人工智能原理及其應(yīng)用

第1章 人工智能概述
1.1 人工智能及其研究目標(biāo)
1.1.1 人工智能的定義
1.1.2 人工智能的研究目標(biāo)
1.2 人工智能的產(chǎn)生與發(fā)展
1.2.1 孕育期
1.2.2 形成期
1.2.3 知識應(yīng)用期
1.2.4 綜合集成期
1.3 人工智能研究的基本內(nèi)容及其特點
1.3.1 人工智能研究的基本內(nèi)容
1.3.2 人工智能研究的特點
1.4 人工智能的研究和應(yīng)用領(lǐng)域
1.4.1 機(jī)器學(xué)習(xí)
1.4.2 自然語言理解
1.4.3 專家系統(tǒng)
1.4.4 模式識別
1.4.5 計算機(jī)視覺
1.4.6 機(jī)器人學(xué)
1.4.7 博弈
1.4.8 自動定理證明
1.4.9 自動程序設(shè)計
1.4.10 智能控制
1.4.11 智能決策支持系統(tǒng)
1.4.12 人工神經(jīng)網(wǎng)絡(luò)
1.4.13 知識發(fā)現(xiàn)和數(shù)據(jù)挖掘
1.4.14 分布式人工智能
1.5 人工智能研究的不同學(xué)派及其爭論
1.5.1 人工智能的三大學(xué)派
1.5.2 人工智能理論的爭論
1.5.3 人工智能研究方法的爭論
1.6 人工智能的近期發(fā)展分析
習(xí)題
第2章 知識表示
2.1 知識與知識表示的概念
2.1.1 知識
2.1.2 知識表示
2.2 一階謂詞邏輯表示法
2.2.1 一階謂詞邏輯表示的邏輯基礎(chǔ)
2.2.2 謂詞邏輯表示方法
2.2.3 謂詞邏輯表示的應(yīng)用
2.2.4 謂詞邏輯表示的特性
2.3 產(chǎn)生式表示法
2.3.1 產(chǎn)生式表示的基本方法及特性
2.3.2 產(chǎn)生式系統(tǒng)的基本結(jié)構(gòu)
2.3.3 產(chǎn)生式系統(tǒng)的基本過程
2.3.4 產(chǎn)生式系統(tǒng)的控制策略
2.3.5 產(chǎn)生式系統(tǒng)的類型
2.3.6 產(chǎn)生式系統(tǒng)的特點
2.4 語義網(wǎng)絡(luò)表示法
2.4.1 語義網(wǎng)絡(luò)的基本概念
2.4.2 事物和概念的表示
2.4.3 情況和動作的表示
2.4.4 邏輯關(guān)系的表示
2.4.5 語義網(wǎng)絡(luò)的推理過程
2.4.6 語義網(wǎng)絡(luò)表示法的特征
2.5 框架表示法
2.5.1 框架理論
2.5.2 框架和實例框架
2.5.3 框架系統(tǒng)
2.5.4 框架系統(tǒng)的問題求解過程
2.5.5 框架表示法的特性
2.6 腳本表示法
2.6.1 腳本的結(jié)構(gòu)
2.6.2 腳本的推理
2.7 過程表示法
2.7.1 表示知識的方法
2.7.2 過程表示的問題求解過程
2.7.3 過程表示的特性
2.8 面向?qū)ο蟊硎痉?br />2.8.1 面向?qū)ο蟮幕靖拍詈吞卣?br />2.8.2 知識的面向?qū)ο蟊硎?br />習(xí)題
第3章 確定性推理
3.1 推理的基本概念
3.1.1 什么是推理
3.1.2 推理方法及其分類
3.1.3 推理的控制策略及其分類
3.1.4 正向推理
3.1.5 逆向推理
3.1.6 混合推理
3.1.7 推理的沖突消解策略
3.2 推理的邏輯基礎(chǔ)
3.2.1 謂詞公式的解釋
3.2.2 謂詞公式的永真性與可滿足性
3.2.3 謂詞公式的等價性與永真蘊含性
3.2.4 調(diào)詞公式的范式
3.2.5 置換與合一
3.3 自然演繹推理
3.4 歸結(jié)演繹推理
3.4.1 子句集及其化簡
3.4.2 海伯倫理論
3.4.3 魯賓遜歸結(jié)原理
3.4.4 歸結(jié)演繹推理的歸結(jié)策略
3.4.5 用歸結(jié)反演求取問題的答案
3.5 基于規(guī)則的演繹推理
3.5.1 規(guī)則正向演繹推理
3.5.2 規(guī)則逆向演繹推理
3.5.3 規(guī)則雙向演繹推理
3.6 規(guī)則演繹推理的剪枝策略
習(xí)題
第4章 不確定與非單調(diào)推理
4.1 不確定性推理的基本概念
4.1.1 不確定性推理的含義
4.1.2 不確定性推理的基本問題
4.1.3 不確定性推理的類型
4.2 不確定性推理的概率論基礎(chǔ)
4.2.1 樣本空間與隨機(jī)事件
4.2.2 事件的概率
4.2.3 全概率公式與Bayes公式
4.3 確定性理論
4.3.1 可信度的概念
4.3.2 C-F模型
4.3.3 帶加權(quán)因子的可信度推理
4.4 主觀Bayes方法
4.4.1 知識不確定性的表示
4.4.2 證據(jù)不確定性的表示
4.4.3 組合證據(jù)不確定性的計算
4.4.4 不確定性的更新
4.4.5 結(jié)論不確定性的合成
4.5 證據(jù)理論
4.5.1 D-S理論的形式描述
4.5.2 證據(jù)理論的推理模型
4.5.3 推理實例
4.6 可能性理論和模糊推理
4.6.1 模糊邏輯基礎(chǔ)
4.6.2 模糊知識表示
4.6.3 模糊概念的匹配
4.6.4 模糊推理
4.7 非單調(diào)推理
習(xí)題
第5章 搜索策略
5.1 搜索的基本概念
5.1.1 搜索的含義
5.1.2 狀態(tài)空間法
5.1.3 問題歸納
5.2 狀態(tài)空間的盲目搜索
5.2.1 一般圖搜索過程
5.2.2 廣度優(yōu)先搜索
5.2.3 深度優(yōu)先搜索
5.2.4 有界深度優(yōu)先搜索
5.2.5 代價樹搜索
5.3 狀態(tài)空間的啟發(fā)式搜索
5.3.1 啟發(fā)性信息和估價函數(shù)
5.3.2 A算法
5.3.3 A*算法
5.3.4 A*算法應(yīng)用舉例
5.4 與/或樹的盲目搜索
5.4.1 與/或樹的一般搜索
5.4.2 與/或樹的廣度優(yōu)先搜索
5.4.3 與/或樹的深度優(yōu)先搜素
5.5 與/或樹的啟發(fā)式搜索
5.5.1 解樹的代價與希望樹
5.5.2 與/或樹的啟發(fā)式搜索過程
5.6 博弈樹的啟發(fā)式搜索
5.6.1 概述
5.6.2 極大極小過程
5.6.3 α-β剪枝
習(xí)題
第6章 機(jī)器學(xué)習(xí)
6.1 機(jī)器學(xué)習(xí)的基本概念
6.1.1 學(xué)習(xí)和機(jī)器學(xué)習(xí)
6.1.2 機(jī)器學(xué)習(xí)的發(fā)展過程
6.1.3 學(xué)習(xí)系統(tǒng)
6.1.4 機(jī)器學(xué)習(xí)的分類
6.2 機(jī)械式學(xué)習(xí)
6.3 指導(dǎo)式學(xué)習(xí)
6.4 歸納學(xué)習(xí)
6.4.1 歸納學(xué)習(xí)的類型
6.4.2 示例學(xué)習(xí)
6.4.3 觀察與發(fā)現(xiàn)學(xué)習(xí)
6.5 基于類比的學(xué)習(xí)
6.5.1 類比學(xué)習(xí)的概念
6.5.2 用性類比學(xué)習(xí)
6.5.3 轉(zhuǎn)換類比學(xué)習(xí)
6.6 基于解釋的學(xué)習(xí)
6.6.1 解釋學(xué)習(xí)概述
6.6.2 解釋學(xué)習(xí)的空間描述及學(xué)習(xí)模型
6.6.3 解釋學(xué)習(xí)的基本原理
6.6.4 解釋學(xué)習(xí)的基本過程
6.6.5 領(lǐng)域知識的完善性
習(xí)題
第7章 神經(jīng)網(wǎng)絡(luò)及連接學(xué)習(xí)
7.1 人工神經(jīng)網(wǎng)絡(luò)概述
7.1.1 生物神經(jīng)元及腦神經(jīng)系統(tǒng)的結(jié)構(gòu)與特征
7.1.2 人工神經(jīng)元及人工神經(jīng)網(wǎng)絡(luò)
7.1.3 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展過程
7.1.4 人工神經(jīng)網(wǎng)絡(luò)的局限性
7.2 人工神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu)及其學(xué)習(xí)機(jī)理
7.2.1 人工神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu)
7.2.2 人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和記憶的心理學(xué)基礎(chǔ)
7.2.3 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
7.3 感知器模型及其學(xué)習(xí)
7.3.1 感知器模型
7.3.2 感知器的學(xué)習(xí)
7.3.3 有關(guān)感知器XOR問題求解的討論
7.4 誤差反向傳播網(wǎng)絡(luò)及其學(xué)
7.4.1 B-P網(wǎng)絡(luò)結(jié)構(gòu)
7.4.2 B-P網(wǎng)絡(luò)學(xué)習(xí)的傳播公式
7.4.3 B-P網(wǎng)絡(luò)的學(xué)習(xí)算法
7.4.4 B-P網(wǎng)絡(luò)學(xué)習(xí)的討論
7.5 Hopfield網(wǎng)絡(luò)及其學(xué)習(xí)
7.5.1 Hopfield網(wǎng)絡(luò)的結(jié)構(gòu)
7.5.2 Hopfield模型的穩(wěn)定性
7.5.3 Hopfield網(wǎng)絡(luò)學(xué)習(xí)算法
習(xí)題
第8章 自然語言理解
8.1 語言及其理解的基本概念
8.1.1 自然語言與自然語言理解
8.1.2 自然語言理解的研究任務(wù)
8.1.3 自然語言理解的發(fā)展
8.1.4 自然語言理解的層次
8.2 語法規(guī)則的表示方法
8.2.1 句子結(jié)構(gòu)的表示
8.2.2 上下文無關(guān)文法
8.2.3 變換文法
8.3 語法分析
8.3.1 自頂向下與自底向上分析
8.3.2 擴(kuò)充轉(zhuǎn)移網(wǎng)絡(luò)分析
8.4 語義的分析
8.4.1 語義文法
8.4.2 格文法
8.5 自然語言的生成
8.6 自然語言理解系統(tǒng)的層次模型
習(xí)題
第9章 專家系統(tǒng)
9.1 專家系統(tǒng)的基本概念
9.1.1 什么是專家系統(tǒng)
9.1.2 專家系統(tǒng)的分類
9.1.3 專家系統(tǒng)的特點
9.2 專家系統(tǒng)的基本結(jié)構(gòu)
9.2.1 知識庫
9.2.2 數(shù)據(jù)庫
9.2.3 推理機(jī)
9.2.4 解釋機(jī)構(gòu)
9.2.5 知識獲取機(jī)構(gòu)
9.2.6 用戶界面
9.3 知識獲取
9.3.1 知識獲取的任務(wù)
9.3.2 知識獲取方法的分類
9.3.3 非自動知識獲取
9.3.4 自動知識獲取
9.4 專家系統(tǒng)的開發(fā)與評價
9.4.1 專家系統(tǒng)的開發(fā)條件
9.4.2 專家系統(tǒng)開發(fā)過程的生命期概念
9.4.3 專家系統(tǒng)開發(fā)過程的各個階段
9.4.4 專家系統(tǒng)的評價
9.5 專家系統(tǒng)開發(fā)工具與環(huán)境
9.5.1 程序設(shè)計語言
9.5.2 知識工程語言
9.5.3 輔助型工具
9.5.4 支持工具
9.5.5 專家系統(tǒng)開發(fā)環(huán)境
9.6 專家系統(tǒng)的進(jìn)一步發(fā)展
9.6.1 新一代專家系統(tǒng)的特征
9.6.2 分布式專家系統(tǒng)
9.6.3 協(xié)同式專家系統(tǒng)
習(xí)題
第10章 智能決策支持系統(tǒng)
10.1 智能決策支持系統(tǒng)的基本概念
10.1.1 決策與決策過程
10.1.2 決策支持系統(tǒng)
10.1.3 智能決策支持系統(tǒng)
10.2 決策支持新技術(shù)
10.2.1 數(shù)據(jù)倉庫
10.2.2 數(shù)據(jù)開采
10.2.3 數(shù)據(jù)倉庫和數(shù)據(jù)開采的結(jié)合
10.3 智能決策支持系統(tǒng)的結(jié)構(gòu)
10.3.1 智能決策支持系統(tǒng)的基本結(jié)構(gòu)
10.3.2 智能決策支持系統(tǒng)的新結(jié)構(gòu)體系
習(xí)題
參考文獻(xiàn)