人工智能技術

目錄
前 言
第1 章 緒論 1
1. 1 人工智能的起源與發(fā)展 1
1. 2 人工智能學術流派 4
1. 3 人工智能的研究與應用領域 6
習題 10
第2 章 知識表示和推理 11
2. 1 知識和知識表示的基本概念 11
2. 2 命題邏輯 14
2. 2. 1 語法 14
2. 2. 2 語義(Semantics) 15
2. 2. 3 命題演算(Calculas) 形式系統(tǒng) 16
2. 3 謂詞邏輯 17
2. 3. 1 語法 18
2. 3. 2 語義 21
2. 4 歸結推理 25
2. 4. 1 子句集及其簡化 26
2. 4. 2 海伯倫定理 29
2. 4. 3 Robinson 歸結原理 33
2. 4. 4 利用Robinson 歸結原理實現(xiàn)定理
證明 38
2. 4. 5 應用歸結原理求解問題 42
2. 5 產生式系統(tǒng) 43
2. 5. 1 產生式系統(tǒng)的組成部分 44
2. 5. 2 產生式系統(tǒng)的控制策略 45
2. 5. 3 產生式系統(tǒng)的推理方式 46
2. 6 語義網(wǎng)絡表示法 47
2. 6. 1 語義網(wǎng)絡的結構 47
2. 6. 2 基本命題的語義網(wǎng)絡表示 47
2. 6. 3 語義網(wǎng)絡的知識表示方法 50
2. 6. 4 語義網(wǎng)絡表示法的特點 54
2. 7 框架表示法 54
2. 8 狀態(tài)空間表示法 56
2. 9 與或圖表示法 57
習題 58
第3 章 圖搜索技術 59
3. 1 問題的提出 59
3. 2 狀態(tài)圖搜索 61
3. 2. 1 狀態(tài)圖搜索分類 61
3. 2. 2 窮舉式搜索 63
3. 2. 3 啟發(fā)式搜索 66
3. 2. 4 A 算法及A?算法 69
3. 3 與或圖搜索 71
3. 3. 1 與或圖 71
3. 3. 2 與或圖搜索 72
3. 4 博弈圖搜索 76
3. 4. 1 博弈圖 76
3. 4. 2 極大極小分析法 78
3. 4. 3 剪枝技術 80
習題 81
第4 章 專家系統(tǒng) 82
4. 1 專家系統(tǒng)的概述 82
4. 1. 1 專家系統(tǒng)的概念與特點 82
4. 1. 2 專家系統(tǒng)和傳統(tǒng)程序的區(qū)別 83
4. 1. 3 專家系統(tǒng)的類型 83
4. 2 專家系統(tǒng)的結構 84
4. 3 專家系統(tǒng)的設計原則與開發(fā)過程 85
4. 3. 1 專家系統(tǒng)的設計原則 85
4. 3. 2 專家系統(tǒng)的開發(fā)過程 86
4. 4 專家系統(tǒng)評價 87
4. 5 MYCIN 專家系統(tǒng)實例分析 88
4. 6 專家系統(tǒng)開發(fā)工具 90
4. 6. 1 骨架型開發(fā)工具 90
4. 6. 2 語言型開發(fā)工具 91
4. 6. 3 構造輔助工具 91
4. 6. 4 支撐環(huán)境 92
4. 7 Prolog 語言 93
4. 7. 1 Prolog 語言的特點 93
4. 7. 2 基本Prolog 的程序結構 94
4. 7. 3 Prolog 程序的運行機理 95
4. 7. 4 Turbo Prolog 程序結構 97
4. 7. 5 Turbo Prolog 的數(shù)據(jù)與表達式 98
4. 7. 6 Visual Prolog 介紹 103
4. 7. 7 PIE: Prolog 的推理機 107
習題 109
第5 章 模糊理論及應用 110
5. 1 模糊理論的產生與發(fā)展 110
5. 2 模糊理論的數(shù)學基礎 111
5. 2. 1 經典集合論的基本概念 111
5. 2. 2 模糊集合的基本概念 112
5. 2. 3 模糊關系與復合運算 115
5. 3 模糊推理 117
5. 3. 1 模糊條件語句 117
5. 3. 2 模糊推理 120
5. 4 模糊控制系統(tǒng)及模糊控制器 122
5. 4. 1 模糊控制系統(tǒng)的基本結構 122
5. 4. 2 模糊控制器 123
5. 4. 3 模糊控制器的設計 124
5. 4. 4 模糊PID 控制器的設計 130
5. 5 模糊聚類分析與模糊模式識別 133
5. 5. 1 模糊聚類分析 134
5. 5. 2 模糊模式識別 137
5. 6 模糊聚類應用案例分析 138
習題 143
第6 章 機器學習和神經網(wǎng)絡 144
6. 1 機器學習的基本概念和發(fā)展史 144
6. 2 經典機器學習方法 145
6. 3 基于神經網(wǎng)絡的學習 148
6. 3. 1 神經網(wǎng)絡概述 148
6. 3. 2 人工神經網(wǎng)絡模型 149
6. 4 BP 神經網(wǎng)絡 153
6. 4. 1 網(wǎng)絡結構 153
6. 4. 2 網(wǎng)絡學習算法 154
6. 4. 3 BP 網(wǎng)絡的改進算法 156
6. 4. 4 BP 神經網(wǎng)絡的特點 157
6. 4. 5 神經網(wǎng)絡應用實例解析 158
6. 5 RBF 神經網(wǎng)絡 160
6. 5. 1 徑向基函數(shù) 160
6. 5. 2 徑向基函數(shù)網(wǎng)絡結構 162
6. 5. 3 網(wǎng)絡學習算法 162
6. 5. 4 RBF 網(wǎng)與BP 網(wǎng)的對比 163
6. 6 CMAC 神經網(wǎng)絡 164
6. 6. 1 CMAC 網(wǎng)絡結構 164
6. 6. 2 網(wǎng)絡學習算法 164
6. 6. 3 CMAC 網(wǎng)絡的特點 166
6. 7 Hopfield 神經網(wǎng)絡 166
6. 7. 1 離散型Hopfield 網(wǎng)絡 167
6. 7. 2 連續(xù)型Hopfield 網(wǎng)絡 168
6. 8 Elman 神經網(wǎng)絡 171
6. 8. 1 Elman 神經網(wǎng)絡結構 171
6. 8. 2 Elman 神經網(wǎng)絡學習算法 172
6. 9 模糊神經網(wǎng)絡 172
6. 9. 1 網(wǎng)絡結構 173
6. 9. 2 學習過程 174
6. 10 其他類型的神經網(wǎng)絡介紹 175
習題 178
第7 章 卷積神經網(wǎng)絡及TensorFlow
應用實踐 179
7. 1 卷積神經網(wǎng)絡發(fā)展簡介 179
7. 2 卷積神經網(wǎng)絡工作原理 179
7. 3 TensorFlow 學習 185
7. 3. 1 TensorFlow 簡介 185
7. 3. 2 TensorFlow 中的函數(shù)和相關
運算 190
7. 3. 3 卷積函數(shù) 194
7. 3. 4 池化函數(shù) 196
7. 4 利用TensorFlow 進行圖像處理 197
7. 4. 1 圖像的讀取與存儲 197
7. 4. 2 圖像處理常用函數(shù) 197
7. 5 卷積神經網(wǎng)絡在MNIST 的應用
實例 201
習題 212
第8 章 混沌