《人工智能与知识工程》求取 ⇩

前言1

第一章 绪论1

1.1 人工智能1

1.1.1 什么是人工智能1

1.1.2 什么是智能2

1.2 人工智能的发展史6

1.2.1 第一阶段--孕育期6

1.2.2 第二阶段--人工智能基础技术的研究与形成8

1.2.3 第三阶段--发展和实用化阶段9

1.2.4 第四阶段--知识工程与专家系统11

1.3 人工智能的研究领域13

1.3.1 专家系统13

1.3.2 自然语言处理17

1.3.3 机器学习20

1.3.4 定理证明21

1.3.5 分布式人工智能21

1.3.6 机器人22

1.3.7 模式识别23

1.3.9 计算机视觉24

1.3.8 博弈24

1.3.10 人工神经网络25

习题26

第二章 谓词演算与消解原理27

2.1 命题演算27

2.1.1 符号和命题27

2.1.2 命题演算的语义28

2.2 谓词演算30

2.2.1 谓词的语法和命题30

3.4 基于规则的产生式系统32

2.2.2 谓词演算的语义34

2.3 使用推理规则产生谓词演算表达式38

2.3.1 推理规则38

2.3.2 合一40

2.3.3 合一的一个例子43

2.4 应用：一个基于逻辑的金融投资辅助决策程序46

2.5 消解原理48

2.5.1 引言48

2.5.2 为消解否证产生子句形式49

2.5.3 消解证明过程52

2.5.4 消解的策略和简化技术55

2.5.5 从消解否证中提取解答60

习题62

第三章 知识表示64

3.1 引言64

3.1.1 知识64

3.1.2 使用知识65

3.1.3 不确定性和语义原语66

3.1.4 模块性和理解力67

3.1.6 陈述性与过程性表示68

3.2 知识表示技术综述68

3.1.5 明确知识和灵活性68

3.2.1 逻辑表示模式69

3.2.2 语义网络69

3.2.3 过程表示和产生式系统70

3.2.4 模拟或直接表示法71

3.2.5 特性表73

3.2.6 框架和剧本73

3.3 逻辑表示模式74

3.3.1 命题演算75

3.3.2 谓词演算76

3.3.3 逻辑表示在人工智能中的应用77

3.3.4 小结82

3.4.1 引言82

3.4.2 问题求解的方法84

3.4.3 问题求解中的搜索策略90

3.5.1 什么是语义网络93

3.5 语义网络93

3.5.2 扩展的语义网络94

3.5.3 部分语义网络97

3.6 框架表示法98

3.6.1 基本概念99

3.6.2 框架的实例化以及用不同观点表示实体102

3.6.3 类属特性，默认值和槽条件102

3.6.4 框架结构104

3.6.5 匹配和识别105

3.6.7 类比推理107

3.6.6 推理107

3.6.8 错误和遗漏检查108

3.6.9 过程附加108

3.6.10 框架表示法的特点与不足109

3.7 概念从属109

3.7.1 引言109

3.7.2 概念从属基本构成110

3.7.3 概念从属示例114

习题115

第四章 状态空间搜索117

4.1 图论119

4.1.1 状态空间搜索的结构119

4.1.2 问题的状态空间表示法120

4.2 状态空间搜索策略125

4.2.1 数据驱动和目标驱动的搜索125

4.2.2 图搜索的实现127

4.2.3 深度和广度优先搜索129

4.3.1 逻辑的状态空间描述135

4.3 谓词演算推理的状态空间表示法135

4.2.4 有界深度优先搜索135

4.3.2 与/或图136

4.3.3 讨论138

4.4 基于递归的搜索145

4.4.1 递归145

4.4.2 递归搜索146

4.5 模式驱动搜索147

4.6 产生式系统153

4.6.1 定义与历史153

4.6.2 产生式系统示例154

4.6.3 产生式系统搜索的控制159

4.6.4 人工智能产生式系统的优点162

习题163

第五章 启发式搜索165

5.1 启发信息和估价函数167

5.2 启发式搜索算法169

5.2.1 局部择优搜索法(瞎子爬山法)169

5.2.2 最好优先搜索法(有序搜索法)170

5.2.3 启发估价函数的实现172

5.2.4 启发式搜索与专家系统177

5.3 启发式搜索过程的可采纳性、单调性、信息性178

5.3.1 可采纳性178

5.3.2 单调性179

5.3.3 信息性180

5.4 启发式搜索在游戏中的应用180

5.4.1 强力搜索图上的极大极小化过程180

5.4.2 固定层数的极大极小法183

5.4.3 启发式搜索在一字棋游戏中的应用184

5.4.4 a-β剪枝技术187

5.5 复杂性问题188

习题190

第六章 Prolog语言192

6.1 概述192

6.2 Prolog语言基本概念和语法192

6.2.1 数据结构192

6.2.2 程序组成194

6.2.3 Prolog语法形式描述195

6.3.1 例化，匹配196

6.3 Prolog系统的搜索策略196

6.3.2 回溯197

6.3.3 搜索策略198

6.4 Prolog的内部谓词201

6.4.1 比较201

6.4.2 算术表达式求值201

6.4.3 输入输出201

6.4.4 文件操作202

6.4.5 控制谓词202

6.4.8 结构分量的建立与获得204

6.4.6 复杂目标的建立204

6.4.7 项的分类204

6.4.9 子句的增、删、改205

6.5 Prolog程序设计206

6.5.1 表处理和集合处理206

6.5.2 数学函数209

6.5.3 梵塔问题211

6.5.4 八皇后问题212

习题214

7.1.1 LISP语言及其PC SCHEME版本216

7.1.2 语言分类216

7.1 引言216

第七章 LISP语言216

7.1.3 LISP语言特性217

7.2 LISP语言简介217

7.2.1 LISP的数据结构--S-表达式217

7.2.2 基本函数219

7.2.3 常用的LISP系统函数222

7.2.4 条件函数，定义函数226

7.2.5 递归与迭代229

7.3 LISP程序设计及在人工智能中的应用实例233

7.3.1 LISP程序结构和用LISP语言解题234

7.3.2 梵塔问题234

7.3.3 水壶量水问题236

7.3.4 皇后问题237

7.3.5 向量程序设计239

7.3.6 博弈242

7.4 基于LISP的专家系统245

7.4.1 用函数表示动物分类专家系统246

7.4.2 用表表示动物分类专家系统248

7.4.3 一个小型医疗诊断专家系统250

习题252

第八章 专家系统254

8.1 什么是专家系统254

8.1.1 专家系统的历史254

8.1.2 专家系统的特性256

8.1.3 专家系统的构造者及其工具257

8.1.4 专家系统的优越性258

8.2.1 知识的组织260

8.2 如何组织专家系统260

8.2.2 知识表示262

8.3 专家系统与传统程序的区别264

8.3.1 专家系统的基本特点264

8.3.2 专家系统存在的问题267

8.4 专家系统的应用领域267

8.4.1 专家系统的分类和基本活动267

8.4.2 专家系统求解的类型272

8.5 开发专家系统的需求分析280

8.5.1 什么情况下开发专家系统是可能的280

8.5.2 什么情况下开发专家系统是合理的281

8.5.3 什么情况下开发专家系统是合适的282

8.6 建造专家系统285

8.6.1 建造专家系统的任务285

8.6.2 专家系统开发的阶段287

8.7 知识获取288

8.7.1 知识获取过程288

8.7.2 访问专家290

8.8 专家系统设计示例293

8.8.1 识别食物的简单产生式专家系统293

8.8.2 动物分类专家系统294

习题300

第九章 非精确性推理301

9.1 确定性理论301

9.1.2 MYCIN系统的推理策略302

9.1.3 MYCIN系统的知识表示306

9.1.4 MYCIN系统的非精确推理算法307

9.1.1 医疗专家系统MYCIN概述310

9.2 主观概率论313

9.2.1 PROSPECTOR系统概述314

9.2.3 似然推理模型315

9.2.2 推理网络315

习题326

第十章 专家系统开发工具327

10.1 专家系统开发工具的特征327

10.1.1 应用于开发专家系统的程序设计语言327

10.1.2 知识工程语言328

10.2 知识工程语言M.1329

10.2.1 M.1概述329

10.2.2 M.1的体系结构330

10.2.3 操作原理331

10.2.4 M.1的特征332

10.2.5 M.1应用领域333

10.3 M.1的知识表示334

10.3.1 知识库的语法334

10.3.2 项的语法336

10.4 M.1的推理机340

10.4.1 概述340

10.4.2 推理机工作过程341

10.4.3 可信度计算344

10.4.4 调节推理过程346

10.5.1 微型照相顾问348

10.5 M.1 的应用实例348

10.5.2 交通工具顾问352

习题355

11.2 机器学习概述356

11.2.1 什么是学习356

11.5.1 归纳学习分类356

11.1 引言356

第十一章 机器学习356

11.2.2 机器学习的意义357

11.2.3 机器学习研究的发展357

11.2.4 机器学习的目标358

11.3 机器学习的模型、策略和方法358

11.3.1 简单的学习模型358

11.3.2 主要的学习策略359

11.3.3 基本的学习方法360

11.4 机械学习、示教学习和类比学习361

11.4.1 机械学习361

11.4.2 示教学习362

11.4.3 类比学习364

11.5 基于示例的归纳学习365

11.5.2 示例学习基本概念366

11.5.3 示例学习的完备性条件与一致性条件369

11.5.4 示例学习中的噪音问题370

11.5.5 建立示例学习系统要考虑的几个问题370

11.6 ID系列算法371

11.6.1 判定树371

11.6.2 ID3算法371

11.6.3 ID4算法374

11.6.4 ID5R算法375

11.6.5 ID系列算法的比较分析379

11.7 一个基于示例的归纳学习系统380

11.7.1 系统概述380

11.7.2 系统的总体结构382

11.7.3 系统的核心算法383

11.7.4 系统运行实例387

习题390

第十二章 人工神经网络390

12.2.1 什么是神经网络391

12.1 引言391

12.2 人工神经网络概述391

12.2.2 脑神经信息活动的特征392

12.2.3 神经网络研究的目的和意义392

12.2.4 神经网络研究的发展392

12.2.5 人工神经网络研究的局限性394

12.3 神经网络基本模型395

12.3.1 生物神经元的结构395

12.3.2 M-P模型396

12.3.3 感知机模型397

12.3.4 Hopfield网络模型399

12.4 神经网络的学习400

12.4.1 “突触修正”假说400

12.4.2 学习算法的分类400

12.4.3 误差修正型学习401

12.4.4 竞争型学习402

12.4.5 赫布型学习403

12.4.6 随机型学习403

12.5.1 基本理论404

12.5 误差逆传播网络404

12.5.2 学习算法406

12.5.3 标准误差逆传播和累积误差逆传播407

12.5.4 全局最小和局部极小408

12.6 自适应谐振理论408

12.6.1 基本理论408

12.6.2 学习算法410

12.6.4 快速学习与慢速学习411

12.6.5 基于ART的其他网络模型411

12.6.3 与ART有关的定理411

12.7 基于域理论的自适应谐振网络412

12.7.1 概述412

12.7.2 域理论412

12.7.3 FTART网络基本理论413

12.7.4 FTART学习算法414

12.7.5 FTART网络的判别方法415

12.7.6 FTART算法测试416

12.7.7 运行实例420

习题421

参考文献422