人工智能與專家系統(tǒng)（第二版）

第二版前言
第一版前言
第1章 緒論
1.1 人工智能及其發(fā)展
1.2 人工智能的研究與應(yīng)用領(lǐng)域
習題一
第2章 知識表示方法
2.1 一階謂詞邏輯表示方法
2.1.1 一階謂詞邏輯
2.1.2 一階謂詞邏輯表示方法
2.2 產(chǎn)生式表示方法
2.2.1 產(chǎn)生式與產(chǎn)生式系統(tǒng)
2.2.2 產(chǎn)生式系統(tǒng)的分類及其特點
習題二
第3章 搜索方法
3.1 問題求解過程的形式表示
3.1.1 狀態(tài)空間表示法
3.1.2 與/或圖表示法
3.2 狀態(tài)空間的搜索算法
3.2.1 盲目搜索算法
3.2.2 啟發(fā)式搜索算法
3.2.3 狀態(tài)空間搜索算法的應(yīng)用
3.2.4 A*算法及其特性
3.3 與/或圖的搜索方法
3.3.1 與/或圖的盲目搜索算法
3.3.2 與/或圖的啟發(fā)式搜索算法
3.3.3 博弈算法及應(yīng)用
習題三
第4章 邏輯推理
4.1 推理的基本概念
4.1.1 推理方式及其分類
4.1.2 推理的控制策略
4.1.3 模式匹配及其變量代換
4.2 歸結(jié)演繹推理
4.2.1 謂詞公式化為子句集的方法
4.2.2 歸結(jié)原理
4.2.3 歸結(jié)反演
4.3 基于歸結(jié)反演的問題求解
4.4 歸結(jié)反演的改進策略
4.4.1 刪除策略
4.4.2 限制策略
習題四
第5章 專家系統(tǒng)
5.1 專家系統(tǒng)概述
5.1.1 專家系統(tǒng)研究的意義
5.1.2 專家系統(tǒng)的結(jié)構(gòu)與開發(fā)方法
5.2 LISP語言
5.2.1 LISP語言的特點與表達式
5.2.2 LISP語言的基本函數(shù)
5.3 知識庫與推理機
5.3.1 產(chǎn)生式規(guī)則與規(guī)則庫的存儲結(jié)構(gòu)
5.3.2 正向推理機
5.3.3 反向推理機
5.4 解釋方法與解釋器
5.5 知識獲取與檢測
5.5.1 知識獲取的任務(wù)與方式
5.5.2 知識的檢測與求精
5.5.3 知識檢測的方法
5.6 專家系統(tǒng)工具
5.6.1 專家系統(tǒng)工具概述
5.6.2 CLIPS及其應(yīng)用
5.6.3 基于Java的規(guī)則引擎Jess
習題五
第6章 模糊推理
6.1 知識的不確定性
6.2 模糊集合的定義與運算
6.2.1 模糊集合的定義與表示
6.2.2 模糊集合的運算
6.3 模糊知識表示與模糊匹配
6.3.1 模糊知識表示
6.3.2 模糊匹配
6.4 簡單模糊推理
6.4.1 模糊推理的基本模式
6.4.2 簡單模糊推理方法
6.4.3 模糊三段論推理方法
6.5 一般模式的模糊推理
6.5.1 多維模糊推理方法
6.5.2 帶有可信度的模糊推理方法
習題六
第7章 機器學習
7.1 機器學習的特征與方法
7.2 歸納學習方法
7.2.1 CLS算法
7.2.2 ID3算法
7.2.3 歸納學習生成產(chǎn)生式規(guī)則集的應(yīng)用
7.3 遺傳算法
7.3.1 遺傳算法的概念與計算方法
7.3.2 遺傳算法在預(yù)測預(yù)報中的應(yīng)用
7.4 人工神經(jīng)網(wǎng)絡(luò)方法
7.4.1 人工神經(jīng)元與感知器
7.4.2 人工神經(jīng)網(wǎng)絡(luò)模型
7.4.3 BP神經(jīng)網(wǎng)絡(luò)的學習算法
7.4.4 BP學習算法的改進
7.4.5 基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)
7.4.6 基于神經(jīng)網(wǎng)絡(luò)的模糊分類器
7.4.7 神經(jīng)網(wǎng)絡(luò)在預(yù)測中的應(yīng)用
習題七
參考文獻