人工智能原理及其應用

第1章 人工智能概述
1.1 人工智能及其研究目標
1.1.1 人工智能的定義
1.1.2 人工智能的研究目標
1.2 人工智能的產生與發(fā)展
1.2.1 孕育期
1.2.2 形成期
1.2.3 知識應用期
1.2.4 綜合集成期
1.3 人工智能研究的基本內容及其特點
1.3.1 人工智能研究的基本內容
1.3.2 人工智能研究的特點
1.4 人工智能的研究和應用領域
1.4.1 機器學習
1.4.2 自然語言理解
1.4.3 專家系統(tǒng)
1.4.4 模式識別
1.4.5 計算機視覺
1.4.6 機器人學
1.4.7 博弈
1.4.8 自動定理證明
1.4.9 自動程序設計
1.4.10 智能控制
1.4.11 智能決策支持系統(tǒng)
1.4.12 人工神經網絡
1.4.13 知識發(fā)現(xiàn)和數據挖掘
1.4.14 分布式人工智能
1.5 人工智能研究的不同學派及其爭論
1.5.1 人工智能的三大學派
1.5.2 人工智能理論的爭論
1.5.3 人工智能研究方法的爭論
1.6 人工智能的近期發(fā)展分析
習題
第2章 知識表示
2.1 知識與知識表示的概念
2.1.1 知識
2.1.2 知識表示
2.2 一階謂詞邏輯表示法
2.2.1 一階謂詞邏輯表示的邏輯基礎
2.2.2 謂詞邏輯表示方法
2.2.3 謂詞邏輯表示的應用
2.2.4 謂詞邏輯表示的特性
2.3 產生式表示法
2.3.1 產生式表示的基本方法及特性
2.3.2 產生式系統(tǒng)的基本結構
2.3.3 產生式系統(tǒng)的基本過程
2.3.4 產生式系統(tǒng)的控制策略
2.3.5 產生式系統(tǒng)的類型
2.3.6 產生式系統(tǒng)的特點
2.4 語義網絡表示法
2.4.1 語義網絡的基本概念
2.4.2 事物和概念的表示
2.4.3 情況和動作的表示
2.4.4 邏輯關系的表示
2.4.5 語義網絡的推理過程
2.4.6 語義網絡表示法的特征
2.5 框架表示法
2.5.1 框架理論
2.5.2 框架和實例框架
2.5.3 框架系統(tǒng)
2.5.4 框架系統(tǒng)的問題求解過程
2.5.5 框架表示法的特性
2.6 腳本表示法
2.6.1 腳本的結構
2.6.2 腳本的推理
2.7 過程表示法
2.7.1 表示知識的方法
2.7.2 過程表示的問題求解過程
2.7.3 過程表示的特性
2.8 面向對象表示法
2.8.1 面向對象的基本概念和特征
2.8.2 知識的面向對象表示
習題
第3章 確定性推理
3.1 推理的基本概念
3.1.1 什么是推理
3.1.2 推理方法及其分類
3.1.3 推理的控制策略及其分類
3.1.4 正向推理
3.1.5 逆向推理
3.1.6 混合推理
3.1.7 推理的沖突消解策略
3.2 推理的邏輯基礎
3.2.1 謂詞公式的解釋
3.2.2 謂詞公式的永真性與可滿足性
3.2.3 謂詞公式的等價性與永真蘊含性
3.2.4 調詞公式的范式
3.2.5 置換與合一
3.3 自然演繹推理
3.4 歸結演繹推理
3.4.1 子句集及其化簡
3.4.2 海伯倫理論
3.4.3 魯賓遜歸結原理
3.4.4 歸結演繹推理的歸結策略
3.4.5 用歸結反演求取問題的答案
3.5 基于規(guī)則的演繹推理
3.5.1 規(guī)則正向演繹推理
3.5.2 規(guī)則逆向演繹推理
3.5.3 規(guī)則雙向演繹推理
3.6 規(guī)則演繹推理的剪枝策略
習題
第4章 不確定與非單調推理
4.1 不確定性推理的基本概念
4.1.1 不確定性推理的含義
4.1.2 不確定性推理的基本問題
4.1.3 不確定性推理的類型
4.2 不確定性推理的概率論基礎
4.2.1 樣本空間與隨機事件
4.2.2 事件的概率
4.2.3 全概率公式與Bayes公式
4.3 確定性理論
4.3.1 可信度的概念
4.3.2 C-F模型
4.3.3 帶加權因子的可信度推理
4.4 主觀Bayes方法
4.4.1 知識不確定性的表示
4.4.2 證據不確定性的表示
4.4.3 組合證據不確定性的計算
4.4.4 不確定性的更新
4.4.5 結論不確定性的合成
4.5 證據理論
4.5.1 D-S理論的形式描述
4.5.2 證據理論的推理模型
4.5.3 推理實例
4.6 可能性理論和模糊推理
4.6.1 模糊邏輯基礎
4.6.2 模糊知識表示
4.6.3 模糊概念的匹配
4.6.4 模糊推理
4.7 非單調推理
習題
第5章 搜索策略
5.1 搜索的基本概念
5.1.1 搜索的含義
5.1.2 狀態(tài)空間法
5.1.3 問題歸納
5.2 狀態(tài)空間的盲目搜索
5.2.1 一般圖搜索過程
5.2.2 廣度優(yōu)先搜索
5.2.3 深度優(yōu)先搜索
5.2.4 有界深度優(yōu)先搜索
5.2.5 代價樹搜索
5.3 狀態(tài)空間的啟發(fā)式搜索
5.3.1 啟發(fā)性信息和估價函數
5.3.2 A算法
5.3.3 A*算法
5.3.4 A*算法應用舉例
5.4 與/或樹的盲目搜索
5.4.1 與/或樹的一般搜索
5.4.2 與/或樹的廣度優(yōu)先搜索
5.4.3 與/或樹的深度優(yōu)先搜素
5.5 與/或樹的啟發(fā)式搜索
5.5.1 解樹的代價與希望樹
5.5.2 與/或樹的啟發(fā)式搜索過程
5.6 博弈樹的啟發(fā)式搜索
5.6.1 概述
5.6.2 極大極小過程
5.6.3 α-β剪枝
習題
第6章 機器學習
6.1 機器學習的基本概念
6.1.1 學習和機器學習
6.1.2 機器學習的發(fā)展過程
6.1.3 學習系統(tǒng)
6.1.4 機器學習的分類
6.2 機械式學習
6.3 指導式學習
6.4 歸納學習
6.4.1 歸納學習的類型
6.4.2 示例學習
6.4.3 觀察與發(fā)現(xiàn)學習
6.5 基于類比的學習
6.5.1 類比學習的概念
6.5.2 用性類比學習
6.5.3 轉換類比學習
6.6 基于解釋的學習
6.6.1 解釋學習概述
6.6.2 解釋學習的空間描述及學習模型
6.6.3 解釋學習的基本原理
6.6.4 解釋學習的基本過程
6.6.5 領域知識的完善性
習題
第7章 神經網絡及連接學習
7.1 人工神經網絡概述
7.1.1 生物神經元及腦神經系統(tǒng)的結構與特征
7.1.2 人工神經元及人工神經網絡
7.1.3 人工神經網絡的發(fā)展過程
7.1.4 人工神經網絡的局限性
7.2 人工神經網絡的互連結構及其學習機理
7.2.1 人工神經網絡的互連結構
7.2.2 人工神經網絡學習和記憶的心理學基礎
7.2.3 人工神經網絡的學習算法
7.3 感知器模型及其學習
7.3.1 感知器模型
7.3.2 感知器的學習
7.3.3 有關感知器XOR問題求解的討論
7.4 誤差反向傳播網絡及其學
7.4.1 B-P網絡結構
7.4.2 B-P網絡學習的傳播公式
7.4.3 B-P網絡的學習算法
7.4.4 B-P網絡學習的討論
7.5 Hopfield網絡及其學習
7.5.1 Hopfield網絡的結構
7.5.2 Hopfield模型的穩(wěn)定性
7.5.3 Hopfield網絡學習算法
習題
第8章 自然語言理解
8.1 語言及其理解的基本概念
8.1.1 自然語言與自然語言理解
8.1.2 自然語言理解的研究任務
8.1.3 自然語言理解的發(fā)展
8.1.4 自然語言理解的層次
8.2 語法規(guī)則的表示方法
8.2.1 句子結構的表示
8.2.2 上下文無關文法
8.2.3 變換文法
8.3 語法分析
8.3.1 自頂向下與自底向上分析
8.3.2 擴充轉移網絡分析
8.4 語義的分析
8.4.1 語義文法
8.4.2 格文法
8.5 自然語言的生成
8.6 自然語言理解系統(tǒng)的層次模型
習題
第9章 專家系統(tǒng)
9.1 專家系統(tǒng)的基本概念
9.1.1 什么是專家系統(tǒng)
9.1.2 專家系統(tǒng)的分類
9.1.3 專家系統(tǒng)的特點
9.2 專家系統(tǒng)的基本結構
9.2.1 知識庫
9.2.2 數據庫
9.2.3 推理機
9.2.4 解釋機構
9.2.5 知識獲取機構
9.2.6 用戶界面
9.3 知識獲取
9.3.1 知識獲取的任務
9.3.2 知識獲取方法的分類
9.3.3 非自動知識獲取
9.3.4 自動知識獲取
9.4 專家系統(tǒng)的開發(fā)與評價
9.4.1 專家系統(tǒng)的開發(fā)條件
9.4.2 專家系統(tǒng)開發(fā)過程的生命期概念
9.4.3 專家系統(tǒng)開發(fā)過程的各個階段
9.4.4 專家系統(tǒng)的評價
9.5 專家系統(tǒng)開發(fā)工具與環(huán)境
9.5.1 程序設計語言
9.5.2 知識工程語言
9.5.3 輔助型工具
9.5.4 支持工具
9.5.5 專家系統(tǒng)開發(fā)環(huán)境
9.6 專家系統(tǒng)的進一步發(fā)展
9.6.1 新一代專家系統(tǒng)的特征
9.6.2 分布式專家系統(tǒng)
9.6.3 協(xié)同式專家系統(tǒng)
習題
第10章 智能決策支持系統(tǒng)
10.1 智能決策支持系統(tǒng)的基本概念
10.1.1 決策與決策過程
10.1.2 決策支持系統(tǒng)
10.1.3 智能決策支持系統(tǒng)
10.2 決策支持新技術
10.2.1 數據倉庫
10.2.2 數據開采
10.2.3 數據倉庫和數據開采的結合
10.3 智能決策支持系統(tǒng)的結構
10.3.1 智能決策支持系統(tǒng)的基本結構
10.3.2 智能決策支持系統(tǒng)的新結構體系
習題
參考文獻