人工智能原理及應用

前言
第1章 緒論
1.1 人工智能的概念和研究意義
1.1.1 人工智能的概念
1.1.2 人工智能的研究意義
1.1.3 人工智能的研究目標和特點
1.2 人工智能的起源和發(fā)展
1.2.1 萌芽期
1.2.2 形成期
1.2.3 發(fā)展期
1.2.4 人工智能的最新研究進展和爭論
1.3 人工智能的研究內容和應用領域
1.3.1 人工智能研究的課題
1.3.2 人工智能的應用領域
習題一
第2章 知識的表示
2.1 知識及其表示概述
2.1.1 知識的含義與結構
2.1.2 知識的特征、分類和表示
2.1.3 人工智能系統(tǒng)所關心的知識
2.1.4 陳述性知識與過程性知識
2.2 狀態(tài)空間表示
2.2.1 狀態(tài)
2.2.2 操作
2.2.3 狀態(tài)空間
2.2.4 問題的解
2.2.5 狀態(tài)空間表示法求解步驟
2.3 謂詞邏輯表示
2.3.1 謂詞邏輯的基本內容
2.3.2 個體詞、謂詞與量詞
2.3.3 謂詞公式
2.3.4 謂詞公式的解釋
2.3.5 謂詞邏輯表示知識
2.4 問題歸約表示
2.4.1 問題歸約表示的過程
2.4.2 問題歸約法的與/或圖表示
2.4.3 問題歸約法的節(jié)點定義
2.4.4 問題歸約表示的可解性
2.5 語義網絡表示
2.5.1 語義網絡表示法
2.5.2 語義網絡的網絡結構
2.5.3 語義網絡的語義表示
2.5.4 連詞和量化的表示
2.5.5 語義網絡推理的性質繼承及匹配
2.5.6 語義網絡表示法的特點
2.6 框架表示
2.6.1 框架理論
2.6.2 框架結構
2.6.3 附加過程
2.6.4 框架系統(tǒng)中的知識組織
2.6.5 框架系統(tǒng)的推理機制
2.6.6 框架表示法的評價
2.7 過程表示
2.7.1 過程知識表示的概念
2.7.2 示例：使用過程表示法求解九宮問題
2.7.3 過程表示的特點
2.8 面向對象的表示
2.8.1 面向對象的概念與特性
2.8.2 面向對象的原則
2.8.3 面向對象的要素
2.8.4 類與類繼承
2.8.5 面向對象的知識表示的內容
2.8.6 面向對象表示的實例
2.8.7 面向對象知識表示的特點
2.9 Prolog語言概述
2.9.1 Prolog語言的背景
2.9.2 Prolog語言的邏輯思想示例
2.9.3 Prolog語言的邏輯程序定義
2.9.4 Prolog語言的數(shù)據(jù)結構和遞歸
習題二
第3章 確定性推理方法
3.1 推理概述
3.1.1 推理的概念
3.1.2 推理的方法
3.1.3 推理的控制策略
3.1.4 推理中的沖突
3.2 確定性推理的邏輯基礎
3.2.1 命題公式的解釋
3.2.2 等價式
3.2.3 永真蘊含式
3.2.4 前束范式與Skolem范式
3.2.5 置換與合一
3.3 演繹推理方法
3.3.1 演繹推理的概念
3.3.2 演繹推理的特點
3.4 歸結推理方法
3.4.1 子句集及其化簡
3.4.2 Herbrand（海伯倫）定理
3.4.3 Robinson（魯賓遜）歸結原理
3.4.4 利用歸結推理進行定理證明
3.4.5 應用歸結原理進行問題求解
3.5 歸結過程中的控制策略
3.5.1 引入控制策略的原因
3.5.2 歸結控制策略
習題三
第4章 不確定性推理方法
4.1 不確定推理概述
4.1.1 不確定推理的概念
4.1.2 不確定推理的基本問題和方法分類
4.1.3 不確定性推理與產生式表示
4.2 概率推理
4.2.1 概率的基本性質和計算公式
4.2.2 概率推理方法
4.3 主觀貝葉斯方法
4.3.1 知識不確定性的表示
4.3.2 證據(jù)不確定性的表示
4.3.3 主觀貝葉斯方法的推理過程
4.3.4 主觀貝葉斯方法應用舉例
4.4 可信度方法
4.4.1 可信度的概念
4.4.2 基于可信度的不確定性表示——CF模型
4.4.3 可信度方法的推理算法
4.4.4 可信度方法應用舉例
4.5 證據(jù)理論（D-STheory）
4.5.1 證據(jù)理論的形式化描述
4.5.2 證據(jù)理論的不確定性推理模型
4.5.3 證據(jù)理論應用舉例
4.6 模糊推理
4.6.1 模糊集理論與模糊邏輯
4.6.2 模糊知識的表示和模糊概念的匹配
4.6.3 模糊規(guī)則推理方法
習題四
第5章 搜索策略
5.1 搜索概述
5.1.1 搜索的概念及類型
5.1.2 狀態(tài)空間的搜索
5.1.3 與/或樹的搜索
5.2 狀態(tài)空間的盲目搜索策略
5.2.1 狀態(tài)空間圖的一般搜索過程
5.2.2 廣度優(yōu)先搜索和深度優(yōu)先搜索
5.2.3 代價樹的搜索
5.3 狀態(tài)空間的啟發(fā)式搜索策略
5.3.1 啟發(fā)信息與估價函數(shù)
5.3.2 最佳優(yōu)先搜索
5.3.3 A*算法
5.3.4 A*算法應用舉例
5.4 與/或樹的盲目搜索策略
5.4.1 與/或樹的搜索過程
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)先搜索
5.5 與/或樹的啟發(fā)式搜索策略
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 博弈樹的搜索過程
5.6.2 極大極小分析法
5.6.3 α-β剪枝
習題五
第6章 機器學習
6.1 機器學習概述
6.1.1 機器學習的概念
6.1.2 研究機器學習的意義
6.1.3 機器學習的發(fā)展過程
6.1.4 機器學習的主要策略
6.2 機械學習
6.2.1 機械學習的過程
6.2.2 機械學習系統(tǒng)要考慮的問題
6.3 歸納學習
6.3.1 示例學習
6.3.2 觀察與發(fā)現(xiàn)學習
6.4 解釋學習
6.4.1 解釋學習的基本原理
6.4.2 解釋學習過程和算法
6.4.3 解釋學習舉例
6.5 類比學習
6.5.1 類比學習的概念
6.5.2 類比學習的表示
6.5.3 類比學習的求解
6.6 決策樹學習
6.6.1 ID3算法
6.6.2 實例計算
6.7 神經網絡學習
6.7.1 神經網絡學習的概念
6.7.2 感知器學習
6.7.3 BP網絡學習
6.7.4 Hopfield網絡學習
習題六
第7章 計算智能
7.1 計算智能概述
7.1.1 計算智能的概念
7.1.2 計算智能的研究發(fā)展過程
7.1.3 計算智能與人工智能的關系
7.2 神經計算
7.2.1 生物神經元
7.2.2 人工神經元
7.2.3 神經網絡的互連結構
7.2.4 神經網絡的典型模型
7.3 模糊計算
7.3.1 模糊集及其運算
7.3.2 模糊關系及其運算
7.4 遺傳算法
7.4.1 遺傳算法的基本概念
7.4.2 遺傳算法的基本原理
7.4.3 遺傳算法的應用
7.5 蟻群算法
習題七
第8章 人工智能應用研究
8.1 專家系統(tǒng)
8.1.1 專家系統(tǒng)的起源和發(fā)展
8.1.2 專家系統(tǒng)的結構
8.1.3 專家系統(tǒng)的特點
8.1.4 專家系統(tǒng)的建立
8.1.5 專家系統(tǒng)應用實例：混凝土成品料溫專家控制系統(tǒng)
8.2 自然語言理解
8.2.1 概述
8.2.2 句法分析
8.2.3 詞性標注
8.3 數(shù)據(jù)挖掘與知識發(fā)現(xiàn)
8.3.1 概述
8.3.2 關聯(lián)規(guī)則挖掘
8.3.3 分類
8.3.4 聚類分析
8.4 自動規(guī)劃
8.4.1 概述
8.4.2 自動規(guī)劃的原理
8.4.3 自動規(guī)劃技術
8.4.4 自動規(guī)劃技術的最新發(fā)展
8.5 分布式智能與Agent
8.5.1 分布式智能概述
8.5.2 Agent的概念和模型
8.5.3 多Agent的概念及其建模
8.5.4 Agent之間的通信
8.5.5 Agent的體系結構
習題八
附錄 實驗指導
實驗一 VisualProlog知識表示與推理實驗
實驗二 狀態(tài)空間搜索——八數(shù)碼問題
實驗三 基于MATLAB的模糊推理系統(tǒng)設計
實驗四 基于MATLAB的神經網絡設計
實驗五 應用遺傳算法求解優(yōu)化問題
參考文獻