2　人工智能的应用2

1.2.1　知识工程2

1.2.2　专家系统2

2.1.1　LISP语言概述5

2.1　LISP语言5

第二章　人工智能程序设计语言5

2.1.2　LISP的基本功能7

2.1.3　递归与迭代15

2.1.4　输入输出功能19

2.1.5　LISP的其它功能21

2.2　PROLOG语言23

2.2.1 PROLOG语言概述23

2.2.2 PROLOG语言程序设计基础24

2.2.3　重复和递归的方法31

2.2.4　表处理方法35

2.2.5　建立数据库的方法37

2.2.6　字符串处理方法38

2.2.7　输入输出设计39

2.2.8　PROLOG的其它功能40

2.3　面向对象的程序设计42

2.3.1　概述42

2.3.2　面向对象程序设计的基本思想43

2.3.3　基于类的系统44

2.3.4　基于原型的系统48

2.3.5　混合系统50

2.3.6　面向对象的计算模型51

习题53

第三章　知识表示55

3.1　概述55

3.1.1　知识与知识表示55

3.1.2　知识的表示方法56

3.2　逻辑表示法57

3.2.1　一阶谓词逻辑57

3.2.2　谓词逻辑用于知识表示60

3.3　规则表示法61

3.3.1　产生式规则与产生式系统61

3.3.2　Markov算法和Rete算法64

3.3.3　控制策略的类型65

3.4.1 语义网络的基本概念66

3.4　语义网络表示法66

3.4.2　语义网络的应用69

3.5　框架表示法72

3.5.1　框架的基本概念72

3.5.2　框架表示的应用73

3.6　概念从属与剧本表示法74

3.6.1 概念从属74

3.6.2　剧本77

习题79

4.1.1　概述80

第四章　基本的问题求解方法80

4.1　状态空间搜索80

4.1.2　回溯策略84

4.1.3　图搜索策略87

4.1.4　任一路径的图搜索90

4.1.5　最佳路径的图搜索90

4.1.6　与或图的搜索97

4.2　博弈树搜索101

4.2.1　概述101

4.2.2　极小极大过程102

4.2.3　α－β过程103

4.3　通用问题求解106

4.3.1　手段目的分析107

4.3.2　生成与测试109

4.3.3　约束满足110

习题113

第五章　基本的推理方法115

5.1　归结反演系统115

5.1.1　谓词演算基础115

5.1.2　归结反演119

5.1.3　归结反演的控制策略121

5.1.4　从归结反演中提取解答123

5.2　基于规则的演绎系统127

5.2.1　正向演绎系统128

5.2.2　逆向演绎系统133

5.3　规划生成系统136

5.3.1　机器人问题求解136

5.3.2　正向系统137

5.3.3　规划的表示138

5.3.4　逆向系统140

习题144

6.1　推理的类型146

6.1.1　从逻辑基础上的分类146

第六章　实用推理技术146

6.1.2　从推理方法上的分类148

6.2　非单调推理149

6.2.1　概述149

6.2.2　非单调逻辑150

6.2.3　非单调系统152

6.3　不精确推理155

6.3.1　概述155

6.3.2　可信度方法159

6.3.3　主观Bayes方法168

6.3.4　证据理论169

6.3.5　可能性理论177

6.4　基于模型的推理185

6.4.1　基本原理185

6.4.2　基于规则与模型的系统186

6.5　基于事例的推理189

6.5.1　基本概念189

6.5.2　基本方法190

6.5.3　与基于规则的系统的比较191

习题191

7.1　基本结构192

第七章　专家系统的结构192

7.2　元知识系统结构194

7.2.1　什么是元知识194

7.2.2　元知识的作用194

7.2.3　元知识在专家系统中的应用196

7.3　黑板系统结构199

7.3.1　黑板模型200

7.3.2　黑板结构201

7.3.3　知识源202

7.3.4　控制策略204

7.4.1 基本概念205

7.4.2　知识源的表示205

7.3.5　黑板模型的优越性205

7.4　黑板控制结构205

7.4.3　控制黑板的组织206

7.4.4　调度机制209

7.4.5　黑板控制结构的优点与不足211

7.5　实例研究211

7.5.1　MYCIN系统211

7.5.2　AM系统218

习题222

8.1　概述223

8.1.1　知识获取的基本过程223

第八章　知识获取与机器学习223

8.1.2　知识获取的主要手段225

8.1.3　机器学习226

8.1.4　知识获取工具228

8.2　通过例子学习235

8.2.1　概述235

8.2.2　学习单个概念239

8.2.3　学习多个概念247

8.2.4　学习执行多步任务257

8.3.1　概述262

8.3　通过类比学习262

8.3.2　类比学习与推理系统264

8.3.3　转换类比与派生类比系统266

8.4　基于解释的学习273

8.4.1　概述273

8.4.2　基于解释的抽象274

8.5　通过观察学习276

8.5.1　合取概念聚类系统276

8.5.2　结构对象的概念聚类281

习题285

9.1　遗传算法分析286

9.1.1　概述286

第九章　遗传算法286

9.1.2　遗传算法的理论基础290

9.1.3　算法实现中的一些基本问题294

9.1.4　高级算子技术297

9.2　基于遗传的机器学习系统303

9.2.1　基于遗传学的机器学习304

9.2.2　一个分类器系统的实现308

第十章　面向对象的专家系统构造工具OEC314

10.1　面向对象的知识表示314

10.1.1　概述314

10.1.2　对象的表示314

10.1.3　规则的表示318

10.1.4　方法的表示321

10.2　问题求解机制326

10.2.1　概述326

10.2.2　模糊规则推理326

10.2.3　模糊决策树推理332

10.2.4　神经网络的模拟336

10.3　系统的开发338

10.3.1　用户界面338

10.3.2　知识库开发工具342

附录　OEC系统函数344

参考文献349