人工智能原理及其应用

第1章人工智能概述 1.1人工智能及其研究目标 1.1.1人工智能的定义 1.1.2人工智能的研究目标 1.2人工智能的产生与发展 1.2.1孕育期 1.2.2形成期 1.2.3知识应用期 1.2.4综合集成期 1.3人工智能研究的基本内容及其特点 1.3.1人工智能研究的基本内容 1.3.2人工智能研究的特点 1.4人工智能的研究和应用领域 1.4.1机器学习 1.4.2自然语言理解 1.4.3专家系统 1.4.4模式识别 1.4.5计算机视觉 1.4.6机器人学 1.4.7博弈 1.4.8自动定理证明 1.4.9自动程序设计 1.4.10智能控制 1.4.11智能决策支持系统 1.4.12人工神经网络 1.4.13知识发现和数据挖掘 1.4.14分布式人工智能 1.5人工智能研究的不同学派及其争论 1.5.1人工智能的三大学派 1.5.2人工智能理论的争论 1.5.3人工智能研究方法的争论  1.6人工智能的近期发展分析 习题 第2章知识表示 2.1知识与知识表示的概念 2.1.1知识 2.1.2知识表示 2.2一阶谓词逻辑表示法 2.2.1一阶谓词逻辑表示的逻辑基础 2.2.2谓词逻辑表示方法 2.2.3谓词逻辑表示的应用 2.2.4谓词逻辑表示的特性 2.3产生式表示法 2.3.1产生式表示的基本方法及特性 2.3.2产生式系统的基本结构 2.3.3产生式系统的基本过程 2.3.4产生式系统的控制策略 2.3.5产生式系统的类型 2.3.6产生式系统的特点 2.4语义网络表示法 2.4.1语义网络的基本概念 2.4.2事物和概念的表示 2.4.3情况和动作的表示 2.4.4逻辑关系的表示 2.4.5语义网络的推理过程 2.4.6语义网络表示法的特征 2.5框架表示法 2.5.1框架理论 2.5.2框架和实例框架 2.5.3框架系统 2.5.4框架系统的问题求解过程 2.5.5框架表示法的特性 2.6脚本表示法 2.6.1脚本的结构 2.6.2脚本的推理 2.7过程表示法 2.7.1表示知识的方法 2.7.2过程表示的问题求解过程 2.7.3过程表示的特性 2.8面向对象表示法 2.8.1面向对象的基本概念和特征 2.8.2知识的面向对象表示 习题 第3章确定性推理 3.1推理的基本概念 3.1.1什么是推理 3.1.2推理方法及其分类 3.1.3推理的控制策略及其分类 3.1.4正向推理 3.1.5逆向推理 3.1.6混合推理 3.1.7推理的冲突消解策略 3.2推理的逻辑基础 3.2.1谓词公式的解释 3.2.2谓词公式的永真性与可满足性 3.2.3谓词公式的等价性与永真蕴含性 3.2.4谓词公式的范式 3.2.5置换与合一 3.3自然演绎推理 3.4归结演绎推理 3.4.1子句集及其化简 3.4.2海伯伦理论 3.4.3鲁宾逊归结原理 3.4.4归结演绎推理的归结策略 3.4.5用归结反演求取问题的答案 3.5基于规则的演绎推理 3.5.1规则正向演绎推理 3.5.2规则逆向演绎推理 3.5.3规则双向演绎推理 3.6规则演绎推理的剪枝策略 习题 第4章不确定与非单调推理 4.1不确定性推理的基本概念 4.1.1不确定性推理的含义 4.1.2不确定性推理的基本问题 4.1.3不确定性推理的类型 4.2不确定性推理的概率论基础 4.2.1样本空间与随机事件 4.2.2事件的概率 4.2.3全概率公式与Bayes公式 4.3确定性理论 4.3.1可信度的概念 4.3.2CF模型 4.3.3带加权因子的可信度推理 4.4主观Bayes方法 4.4.1知识不确定性的表示 4.4.2证据不确定性的表示 4.4.3组合证据不确定性的计算 4.4.4不确定性的更新 4.4.5结论不确定性的合成 4.5证据理论 4.5.1DS理论的形式描述 4.5.2证据理论的推理模型 4.5.3推理实例 4.6可能性理论和模糊推理 4.6.1模糊逻辑基础 4.6.2模糊知识表示 4.6.3模糊概念的匹配 4.6.4模糊推理 4.7非单调推理 习题 第5章搜索策略 5.1搜索的基本概念 5.1.1搜索的含义 5.1.2状态空间法 5.1.3问题归约 5.2状态空间的盲目搜索 5.2.1一般图搜索过程 5.2.2广度优先搜索 5.2.3深度优先搜索 5.2.4有界深度优先搜索 5.2.5代价树搜索 5.3状态空间的启发式搜索 5.3.1启发性信息和估价函数 5.3.2A算法 5.3.3A算法 5.3.4A算法应用举例 5.4与/或树的盲目搜索 5.4.1与/或树的一般搜索 5.4.2与/或树的广度优先搜索 5.4.3与/或树的深度优先搜索 5.5与/或树的启发式搜索 5.5.1解树的代价与希望树 5.5.2与/或树的启发式搜索过程 5.6博弈树的启发式搜索 5.6.1概述 5.6.2极大极小过程 5.6.3αβ剪枝 习题 第6章机器学习 6.1机器学习的基本概念 6.1.1学习和机器学习 6.1.2机器学习的发展过程 6.1.3学习系统 6.1.4机器学习的分类 6.2机械式学习 6.3指导式学习 6.4归纳学习 6.4.1归纳学习的类型 6.4.2示例学习 6.4.3观察与发现学习 6.5基于类比的学习 6.5.1类比学习的概念 6.5.2属性类比学习 6.5.3转换类比学习 6.6基于解释的学习 6.6.1解释学习概述 6.6.2解释学习的空间描述及学习模型  6.6.3解释学习的基本原理 6.6.4解释学习的基本过程 6.6.5领域知识的完善性 习题 第7章神经网络及连接学习 7.1人工神经网络概述 7.1.1生物神经元及脑神经系统的结构与特征 7.1.2人工神经元及人工神经网络 7.1.3人工神经网络的发展过程 7.1.4人工神经网络的局限性 7.2人工神经网络的互连结构及其学习机理 7.2.1人工神经网络的互连结构 7.2.2人工神经网络学习和记忆的心理学基础 7.2.3人工神经网络的学习算法 7.3感知器模型及其学习 7.3.1感知器模型 7.3.2感知器的学习 7.3.3有关感知器XOR问题求解的讨论 7.4误差反向传播网络及其学习 7.4.1BP网络结构 7.4.2BP网络学习的传播公式 7.4.3BP网络的学习算法 7.4.4BP网络学习的讨论 7.5Hopfield网络及其学习 7.5.1Hopfield网络的结构 7.5.2Hopfield模型的稳定性 7.5.2Hopfield网络学习算法 习题 第8章自然语言理解 8.1语言及其理解的基本概念 8.1.1自然语言与自然语言理解 8.1.2自然语言理解的研究任务 8.1.3自然语言理解的发展 8.1.4自然语言理解的层次 8.2语法规则的表示方法 8.2.1句子结构的表示 8.2.2上下文无关文法 8.2.3变换文法 8.3语法分析 8.3.1自顶向下与自底向上分析 8.3.2扩充转移网络分析 8.4语义的分析 8.4.1语义文法 8.4.2格文法 8.5自然语言的生成 8.6自然语言理解系统的层次模型 习题 第9章专家系统 9.1专家系统的基本概念 9.1.1什么是专家系统 9.1.2专家系统的分类 9.1.3专家系统的特点 9.2专家系统的基本结构 9.2.1知识库 9.2.2数据库 9.2.3推理机 9.2.4解释机构 9.2.5知识获取机构 9.2.6用户界面 9.3知识获取 9.3.1知识获取的任务 9.3.2知识获取方法的分类 9.3.3非自动知识获取 9.3.4自动知识获取 9.4专家系统的开发与评价 9.4.1专家系统的开发条件 9.4.2专家系统开发过程的生命期概念 9.4.3专家系统开发过程的各个阶段 9.4.4专家系统的评价 9.5专家系统开发工具与环境 9.5.1程序设计语言 9.5.2知识工程语言 9.5.3辅助型工具 9.5.4支持工具 9.5.5专家系统开发环境 9.6专家系统的进一步发展 9.6.1新一代专家系统的特征 9.6.2分布式专家系统 9.6.3协同式专家系统 习题 第10章智能决策支持系统 10.1智能决策支持系统的基本概念 10.1.1决策与决策过程 10.1.2决策支持系统 10.1.3智能决策支持系统 10.2决策支持新技术 10.2.1数据仓库 10.2.2数据开采 10.2.3数据仓库和数据开采的结合 10.3智能决策支持系统的结构 10.3.1智能决策支持系统的基本结构 10.3.2智能决策支持系统的新结构体系 习题

随着信息社会和知识经济时代的来临，信息正在以前所未有的速度膨胀。面对浩如烟海的庞大信息资源，人类的自然智能越来越显得难于驾驭。如何用人造的智能去模仿和扩展人类的自然智能，实现信息的智能化处理，是信息社会所面临的一个重大课题。. 人工智能作为一门研究机器智能的学科，其目的是要用人工的方法和技术，研制智能机器或智能系统，来模仿、延伸和扩展人的智能。因此，它是人类迈向信息社会、迎接知识经济挑战所必须具备的一项核心技术。 信息社会对智能的巨大需求是人工智能发展的强大动力。人工智能自1956年问世以来，已经取得了引人瞩目的成就，形成了专家系统、机器学习、自然语言理解、人工..