人工智能與專家系統(tǒng)

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(xí)題一
第2章 知識(shí)表示
 
2.1 一階謂詞邏輯表示法
2.1.1 謂詞邏輯
2.1.2 一階謂詞邏輯表示法的特點(diǎn)
2.2 產(chǎn)生式表示法
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(diǎn)
2.3 框架表示法
2.3.1 框架與框架網(wǎng)絡(luò)
2.3.2 框架的推理及其特點(diǎn)
2.4 語(yǔ)義網(wǎng)絡(luò)表示法
2.4.1 語(yǔ)義網(wǎng)絡(luò)
2.4.2 語(yǔ)義網(wǎng)絡(luò)的推理及其特點(diǎn) 
2.5 面向?qū)ο蟊硎痉?br />2.5.1 面向?qū)ο蟮闹R(shí)表示
2.5.2 面向?qū)ο蟊硎痉ǖ奶攸c(diǎn)
習(xí)題二
第3章 經(jīng)典邏輯推理
3.1 推理的基本概念
3.1.1 推理方式及其分類
3.1.2 推理的控制策略
3.1.3 模式匹配及其變量代換
3.2 自然演繹推理
3.3 歸結(jié)演繹推理
3.3.1 謂詞公式化為子句集的方法
3.3.2 海伯倫理論
3.3.3 歸結(jié)原理
3.3.4 歸結(jié)反演
3.3.5 基于歸結(jié)反演的問題求解
3.3.6 歸結(jié)反演策略
3.4 與/或形演繹推理
3.4.1 與/或形正向演繹推理
3.4.2 與/或形逆向演繹推理
3.4.3 代換的一致性與剪枝策略
第4章 搜索策略
4.1 問題求解過程的形式表示
4.1.1 狀態(tài)空間表示法
4.1.2 與/或樹表示法
4.2 狀態(tài)空間的盲目搜索策略
4.2.1 寬度優(yōu)先搜索
4.2.2 深度優(yōu)先搜索
4.2.3 有界深度優(yōu)先搜索
4.2.4 代價(jià)樹的寬度優(yōu)先搜索
4.2.5 代價(jià)樹的深度優(yōu)先搜索
4.3 狀態(tài)空間的啟發(fā)式探索策略
4.3.1 估價(jià)函數(shù)一擇優(yōu)搜索
4.3.2 圖的有序搜索與A*算法
4.4 與/或樹的搜索策略
4.4.1 與/或樹的寬度優(yōu)先搜索
4.4.2 與/或樹的有界深度優(yōu)先搜索
4.4.3 與/或樹的有序搜索
4.4.4 博弈樹的啟發(fā)式搜索
4.5 搜索性能的量度
習(xí)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)的類型與特點(diǎn)
5.1.2 專家系統(tǒng)的結(jié)構(gòu)與開發(fā)方法
5.2 LISP語(yǔ)言
5.2.1 LISP語(yǔ)言的特點(diǎn)與表達(dá)式
5.2.2 LISP語(yǔ)言的基本函數(shù)
5.2.3 迭代與遞歸
5.3 知識(shí)庫(kù)與推理機(jī)
5.3.1 產(chǎn)生式規(guī)則與規(guī)則庫(kù)的存儲(chǔ)結(jié)構(gòu)
5.3.2 推理機(jī)及其實(shí)現(xiàn) 
5.3.3 元知識(shí)與元規(guī)則
5.4 解釋機(jī)制與元規(guī)則
5.4.1 解釋的方法
5.4.2 解釋器及其實(shí)現(xiàn)
5.5 知識(shí)獲取
5.5.1 知識(shí)獲取的任務(wù)與方式
5.5.2 知識(shí)的檢測(cè)與求精
5.5.3 知識(shí)的組織與管理
5.6 專家系統(tǒng)工具
5.6.1 專家系統(tǒng)工具概述
5.6.2 專家系統(tǒng)工具CLIPS及其應(yīng)用
5.7 分布式專家系統(tǒng)與協(xié)同式專家系統(tǒng)
5.7.1 分布式專家系統(tǒng)及其驅(qū)動(dòng)方式
5.7.2 協(xié)同式專家系統(tǒng)及其協(xié)同方法
習(xí)題五
   
第6章 知識(shí)的不確定性與不確定推理
6.1 知識(shí)的不確定性 
6.1.1 證據(jù)的不確定性
6.1.2 規(guī)則的不確定性
6.1.3 推理的不確定性
6.2 基于概率的不確定推理
6.2.1 有關(guān)概率的基本概念與計(jì)算
6.2.2 基于概率的不確定推理方法
6.3 基于可信度的不確定推理
6.3.1 可信度不確定推理方法
6.3.2 帶有閾限的不確定推理
6.3.3 加權(quán)的不確定推理
6.3.4 可信度不確定推理方法的改進(jìn)
6.4 模糊邏輯與模糊推理
6.4.1 模糊集合的定義與運(yùn)算
6.4.2 模糊知識(shí)表示與模糊匹配
6.4.3 模糊推理方法
6.4.4 帶有可信度的模糊推理  
習(xí)題六
第7章 機(jī)器學(xué)習(xí)
7.1 機(jī)器學(xué)習(xí)的概念與方法分類 
7.2 歸納學(xué)習(xí)
7.2.1 歸納學(xué)習(xí)的基本概念
7.2.2 基于描述空間的歸納學(xué)習(xí)方法
7.2.3 基于決策樹的歸納學(xué)習(xí)方法
7.3 基于解釋的學(xué)習(xí)
7.3.1 基于解釋的學(xué)習(xí)框架
7.3.2 基于解釋的學(xué)習(xí)過程
7.4 遺傳算法
7.4.1 遺傳算法的概念與計(jì)算方法
7.4.2 遺傳算法的應(yīng)用
習(xí)題七
第8章 人工神經(jīng)網(wǎng)絡(luò)
8.1 人工神經(jīng)元與感知器
8.1.1 人工神經(jīng)元模型
8.1.2 感知器及其學(xué)習(xí)算法
8.2 人工神經(jīng)網(wǎng)絡(luò)模型
8.2.1 神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu)
8.2.2 前向神經(jīng)網(wǎng)絡(luò)
8.2.3 反饋神經(jīng)網(wǎng)絡(luò)
8.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
8.3.1 神經(jīng)網(wǎng)絡(luò)的兩類學(xué)習(xí)方法
8.3.2 BP學(xué)習(xí)算法及其改進(jìn)方法
8.4 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
8.4.1 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)
8.4.2 基于神經(jīng)網(wǎng)絡(luò)的模糊分類器
8.4.3 神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)中的應(yīng)用
8.4.4 模糊邏輯與神經(jīng)網(wǎng)絡(luò)的結(jié)合 
習(xí)題八 
參考文獻(xiàn)