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 3
1．2 人工智能的產生與發(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60年代末） 5
1．2．3 知識應用期（20世紀70年代初到80年代初） 5
1．2．4 從學派分立走向綜合（20世紀80年代中到21世紀初） 7
1．2．5 機器學習和深度學習引領發(fā)展（21世紀初至今） 7
1．3 人工智能研究的基本內容 7
1．3．1 智能的腦與認知機理研究 7
1．3．2 智能模擬的理論、方法和技術研究 8
1．4 人工智能研究中的不同學派 9
1．4．1 符號主義 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用領域 11
1．5．1 機器思維 11
1．5．2 機器學習 12
1．5．3 機器感知 14
1．5．4 機器行為 15
1．5．5 計算智能 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 人工智能的典型應用 19
習題1 21
第2章 確定性知識系統(tǒng) 23
2．1 確定性知識系統(tǒng)概述 23
2．1．1 確定性知識表示概述 23
2．1．2 確定性知識推理概述 25
2．2 確定性知識表示方法 27
2．2．1 謂詞邏輯表示法 27
2．2．2 產生式表示法 34
2．2．3 語義網絡表示法 36
2．2．4 框架表示法 42
2．3 確定性知識推理方法 46
2．3．1 產生式推理 46
2．3．2 自然演繹推理 51
2．3．3 歸結演繹推理 54
2．4 確定性知識系統(tǒng)簡例 63
2．4．1 產生式系統(tǒng)簡例 63
2．4．2 歸結演繹系統(tǒng)簡例 65
習題2 66
第3章 不確定性知識系統(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 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 證據理論 85
3．4．1 證據理論的形式化描述 86
3．4．2 證據理論的推理模型 90
3．4．3 推理實例 91
3．4．4 證據理論推理的特性 93
3．5 模糊推理 93
3．5．1 模糊集及其運算 93
3．5．2 模糊關系及其運算 96
3．5．3 模糊知識表示 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 貝葉斯網絡的概念及理論 105
3．6．2 貝葉斯網絡推理的概念和類型 108
3．6．3 貝葉斯網絡的精確推理 109
3．6．4 貝葉斯網絡的近似推理 110
習題3 111
第4章 智能搜索技術 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 適應度函數(shù) 142
4．5．5 基本遺傳操作 143
4．5．6 遺傳算法應用簡例 148
習題4 151
第5章 機器學習 153
5．1 機器學習概述 153
5．1．1 學習的概念 153
5．1．2 機器學習的概念 154
5．1．3 機器學習系統(tǒng)的基本模型 156
5．2 記憶學習 157
5．3 示例學習 158
5．3．1 示例學習的類型 159
5．3．2 示例學習的模型 159
5．3．3 示例學習的歸納方法 161
5．4 決策樹學習 162
5．4．1 決策樹的概念 162
5．4．2 ID3算法 163
5．5 統(tǒng)計學習 169
5．5．1 小樣本統(tǒng)計學習理論 169
5．5．2 支持向量機 171
5．6 集成學習 176
5．6．1 集成學習概述 176
5．6．2 AdaBoost算法 178
5．6．3 Bagging算法 184
5．7 粗糙集知識發(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 188
習題5 192
第6章 人工神經網絡與連接學習 194
6．1 概述 194
6．1．1 人工神經網絡概述 194
6．1．2 連接學習概述 195
6．2 人工神經網絡的生物機理 195
6．2．1 人腦神經元的結構及功能 196
6．2．2 學習的神經機理 198
6．3 人工神經元及人工神經網絡的結構 200
6．3．1 人工神經元的結構及模型 200
6．3．2 人工神經網絡的互連結構 202
6．4 人工神經網絡的淺層模型 203
6．4．1 感知器模型 203
6．4．2 BP網絡模型 206
6．4．3 Hopfield網絡模型 207
6．5 深層神經網絡模型 208
6．5．1 深度卷積神經網絡 208
6．5．2 深度波爾茨曼機與深度信念網絡 210
6．6 淺層連接學習 211
6．6．1 連接學習規(guī)則 211
6．6．2 感知器學習 213
6．6．3 BP網絡學習 215
6．6．4 Hopfield網絡學習 221
6．7 深度學習 224
6．7．1 深度學習概述 224
6．7．2 深度卷積神經網絡學習 226
6．7．3 卷積神經網絡學習的經典模型LeNet5 234
習題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的結構 243
7．2．1 Agent的機理 243
7．2．2 反應Agent的結構 244
7．2．3 認知Agent的結構 245
7．2．4 混合Agent的結構 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Agent 256
7．4．1 移動Agent系統(tǒng)的一般結構 256
7．4．2 移動Agent的實現(xiàn)技術及應用 257
習題7 259
第8章 智能應用簡介 261
8．1 自然語言理解簡介 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)和神經網絡專家系統(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
習題8 286
附錄A 新一代人工智能簡介 288
A．1 新一代人工智能基礎理論簡介 288
A．2 新一代人工智能關鍵共性技術簡介 291
參考文獻 294
鄂公網安備 42010302001612號 