智能技術

第1章 概論
1.1 人工智能簡介
1.1.1 智能
1.1.2 人工智能
1.1.3 人工智能的發(fā)展簡史
1.1.4 人工智能的目標與表現(xiàn)形式
1.1.5 人工智能的研究途徑
1.1.6 人工智能的研究領域
1.2 智能工程
1.2.1 智能工程的提出
1.2.2 智能工程與人工智能
1.2.3 智能制造系統(tǒng)
1.3 智能控制
1.3.1 智能控制的發(fā)展概況
1.3.2 智能控制系統(tǒng)的基本結構
1.3.3 智能控制的結構理論
1.3.4 智能控制的特點
1.3.5 智能控制研究的數(shù)學工具
1.3.6 智能控制的主要研究內容
習題
第2章 知識表示技術
2.1 概述
2.1.1 知識、信息和數(shù)據(jù)
2.1.2 知識的特性
2.1.3 知識的分類
2.1.4 知識的表示
2.2 邏輯表示法
2.2.1 命題邏輯
2.2.2 謂詞邏輯
2.2.3 謂詞邏輯表示法的特點
2.3 語義網(wǎng)絡表示法
2.3.1 語義網(wǎng)絡的概念
2.3.2 語義網(wǎng)絡表示知識的方法及步驟
2.3.3 語義網(wǎng)絡中常用的語義聯(lián)系
2.3.4 語義網(wǎng)絡知識表示下的推理過程
2.3.5 語義網(wǎng)絡表示法的特點
2.4 框架表示法
2.4.1 框架結構及知識表示
2.4.2 基于框架的推理
2.4.3 框架表示法的特點
2.5 產(chǎn)生式表示法
2.5.1 產(chǎn)生式的基本形式
2.5.2 產(chǎn)生式系統(tǒng)
2.5.3 產(chǎn)生式系統(tǒng)示例
2.5.4 產(chǎn)生式表示法的特點
2.6 狀態(tài)空間表示法
2.6.1 狀態(tài)空間表示法的描述
2.6.2 狀態(tài)空間表示法示例
2.7 問題歸納法
2.7.1 問題歸納描述
2.7.2 與或圖表示法
2.8 面向對象表示法
2.8.1 面向對象的基本概念
2.8.2 面向對象的知識表示
習題
第3章 知識推理技術
3.1 推理方式及其分類
3.1.1 演繹推理、歸納推理和默認推理
3.1.2 確定性推理和不確定性推理
3.1.3 單調推理和非單調推理
3.1.4 定性推理
3.2 推理的控制策略
3.2.1 正向推理
3.2.2 反向推理
3.2.3 正反向推理
3.3 搜索策略
3.3.1 狀態(tài)空間的一般搜索過程
3.3.2 寬度優(yōu)先搜索策略
3.3.3 深度優(yōu)先搜索策略
3.3.4 啟發(fā)式搜索策略
習題
第4章 模糊邏輯技術
4.1 模糊邏輯的數(shù)學基礎
4.1.1 模糊集合
4.1.2 模糊集合的表示方法
4.1.3 模糊集合的運算
4.1.4 隸屬函數(shù)的確定方法
4.1.5 模糊關系
4.2 模糊邏輯的推理
4.2.1 模糊命題
4.2.2 模糊邏輯
4.2.3 模糊語言
4.2.4 模糊推理
4.3 模糊控制系統(tǒng)概述
4.3.1 模糊控制系統(tǒng)的構成
4.3.2 模糊控制系統(tǒng)的原理
4.4 模糊控制器原理
4.5 模糊控制器設計基礎
4.6 雙入單出模糊控制器設計
4.6.1 模糊化
4.6.2 模糊控制規(guī)則、模糊關系的模糊推理
4.6.3 清晰化
4.6.4 控制表計算程序
習題
第5章 神經(jīng)網(wǎng)絡技術
5.1 神經(jīng)網(wǎng)絡基礎
5.1.1 生物神經(jīng)元結構
5.1.2 神經(jīng)元數(shù)學模型
5.2 神經(jīng)網(wǎng)絡的結構和學習規(guī)則
5.2.1 神經(jīng)網(wǎng)絡的結構
5.2.2 神經(jīng)網(wǎng)絡的學習
5.2.3 神經(jīng)網(wǎng)絡的記憶
5.3 典型前向網(wǎng)絡--BP網(wǎng)絡
5.3.1 感知機
5.3.2 BP網(wǎng)絡
5.4 典型反饋網(wǎng)絡--Hopfield網(wǎng)絡
5.4.1 離散型Hopfield網(wǎng)絡
5.4.2 連續(xù)型Hopfield網(wǎng)絡
5.5 應用神經(jīng)網(wǎng)絡產(chǎn)生模糊集的隸屬函數(shù)
5.6 神經(jīng)網(wǎng)絡控制原理
5.6.1 神經(jīng)網(wǎng)絡控制的基本思想
5.6.2 神經(jīng)網(wǎng)絡在控制中的作用
5.7 神經(jīng)網(wǎng)絡在工程中的應用
5.7.1 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識
5.7.2 基于神經(jīng)網(wǎng)絡的自適應控制
5.8 單神經(jīng)元控制的直流調速系統(tǒng)
5.8.1 系統(tǒng)組成
5.8.2 單神經(jīng)元控制器及其學習算法設
5.8.3 單神經(jīng)元直流調速系統(tǒng)參數(shù)設計
5.9 模糊神經(jīng)網(wǎng)絡
5.9.1 模糊系統(tǒng)的標準模型
5.9.2 模糊神經(jīng)網(wǎng)絡的結構
5.9.3 學習算法
5.9.4 應用模糊神經(jīng)網(wǎng)絡在線檢測參數(shù)
習題
第6章 遺傳算法
6.1 遺傳算法的基本原理
6.1.1 遺傳算法的基本遺傳學基礎
6.1.2 遺傳算法的原理和特點
6.1.3 遺傳算法的基本操作
6.2 遺傳算法的模式理論
6.2.1 模式
6.2.2 復制對模式的影響
6.2.3 交叉對模式的影響
6.2.4 變異對模式的影響
6.2.5 遺傳算法有效處理的模式數(shù)量
6.3 遺傳算法應用中的一些基本問題
6.3.1 目標函數(shù)值到適值形式的映射
6.3.2 適值的調整
6.3.3 編碼原則
6.3.4 多參數(shù)級聯(lián)定點映射編碼
6.4 高級遺傳算法
6.4.1 改進的復制方法
6.4.2 高級GA算法
6.5 微種群和雙種群遺傳算法
6.5.1 微種群算法
6.5.2 雙種群遺傳算法
6.6 基于遺傳算法的系統(tǒng)在線辨識
6.6.1 遺傳算法在參數(shù)辨識中的應用
6.6.2 遺傳算法參數(shù)辨識仿真示例
6.7 基于遺傳算法的模糊控制
6.8 免疫遺傳算法
6.8.1 免疫遺傳算法的基本概念
6.8.2 免疫算子的機理與構造
6.8.3 TSP問題的免疫遺傳算法
習題
第7章 專家系統(tǒng)
7.1 專家系統(tǒng)的概念
7.1.1 什么是專家系統(tǒng)
7.1.2 專家系統(tǒng)的產(chǎn)生和發(fā)展
7.1.3 專家系統(tǒng)的特點
7.1.4 專家系統(tǒng)的類型
7.1.5 專家系統(tǒng)與知識系統(tǒng)
7.1.6 專家系統(tǒng)與知識工程
7.2 專家系統(tǒng)的結構與工作原理
7.2.1 專家系統(tǒng)的一般結構
7.2.2 專家系統(tǒng)的工作原理
7.3 知識的獲取
7.3.1 知識獲取的方式
7.3.2 知識獲取的步驟
7.4 專家系統(tǒng)的建造與評價
7.4.1 專家系統(tǒng)的建造原則
7.4.2 專家系統(tǒng)的建造步驟
7.4.3 專家系統(tǒng)的評價
7.5 專家系統(tǒng)設計舉例
7.5.1 動物識別系統(tǒng)
7.5.2 專家生產(chǎn)指導系統(tǒng)
7.6 專家控制系統(tǒng)
7.6.1 專家控制系統(tǒng)的工作原理
7.6.2 專家控制系統(tǒng)的類型
7.6.3 直接專家控制系統(tǒng)
7.6.4 間接專家控制系統(tǒng)
7.6.5 實時專家控制系統(tǒng)
7.7 新一代的專家系統(tǒng)
7.7.1 深層知識專家系統(tǒng)
7.7.2 模糊專家系統(tǒng)
7.7.3 神經(jīng)網(wǎng)絡專家系統(tǒng)
7.7.4 大型協(xié)同分布式專家系統(tǒng)
7.7.5 網(wǎng)上(多媒體)專家系統(tǒng)
習題
第8章 機器學習
8.1 機器學習的基本概念
8.1.1 什么是機器學習
8.1.2 學習系統(tǒng)
8.1.3 機器學習的主要策略
8.1.4 機器學習系統(tǒng)的基本結構
8.2 機械學習
8.2.1 機械學習的模式
8.2.2 機械學習的主要問題
8.3 指導學習
8.4 類比學習
8.4.1 類比推理
8.4.2 屬性類比學習
8.4.3 轉換類比學習
8.5 歸納學習
8.5.1 實例學習
8.5.2 觀察與發(fā)現(xiàn)學習
8.6 解釋學習
8.6.1 解釋學習的概念
8.6.2 解釋學習的過程
8.6.3 解釋學習的例子
8.6.4 領域知識的完善性
8.7 知識發(fā)現(xiàn)與數(shù)據(jù)挖掘
8.7.1 知識發(fā)現(xiàn)
8.7.2 數(shù)據(jù)挖掘概述
8.7.3 數(shù)據(jù)挖掘技術簡介
8.8 學習控制系統(tǒng)
8.8.1 基于模式識別的學習控制
8.8.2 反復學習控制
8.8.3 自學習控制系統(tǒng)
習題
參考文獻