《人工智能原理与方法》求取 ⇩

第1章　绪论1

1.1　什么是人工智能1

1.1.1　智能1

1.1.2　人工智能4

1.1.3　人工智能的发展简史5

1.2　人工智能的研究目标及基本内容8

1.2.1　人工智能的研究目标8

1.2.2　人工智能研究的基本内容9

1.3人工智能的研究途径10

1.3.1　以符号处理为核心的方法10

1.3.2　以网络连接为主的连接机制方法11

1.3.3　系统集成11

1.4　人工智能的研究领域12

1.4.1　专家系统12

1.4.2　机器学习13

1.4.3　模式识别13

1.4.4　自然语言理解13

1.4.5　自动定理证明14

1.4.6　自动程序设计14

1.4.7　机器人学15

1.4.8　博弈16

1.4.9　智能决策支持系统16

1.4.10　人工神经网络16

本章小结16

习题17

第2章　人工智能的数学基础18

2.1　命题逻辑与谓词逻辑18

2.1.1　命题18

2.1.2　谓词19

2.1.3　谓词公式20

2.1.4　谓词公式的解释21

2.1.5　谓词公式的永真性、可满足性、不可满足性22

2.1.6　谓词公式的等价性与永真蕴含23

2.2　多值逻辑24

2.3　概率论26

2.3.1　随机现象26

2.3.2　样本空间与随机事件27

2.3.3　事件的概率29

2.3.4　条件概率30

2.3.5　全概率公式与Bayes公式30

2.4　模糊理论31

2.4.1　模糊性31

2.4.2　集合与特征函数32

2.4.3　模糊集与隶属函数32

2.4.4　模糊集的表示方法34

2.4.5　模糊集的运算35

2.4.6　模糊集的λ水平截集37

2.4.7　模糊度37

2.4.8　模糊数39

2.4.9　模糊关系及其合成41

2.4.10　模糊变换43

2.4.11　实数域上几种常用的隶属函数45

2.4.12　建立隶属函数的方法47

本章小结50

习题51

第3章　知识与知识表示53

3.1　基本概念53

3.1.1　什么是知识53

3.1.2　知识的特性54

3.1.3　知识的分类55

3.1.4　知识的表示56

3.2　一阶谓词逻辑表示法58

3.2.1　表示知识方法58

3.2.2　一阶谓词逻辑表示法的特点62

3.3　产生式表示法63

3.3.1　产生式的基本形式64

3.3.2　产生式系统65

3.3.3　产生式系统的分类69

3.3.4　产生式表示法的特点72

3.4　框架表示法73

3.4.1　框架理论73

3.4.2　框架73

3.4.3　框架网络76

3.4.4　框架中槽的设置与组织80

3.4.5　框架系统中求解问题的基本过程84

3.4.6　框架表示法的特点85

3.5　语义网络表示法86

3.5.1　语义网络的概念86

3.5.2　知识的语义网络表示87

3.5.3　常用的语义联系93

3.5.4　语义网络系统中求解问题的基本过程94

3.5.5　语义网络表示法的特点95

3.6　脚本表示法96

3.6.1　概念依赖理论96

3.6.2　脚本97

3.7　过程表示法99

3.7.1　表示知识方法99

3.7.2　过程表示法的特点102

3.8Petri网表示法102

3.8.1　表示知识方法102

3.8.2　Petri网表示法的特点103

3.9　面向对象表示法104

3.9.1　面向对象的基本概念104

3.9.2　表示知识方法106

本章小结107

习题108

第4章　经典逻辑推理111

4.1　基本概念111

4.1.1　什么是推理111

4.1.2　推理方式及其分类111

4.1.3　推理的控制策略114

4.1.4　模式匹配119

4.1.5　冲突消解策略122

4.2自然演绎推理124

4.3　归结演绎推理126

4.3.1　子句126

4.3.2　海伯伦理论128

4.3.3　鲁宾逊归结原理129

4.3.4　归结反演133

4.3.5　应用归结原理求取问题的答案136

4.3.6　归结策略138

4.4　与／或形演绎推理143

4.4.1　与／或形正向演绎推理143

4.4.2　与／或形逆向演绎推理146

4.4.3　与／或形双向演绎推理149

4.4.4　代换的一致性及剪枝策略150

本章小结152

习题152

第5章　不确定与非单调推理156

5.1　基本概念156

5.1.1　什么是不确定性推理156

5.1.2　不确定性推理中的基本问题157

5.1.3　不确定性推理方法的分类159

5.2　概率方法160

5.2.1　经典概率方法160

5.2.2　逆概率方法160

5.3　主观Bayes方法162

5.3.1　知识不确定性的表示162

5.3.2　证据不确定性的表示163

5.3.3　组合证据不确定性的算法164

5.3.4　不确定性的传递算法164

5.3.5　结论不确定性的合成算法169

5.4　可信度方法171

5.4.1　可信度的概念171

5.4.2　CF模型172

5.4.3　带有阈值限度的不确定性推理176

5.4.4　加权的不确定性推理178

5.4.5　前提条件中带有可信度因子的不确定性推理182

5.5　证据理论185

5.5.1　D-S理论185

5.5.2　一个具体的不确定性推理模型190

5.6　模糊推理198

5.6.1　模糊命题198

5.6.2　模糊知识的表示199

5.6.3　模糊匹配与冲突消解200

5.6.4　模糊推理的基本模式207

5.6.5　简单模糊推理208

5.6.6　模糊三段论推理222

5.6.7　多维模糊推理224

5.6.8　多重模糊推理228

5.6.9　带有可信度因子的模糊推理232

5.7　基于框架表示的不确定性推理235

5.7.1　不确定性知识的框架表示235

5.7.2　框架的不确定性匹配236

5.7.3　框架推理238

5.8　基于语义网络表示的不确定性推理239

5.8.1　不确定性知识的语义网络表示240

5.8.2　语义网络推理241

5.9　非单调推理243

5.9.1　非单调推理的概念243

5.9.2　缺省理论244

5.9.3　界限理论247

5.9.4　正确性维持系统TMS248

本章小结250

习题252

第6章　搜索策略257

6.1　基本概念257

6.1.1　什么是搜索257

6.1.2　状态空间表示法257

6.1.3　与／或树表示法259

6.2　状态空间的搜索策略262

6.2.1　状态空间的一般搜索过程263

6.2.2　广度优先搜索265

6.2.3　深度优先搜索267

6.2.4　有界深度优先搜索268

6.2.5　代价树的广度优先搜索269

6.2.6　代价树的深度优先搜索271

6.2.7　启发式搜索272

6.2.8　A＊算法276

6.3　与／或树的搜索策略279

6.3.1　与／或树的一般搜索过程279

6.3.2　与／或树的广度优先搜索280

6.3.3　与／或树的深度优先搜索282

6.3.4　与／或树的有序搜索282

6.3.5　博弈树的启发式搜索288

6.3.6　α-β剪枝技术290

6.4　搜索的完备性与效率292

6.4.1　完备性292

6.4.2　搜索效率292

本章小结293

习题294

第7章　专家系统297

7.1　基本概念297

7.1.1　什么是专家系统297

7.1.2　专家系统的产生与发展300

7.1.3　专家系统的分类301

7.2　专家系统的一般结构304

7.2.1　人机接口305

7.2.2　知识获取机构305

7.2.3　知识库及其管理系统305

7.2.4　推理机306

7.2.5　数据库及其管理系统306

7.2.6　解释机构306

7.3　知识获取307

7.3.1　知识获取的任务307

7.3.2　知识获取方式308

7.4　知识的检测与求精310

7.4.1　知识的一致性与完整性310

7.4.2　基于经典逻辑的检测方法313

7.4.3基于Petri网的检测方法316

7.4.4　知识求精317

7.5　知识的组织与管理321

7.5.1　知识的组织321

7.5.2　知识的管理322

7.6　专家系统的建造与评价323

7.6.1　专家系统的建造原则324

7.6.2　专家系统的开发过程325

7.6.3　专家系统的评价329

7.7　专家系统的开发工具330

7.7.1　人工智能语言331

7.7.2　专家系统外壳335

7.7.3　通用型专家系统工具338

7.7.4　专家系统开发环境339

7.8　新一代专家系统的研究340

7.9　专家系统举例341

7.9.1　动物识别系统341

7.9.2专家系统MYCIN344

本章小结349

习题350

第8章　机器学习351

8.1　基本概念351

8.1.1　什么是机器学习351

8.1.2　学习系统352

8.1.3　机器学习的发展354

8.1.4　机器学习的分类354

8.2　机械式学习356

8.3　指导式学习357

8.4　归纳学习357

8.4.1　归纳推理358

8.4.2　示例学习361

8.4.3　观察与发现学习363

8.5　类比学习364

8.5.1　类比推理364

8.5.2　属性类比学习365

8.5.3　转换类比学习365

8.6　基于解释的学习366

8.6.1　基于解释学习的概念366

8.6.2　基于解释学习的学习过程367

8.6.3　领域知识的完善性368

8.7　学习方法的比较与展望369

8.7.1　各种学习方法的比较369

8.7.2　机器学习的展望370

本章小结370

习题371

第9章　模式识别373

9.1　基本概念373

9.1.1　什么是模式识别373

9.1.2　模式识别的一般过程375

9.2　统计模式识别377

9.2.1　模板匹配分类法377

9.2.2　最小距离分类法378

9.2.3　相似系数分类法378

9.2.4　几何分类法379

9.2.5　Bayes分类法380

9.2.6　聚类分析法381

9.3　结构模式识别385

9.3.1　结构模式识别的基本过程385

9.3.2　基元抽取与模式文法386

9.3.3　模式的识别与分析387

9.4　模糊模式识别388

9.4.1　基于最大隶属原则的模式分类388

9.4.2　基于择近原则的模式分类389

9.4.3　基于模糊等价关系的模式分类391

9.4.4　基于模糊相似关系的模式分类393

本章小结396

习题398

第10章　智能决策支持系统400

10.1　基本概念400

10.1.1　决策与决策过程400

10.1.2　决策支持系统401

10.1.3　智能决策支持系统402

10.2　智能决策支持系统的基本构件403

10.2.1　数据库系统403

10.2.2　模型库系统404

10.2.3　方法库系统406

10.2.4　知识库系统406

10.2.5人机接口系统406

10.3　智能决策支持系统的系统结构407

10.3.1四库结构407

10.3.2　融合结构409

10.4　多媒体人机智能接口409

10.4.1　多媒体技术409

10.4.2　多媒体技术在智能决策支持系统中的应用410

10.4.3　多媒体人机智能接口的设计与实现411

本章小结411

习题411

第11章　神经网络412

11.1　基本概念412

11.1.1　脑神经系统与生物神经元412

11.1.2　人工神经元及其互连结构414

11.1.3　人工神经网络的特征及分类417

11.1.4　神经网络研究的发展简史418

11.2　神经网络模型420

11.2.1　感知器420

11.2.2　BP模型423

11.2.3　Hopfield模型428

11.2.4　自适应共振理论431

11.3　神经网络在专家系统中的应用435

11.3.1　神经网络与专家系统的互补性435

11.3.2　基于神经网络的知识表示436

11.3.3　基于神经网络的推理438

11.4　神经网络在模式识别中的应用439

本章小结440

习题441

第12章　智能计算机442

12.1　什么是智能计算机442

12.2　知识信息处理系统444

12.3　人工神经网络计算机446

12.3.1　数字集成电路形式446

12.3.2　模拟集成电路形式447

12.4　光计算机448

12.4.1　空间光调制器448

12.4.2　光互连449

12.4.3　光全息存储与光计算机的研制449

12.5　生物计算机450

本章小结451

习题451