人工智能与专家系统PDF电子书下载

第1章 绪论 1

1.1 人工智能及其发展 1

1.2 人工智能的研究与应用领域 9

习题一 12

第2章 知识表示 13

2.1 一阶谓词逻辑表示法 13

2.1.1 谓词逻辑 13

2.1.2 一阶谓词逻辑表示法的特点 20

2.2 产生式表示法 21

2.2.1 产生式与产生式系统 22

2.2.2 产生式系统的分类及其特点 26

2.3 框架表示法 29

2.3.1 框架与框架网络 29

2.3.2 框架的推理及其特点 35

2.4 语义网络表示法 39

2.4.1 语义网络 39

2.4.2 语义网络的推理及其特点 46

2.5 面向对象表示法 49

2.5.1 面向对象的知识表示 49

2.5.2 面向对象表示法的特点 53

习题二 55

第3章 经典逻辑推理 58

3.1 推理的基本概念 58

3.1.1 推理方式及其分类 58

3.1.2 推理的控制策略 60

3.1.3 模式匹配及其变量代换 64

3.2 自然演绎推理 67

3.3 归结演绎推理 68

3.3.1 谓词公式化为子句集的方法 68

3.3.2 海伯伦理论 70

3.3.3 归结原理 72

3.3.4 归结反演 75

3.3.5 基于归结反演的问题求解 76

3.3.6 归结反演策略 79

3.4 与/或形演绎推理 84

3.4.1 与/或形正向演绎推理 84

3.4.2 与/或形逆向演绎推理 87

3.4.3 代换的一致性与剪枝策略 90

习题三 91

第4章 搜索策略 95

4.1 问题求解过程的形式表示 95

4.1.1 状态空间表示法 95

4.1.2 与/或树表示法 97

4.2 状态空间的盲目搜索策略 100

4.2.1 宽度优先搜索 100

4.2.2 深度优先搜索 102

4.2.3 有界深度优先搜索 104

4.2.4 代价树的宽度优先搜索 105

4.2.5 代价树的深度优先搜索 107

4.3.1 估价函数与择优搜索 109

4.3 状态空间的启发式探索策略 109

4.3.2 图的有序搜索与A算法 111

4.4 与/或树的搜索策略 115

4.4.1 与/或树的宽度优先搜索 116

4.4.2 与/或树的有界深度优先搜索 118

4.4.3 与/或树的有序搜索 120

4.4.4 博弈树的启发式搜索 124

4.5 搜索性能的量度 127

习题四 128

第5章 专家系统 134

5.1 专家系统概述 134

5.1.1 专家系统的类型与特点 134

5.1.2 专家系统的结构与开发方法 137

5.2 LISP语言 140

5.2.1 LISP语言的特点与表达式 140

5.2.2 LISP语言的基本函数 142

5.2.3 迭代与递归 149

5.3.1 产生式规划与规则库的存储结构 151

5.3 知识库与推理机 151

5.3.2 推理机及其实现 155

5.3.3 元知识与元规则 167

5.4 解释机制与解释器 170

5.4.1 解释的方法 170

5.4.2 解释器及其实现 174

5.5 知识 获取 177

5.5.1 知识的获取的任务与方式 177

5.5.2 知识的检测与求精 180

5.5.3 知识的组织与管理 187

5.6 专家系统工具 189

5.6.1 专家系统工具概述 189

5.6.2 专家系统工具CLIPS及其应用 192

5.7 分布式专家系统与协同式专家系统 203

5.7.1 分布式专家系统及其驱动方式 203

5.7.2 协同式专家系统及其协同方法 205

习题五 209

第6章 知识的不确定性与不确定推理 211

6.1 知识的不确定性 211

6.1.1 证据的不确定性 211

6.1.2 规则的不确定性 212

6.1.3 推理的不确定性 213

6.2 基于概率的不确定推理 214

6.2.1 有关概率的基本概念与计算 214

6.2.2 基于概率的不确定推理方法 216

6.3 基于可信度的不确定推理 222

6.3.1 可信度不确定推理方法 222

6.3.2 带有阈限的不确定推理 226

6.3.3 加权的不确定推理 227

6.3.4 可信度不确定推理方法的改进 230

6.4 模糊逻辑与模糊推理 237

6.4.1 模糊集合的定义与运算 237

6.4.2 模糊知识表示与模糊匹配 247

6.4.3 模糊推理方法 252

6.4.4 带有可信度的模糊推理 264

习题六 266

第7章 机器学习 271

7.1 机器学习的概念与方法分类 271

7.2 归纳学习 272

7.2.1 归纳学习的基本概念 272

7.2.2 基于描述空间的归纳学习方法 274

7.2.3 基于决策树的归纳学习方法 276

7.3 基于解释的学习 282

7.3.1 基于解释的学习框架 283

7.3.2 基于解释的学习过程 284

7.4 遗传算法 286

7.4.1 遗传算法的概念与计算方法 286

7.4.2 遗传算法的应用 291

习题七 294

8.1.1 人工神经元模型 296

8.1 人工神经元与感知器 296

第8章 人工神经网络 296

8.1.2 感知器及其学习算法 298

8.2 人工神经网络模型 300

8.2.1 神经网络的互连结构 300

8.2.2 前向神经网络 301

8.2.3 反馈神经网络 303

8.3 神经网络的学习 306

8.3.1 神经网络的两类学习方法 306

8.3.2 BP学习算法及其改进方法 307

8.4 人工神经网络的应用 314

8.4.1 神经网络专家系统 314

8.4.2 基于神经网络的模糊分类器 317

8.4.3 神经网络在预测中的应用 324

8.4.4 模糊逻辑与神经网络的结合 328

习题八 331

参考文献 333