人工智能原理与应用 专家系统、机器学习、面向对象的方法PDF电子书下载

目录 1

第一章 绪论 1

1.1 人工智能的发展概况 1

1.1.1 什么是人工智能 1

1.1.2 人工智能的研究途径 1

1.1.3 人工智能学科的发展历史 1

1.2　人工智能的应用 2

1.2.1　知识工程 2

1.2.2　专家系统 2

2.1.1　LISP语言概述 5

2.1　LISP语言 5

第二章　人工智能程序设计语言 5

2.1.2　LISP的基本功能 7

2.1.3　递归与迭代 15

2.1.4　输入输出功能 19

2.1.5　LISP的其它功能 21

2.2　PROLOG语言 23

2.2.1 PROLOG语言概述 23

2.2.2 PROLOG语言程序设计基础 24

2.2.3　重复和递归的方法 31

2.2.4　表处理方法 35

2.2.5　建立数据库的方法 37

2.2.6　字符串处理方法 38

2.2.7　输入输出设计 39

2.2.8　PROLOG的其它功能 40

2.3　面向对象的程序设计 42

2.3.1　概述 42

2.3.2　面向对象程序设计的基本思想 43

2.3.3　基于类的系统 44

2.3.4　基于原型的系统 48

2.3.5　混合系统 50

2.3.6　面向对象的计算模型 51

习题 53

第三章　知识表示 55

3.1　概述 55

3.1.1　知识与知识表示 55

3.1.2　知识的表示方法 56

3.2　逻辑表示法 57

3.2.1　一阶谓词逻辑 57

3.2.2　谓词逻辑用于知识表示 60

3.3　规则表示法 61

3.3.1　产生式规则与产生式系统 61

3.3.2　Markov算法和Rete算法 64

3.3.3　控制策略的类型 65

3.4.1 语义网络的基本概念 66

3.4　语义网络表示法 66

3.4.2　语义网络的应用 69

3.5　框架表示法 72

3.5.1　框架的基本概念 72

3.5.2　框架表示的应用 73

3.6　概念从属与剧本表示法 74

3.6.1 概念从属 74

3.6.2　剧本 77

习题 79

4.1.1　概述 80

第四章　基本的问题求解方法 80

4.1　状态空间搜索 80

4.1.2　回溯策略 84

4.1.3　图搜索策略 87

4.1.4　任一路径的图搜索 90

4.1.5　最佳路径的图搜索 90

4.1.6　与或图的搜索 97

4.2　博弈树搜索 101

4.2.1　概述 101

4.2.2　极小极大过程 102

4.2.3　α－β过程 103

4.3　通用问题求解 106

4.3.1　手段目的分析 107

4.3.2　生成与测试 109

4.3.3　约束满足 110

习题 113

第五章　基本的推理方法 115

5.1　归结反演系统 115

5.1.1　谓词演算基础 115

5.1.2　归结反演 119

5.1.3　归结反演的控制策略 121

5.1.4　从归结反演中提取解答 123

5.2　基于规则的演绎系统 127

5.2.1　正向演绎系统 128

5.2.2　逆向演绎系统 133

5.3　规划生成系统 136

5.3.1　机器人问题求解 136

5.3.2　正向系统 137

5.3.3　规划的表示 138

5.3.4　逆向系统 140

习题 144

6.1　推理的类型 146

6.1.1　从逻辑基础上的分类 146

第六章　实用推理技术 146

6.1.2　从推理方法上的分类 148

6.2　非单调推理 149

6.2.1　概述 149

6.2.2　非单调逻辑 150

6.2.3　非单调系统 152

6.3　不精确推理 155

6.3.1　概述 155

6.3.2　可信度方法 159

6.3.3　主观Bayes方法 168

6.3.4　证据理论 169

6.3.5　可能性理论 177

6.4　基于模型的推理 185

6.4.1　基本原理 185

6.4.2　基于规则与模型的系统 186

6.5　基于事例的推理 189

6.5.1　基本概念 189

6.5.2　基本方法 190

6.5.3　与基于规则的系统的比较 191

习题 191

7.1　基本结构 192

第七章　专家系统的结构 192

7.2　元知识系统结构 194

7.2.1　什么是元知识 194

7.2.2　元知识的作用 194

7.2.3　元知识在专家系统中的应用 196

7.3　黑板系统结构 199

7.3.1　黑板模型 200

7.3.2　黑板结构 201

7.3.3　知识源 202

7.3.4　控制策略 204

7.4.1 基本概念 205

7.4.2　知识源的表示 205

7.3.5　黑板模型的优越性 205

7.4　黑板控制结构 205

7.4.3　控制黑板的组织 206

7.4.4　调度机制 209

7.4.5　黑板控制结构的优点与不足 211

7.5　实例研究 211

7.5.1　MYCIN系统 211

7.5.2　AM系统 218

习题 222

8.1　概述 223

8.1.1　知识获取的基本过程 223

第八章　知识获取与机器学习 223

8.1.2　知识获取的主要手段 225

8.1.3　机器学习 226

8.1.4　知识获取工具 228

8.2　通过例子学习 235

8.2.1　概述 235

8.2.2　学习单个概念 239

8.2.3　学习多个概念 247

8.2.4　学习执行多步任务 257

8.3.1　概述 262

8.3　通过类比学习 262

8.3.2　类比学习与推理系统 264

8.3.3　转换类比与派生类比系统 266

8.4　基于解释的学习 273

8.4.1　概述 273

8.4.2　基于解释的抽象 274

8.5　通过观察学习 276

8.5.1　合取概念聚类系统 276

8.5.2　结构对象的概念聚类 281

习题 285

9.1　遗传算法分析 286

9.1.1　概述 286

第九章　遗传算法 286

9.1.2　遗传算法的理论基础 290

9.1.3　算法实现中的一些基本问题 294

9.1.4　高级算子技术 297

9.2　基于遗传的机器学习系统 303

9.2.1　基于遗传学的机器学习 304

9.2.2　一个分类器系统的实现 308

第十章　面向对象的专家系统构造工具OEC 314

10.1　面向对象的知识表示 314

10.1.1　概述 314

10.1.2　对象的表示 314

10.1.3　规则的表示 318

10.1.4　方法的表示 321

10.2　问题求解机制 326

10.2.1　概述 326

10.2.2　模糊规则推理 326

10.2.3　模糊决策树推理 332

10.2.4　神经网络的模拟 336

10.3　系统的开发 338

10.3.1　用户界面 338

10.3.2　知识库开发工具 342

附录　OEC系统函数 344

参考文献 349