人工智能原理及其應(yīng)用（第4版）

目 錄
第1章 人工智能概述 1
1．1 人工智能的基本概念 1
1．1．1 智能的概念 1
1．1．2 人工智能的概念 3
1．1．3 人工智能的研究目標(biāo) 3
1．2 人工智能的產(chǎn)生與發(fā)展 4
1．2．1 孕育期（1956年之前） 4
1．2．2 形成期（1956年到20世紀(jì)60年代末） 5
1．2．3 知識(shí)應(yīng)用期（20世紀(jì)70年代初到80年代初） 5
1．2．4 從學(xué)派分立走向綜合（20世紀(jì)80年代中到21世紀(jì)初） 7
1．2．5 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)引領(lǐng)發(fā)展（21世紀(jì)初至今） 7
1．3 人工智能研究的基本內(nèi)容 7
1．3．1 智能的腦與認(rèn)知機(jī)理研究 7
1．3．2 智能模擬的理論、方法和技術(shù)研究 8
1．4 人工智能研究中的不同學(xué)派 9
1．4．1 符號(hào)主義 9
1．4．2 連接主義 10
1．4．3 行為主義 10
1．5 人工智能的研究和應(yīng)用領(lǐng)域 11
1．5．1 機(jī)器思維 11
1．5．2 機(jī)器學(xué)習(xí) 12
1．5．3 機(jī)器感知 14
1．5．4 機(jī)器行為 15
1．5．5 計(jì)算智能 16
1．5．6 分布智能 17
1．5．7 智能系統(tǒng) 18
1．5．8 人工心理和人工情感 18
1．5．9 人工智能的典型應(yīng)用 19
習(xí)題1 21
第2章 確定性知識(shí)系統(tǒng) 23
2．1 確定性知識(shí)系統(tǒng)概述 23
2．1．1 確定性知識(shí)表示概述 23
2．1．2 確定性知識(shí)推理概述 25
2．2 確定性知識(shí)表示方法 27
2．2．1 謂詞邏輯表示法 27
2．2．2 產(chǎn)生式表示法 34
2．2．3 語義網(wǎng)絡(luò)表示法 36
2．2．4 框架表示法 42
2．3 確定性知識(shí)推理方法 46
2．3．1 產(chǎn)生式推理 46
2．3．2 自然演繹推理 51
2．3．3 歸結(jié)演繹推理 54
2．4 確定性知識(shí)系統(tǒng)簡(jiǎn)例 63
2．4．1 產(chǎn)生式系統(tǒng)簡(jiǎn)例 63
2．4．2 歸結(jié)演繹系統(tǒng)簡(jiǎn)例 65
習(xí)題2 66
第3章 不確定性知識(shí)系統(tǒng) 70
3．1 不確定性推理概述 70
3．1．1 不確定性推理的含義 70
3．1．2 不確定性推理的基本問題 71
3．1．3 不確定性推理的類型 72
3．2 可信度推理 73
3．2．1 可信度的概念 73
3．2．2 可信度推理模型 73
3．2．3 可信度推理的例子 77
3．3 主觀Bayes推理 78
3．3．1 主觀Bayes方法的概率論基礎(chǔ) 78
3．3．2 主觀Bayes方法的推理模型 79
3．3．3 主觀Bayes推理的例子 83
3．3．4 主觀Bayes推理的特性 85
3．4 證據(jù)理論 85
3．4．1 證據(jù)理論的形式化描述 86
3．4．2 證據(jù)理論的推理模型 90
3．4．3 推理實(shí)例 91
3．4．4 證據(jù)理論推理的特性 93
3．5 模糊推理 93
3．5．1 模糊集及其運(yùn)算 93
3．5．2 模糊關(guān)系及其運(yùn)算 96
3．5．3 模糊知識(shí)表示 98
3．5．4 模糊概念的匹配 99
3．5．5 模糊推理的方法 100
3．6 概率推理 104
3．6．1 貝葉斯網(wǎng)絡(luò)的概念及理論 105
3．6．2 貝葉斯網(wǎng)絡(luò)推理的概念和類型 108
3．6．3 貝葉斯網(wǎng)絡(luò)的精確推理 109
3．6．4 貝葉斯網(wǎng)絡(luò)的近似推理 110
習(xí)題3 111
第4章 智能搜索技術(shù) 115
4．1 搜索概述 115
4．1．1 搜索的含義 115
4．1．2 狀態(tài)空間問題求解方法 116
4．1．3 問題歸約求解方法 119
4．1．4 進(jìn)化搜索法概述 122
4．2 狀態(tài)空間的啟發(fā)式搜索 125
4．2．1 啟發(fā)性信息和估價(jià)函數(shù) 125
4．2．2 A算法 126
4．2．3 A*算法 128
4．2．4 A*算法應(yīng)用舉例 132
4．3 與/或樹的啟發(fā)式搜索 133
4．3．1 解樹的代價(jià)與希望樹 133
4．3．2 與/或樹的啟發(fā)式搜索過程 135
4．4 博弈樹的啟發(fā)式搜索 136
4．4．1 概述 136
4．4．2 極大/極小過程 137
4．4．3 α-β剪枝 138
4．5 遺傳算法 139
4．5．1 遺傳算法中的基本概念 139
4．5．2 遺傳算法的基本過程 139
4．5．3 遺傳編碼 140
4．5．4 適應(yīng)度函數(shù) 142
4．5．5 基本遺傳操作 143
4．5．6 遺傳算法應(yīng)用簡(jiǎn)例 148
習(xí)題4 151
第5章 機(jī)器學(xué)習(xí) 153
5．1 機(jī)器學(xué)習(xí)概述 153
5．1．1 學(xué)習(xí)的概念 153
5．1．2 機(jī)器學(xué)習(xí)的概念 154
5．1．3 機(jī)器學(xué)習(xí)系統(tǒng)的基本模型 156
5．2 記憶學(xué)習(xí) 157
5．3 示例學(xué)習(xí) 158
5．3．1 示例學(xué)習(xí)的類型 159
5．3．2 示例學(xué)習(xí)的模型 159
5．3．3 示例學(xué)習(xí)的歸納方法 161
5．4 決策樹學(xué)習(xí) 162
5．4．1 決策樹的概念 162
5．4．2 ID3算法 163
5．5 統(tǒng)計(jì)學(xué)習(xí) 169
5．5．1 小樣本統(tǒng)計(jì)學(xué)習(xí)理論 169
5．5．2 支持向量機(jī) 171
5．6 集成學(xué)習(xí) 176
5．6．1 集成學(xué)習(xí)概述 176
5．6．2 AdaBoost算法 178
5．6．3 Bagging算法 184
5．7 粗糙集知識(shí)發(fā)現(xiàn) 185
5．7．1 粗糙集概述 185
5．7．2 粗糙集的基本理論 186
5．7．3 決策表的約簡(jiǎn) 188
習(xí)題5 192
第6章 人工神經(jīng)網(wǎng)絡(luò)與連接學(xué)習(xí) 194
6．1 概述 194
6．1．1 人工神經(jīng)網(wǎng)絡(luò)概述 194
6．1．2 連接學(xué)習(xí)概述 195
6．2 人工神經(jīng)網(wǎng)絡(luò)的生物機(jī)理 195
6．2．1 人腦神經(jīng)元的結(jié)構(gòu)及功能 196
6．2．2 學(xué)習(xí)的神經(jīng)機(jī)理 198
6．3 人工神經(jīng)元及人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 200
6．3．1 人工神經(jīng)元的結(jié)構(gòu)及模型 200
6．3．2 人工神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu) 202
6．4 人工神經(jīng)網(wǎng)絡(luò)的淺層模型 203
6．4．1 感知器模型 203
6．4．2 BP網(wǎng)絡(luò)模型 206
6．4．3 Hopfield網(wǎng)絡(luò)模型 207
6．5 深層神經(jīng)網(wǎng)絡(luò)模型 208
6．5．1 深度卷積神經(jīng)網(wǎng)絡(luò) 208
6．5．2 深度波爾茨曼機(jī)與深度信念網(wǎng)絡(luò) 210
6．6 淺層連接學(xué)習(xí) 211
6．6．1 連接學(xué)習(xí)規(guī)則 211
6．6．2 感知器學(xué)習(xí) 213
6．6．3 BP網(wǎng)絡(luò)學(xué)習(xí) 215
6．6．4 Hopfield網(wǎng)絡(luò)學(xué)習(xí) 221
6．7 深度學(xué)習(xí) 224
6．7．1 深度學(xué)習(xí)概述 224
6．7．2 深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí) 226
6．7．3 卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的經(jīng)典模型LeNet5 234
習(xí)題6 237
第7章 分布智能 239
7．1 分布智能概述 239
7．1．1 分布智能的概念 239
7．1．2 分布式問題求解 240
7．1．3 多Agent系統(tǒng) 241
7．2 Agent的結(jié)構(gòu) 243
7．2．1 Agent的機(jī)理 243
7．2．2 反應(yīng)Agent的結(jié)構(gòu) 244
7．2．3 認(rèn)知Agent的結(jié)構(gòu) 245
7．2．4 混合Agent的結(jié)構(gòu) 245
7．3 多Agent系統(tǒng) 246
7．3．1 Agent通信 246
7．3．2 多Agent合作 250
7．4 移動(dòng)Agent 256
7．4．1 移動(dòng)Agent系統(tǒng)的一般結(jié)構(gòu) 256
7．4．2 移動(dòng)Agent的實(shí)現(xiàn)技術(shù)及應(yīng)用 257
習(xí)題7 259
第8章 智能應(yīng)用簡(jiǎn)介 261
8．1 自然語言理解簡(jiǎn)介 261
8．1．1 自然語言理解的基本概念 261
8．1．2 詞法分析 263
8．1．3 句法分析 264
8．1．4 語義分析 268
8．2 專家系統(tǒng)簡(jiǎn)介 270
8．2．1 專家系統(tǒng)概述 271
8．2．2 基于規(guī)則和基于框架的專家系統(tǒng) 274
8．2．3 模糊專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)專家系統(tǒng) 275
8．2．4 基于Web的專家系統(tǒng) 278
8．2．5 分布式和協(xié)同式專家系統(tǒng) 279
8．2．6 專家系統(tǒng)的開發(fā) 281
習(xí)題8 286
附錄A 新一代人工智能簡(jiǎn)介 288
A．1 新一代人工智能基礎(chǔ)理論簡(jiǎn)介 288
A．2 新一代人工智能關(guān)鍵共性技術(shù)簡(jiǎn)介 291
參考文獻(xiàn) 294