人工智能 原理·方法·应用PDF电子书下载

前言 1

第一章　绪论 1

§1.1 什么是人工智能 1

目录 1

1.1.1 智能 2

1.1.2　人工智能 5

§1.2　人工智能的发展简史 6

§1.3　人工智能的研究目标 12

§1.4　人工智能研究的基本内容 13

§1.5 人工智能的研究途径 15

1.5.1　关于研究途径的两种观点 15

1.5.2　以符号处理为核心的方法 16

1.5.4　混合系统 17

1.5.3　以网络联接为主的联接机制方法 17

§1.6　人工智能的研究领域 19

习题 21

第二章　人工智能中的逻辑 23

§2.1 命题逻辑与谓词逻辑 23

2.1.1　命题 23

2.1.2　谓词 24

2.1.3　谓词公式 25

2.1.4　谓词公式的解释 27

2.1.5 谓词公式的永真性、可满足性、不可满足性 29

2.1.6　谓词公式的等价性与永真蕴含 30

§2.2 三值逻辑 32

2.2.1　Kleene的强三值逻辑 32

2.2.2　Luckasiewicz逻辑 33

2.2.3　Bochvar逻辑 34

§2.3　多值逻辑 35

§2.4 模糊逻辑 37

2.4.1　集合与特征函数 37

2.4.2　模糊子集与隶属函数 38

2.4.3　模糊子集的扎德表示法 39

2.4.4　模糊子集的运算及性质 40

2.4.5　模糊关系 42

2.4.6　模糊关系的合成 44

2.4.7　模糊变换 45

习题 47

3.1.1　什么是知识 49

§3.1 基本概念 49

第三章　知识与知识表示 49

3.1.2　知识的特性 51

3.1.3　知识的分类 52

3.1.4　知识的表示 54

§3.2 一阶谓词逻辑表示 57

3.2.1　表示方法 57

3.2.2　一阶谓词逻辑表示的特点 62

§3.3 产生式表示 63

3.3.1　产生式的基本形式 63

3.3.2　产生式系统 64

3.3.3　可交换的产生式系统 67

3.3.4　可分解的产生式系统 69

3.3.5　产生式表示的特点 69

§3.4 语义网络表示 71

3.4.1　语义网络的概念 72

3.4.2　语义网络对合取、析取的表示 76

3.4.3　语义网络的分区 77

3.4.4　语义网络中常用的语义联系 78

3.4.5　语义网络表示的问题求解过程 81

3.4.6　语义网络表示的特点 83

§3.5 框架表示 84

3.5.1　框架的一般形式 84

3.5.2　框架网络 86

3.5.3　框架表示的问题求解过程 92

3.5.4　框架表示的特点 93

3.6.1　概念依赖理论 95

§3.6 脚本表示 95

3.6.2　脚本 96

§3.7　过程表示 99

§3.8 不精确知识的表示 100

3.8.1　基于产生式的不精确知识表示 100

3.8.2　基于框架的不精确知识表示 109

3.8.3　基于语义网络的不精确知识表示 110

§3.9　Petri网表示 110

§3.10　神经元网络表示 112

习题 114

第四章　推理 117

§4.1 基本概念 117

4.1.1　什么是推理 117

4.1.2　推理方式及其分类 118

4.1.3　推理中的控制策略 120

4.1.4　推理方向 121

4.1.5　模式匹配 124

4.1.6　冲突消解策略 134

§4.2　自然演绎推理 137

§4.3 归结演绎推理 139

4.3.1　子句 140

4.3.2　海伯伦理论 143

4.3.3　鲁宾逊归结原理 145

4.3.4　归结反演 150

4.3.5　应用归结原理求取问题的答案 154

4.3.6　归结策略 157

§4.4 不精确推理 163

4.4.1　不精确推理中的基本问题 164

4.4.2　确定性理论 165

4.4.3　证据理论 168

4.4.4　主观Bayes方法 178

4.4.5　模糊推理 186

§4.5 归纳推理 194

4.5.1　枚举归纳推理 195

4.5.2　类比归纳推理 196

§4.6　非单调推理 197

习题 198

第五章　搜索 203

§5.1 基本概念 203

5.1.1　什么是搜索 203

5.1.2　状态空间表示法 204

5.1.3　与／或树表示法 207

5.2.1 状态空间的一般搜索过程 212

§5.2 状态空间的搜索策略 212

5.2.2　广度优先搜索 216

5.2.3　深度优先搜索 221

5.2.4　有界深度优先搜索 222

5.2.5　代价树的广度优先搜索 224

5.2.6　代价树的深度优先搜索 228

5.2.7　启发式搜索 229

5.2.8　A＊算法 235

§5.3 与／或树的搜索策略 241

5.3.1　与／或树的一般搜索过程 241

5.3.2　与／或树的广度优先搜索 242

5.3.3　与／或树的深度优先搜索 245

5.3.4　与／或树的有序搜索 248

5.3.5　博弈树的启发式搜索 254

5.3.6　α-β剪枝技术 258

§5.4 搜索的完备性与效率 261

5.4.1　完备性 261

5.4.2　搜索效率 261

习题 262

第六章　专家系统 266

§6.1　什么是专家系统 266

§6.2　专家系统的分类 269

§6.3 专家系统的一般结构 271

6.3.1　人机接口 271

6.3.2　知识获取机构 272

6.3.3　知识库 272

6.3.6　解释机构 273

6.3.5　数据库 273

6.3.4　推理机 273

§6.4 知识获取 274

6.4.1　知识获取的任务 274

6.4.2　知识获取方式 276

§6.5 知识的组织、维护与管理 280

6.5.1　知识的组织 280

6.5.2　知识的维护 282

6.5.3　知识的管理 285

§6.6 专家系统的建造与评价 288

6.6.1　专家系统的建造原则 289

6.6.2　专家系统的开发过程 291

6.6.3　专家系统的评价 296

6.6.4　一个例子 298

§6.7　专家系统的开发工具 302

§6.8　新一代专家系统的研究 304

习题 305

第七章　机器学习 307

§7.1 什么是机器学习 307

7.1.1　关于学习的几种主要观点 308

7.1.2　机器学习的发展 309

7.1.3　机器学习与智能系统 310

§7.2 学习系统 312

7.2.1　什么是学习系统 312

7.2.2　学习系统的基本结构 314

7.1.3　学习系统的分类 315

§7.3　机械式学习 317

§7.4　指导式学习 319

7.5.1　示例学习的系统模型 321

§7.5 示例学习 321

7.5.3　形成知识的方法 323

7.5.2　示例与知识的表示 323

7.5.4　ID3算法 325

§7.6 类比学习 326

7.6.1　类比学习的学习过程 327

7.6.2　属性类比学习 328

7.6.3　转换类比学习 329

§7.7 解释学习 330

7.7.1　解释学习的描述框架 331

7.7.2　解释学习的学习过程 331

7.7.3　论域知识的完善性 332

7.7.4 PRODIGY系统 333

7.8.1 各种学习方法的比较 334

§7.8 学习方法的比较与展望 334

7.8.2　机器学习的展望 335

习题 335

第八章　自然语言理解 337

§8.1 什么是自然语言理解 337

8.1.1 自然语言理解研究的任务 338

8.1.2 自然语言理解的发展 338

§8.2 语法规则的表示方法 340

8.2.1　句子结构的表示 341

8.2.2　上下文无关文法 341

8.2.3　变换文法 343

§8.3 语法分析 345

8.3.1 自顶向下与自底向上的分析 345

8.3.2　扩充转移网络分析 348

§8.4 语义的分析与理解 354

8.4.1　语义文法 354

8.4.2　格文法 355

习题 358

第九章　智能决策支持系统 359

§9.1 什么是智能决策支持系统 359

9.1.1　决策与决策过程 359

9.1.2　决策支持系统 360

9.1.3　智能决策支持系统 362

§9.2 智能决策支持系统的组成 363

9.2.1　模型库系统 364

9.2.2　方法库系统 365

9.2.4　会话系统 366

9.2.3　数据库系统 366

9.2.5　智能部件 368

§9.3 智能决策支持系统的结构 369

9.3.1　决策支持系统的结构 369

9.3.2　决策支持系统与智能部件的集成 370

习题 371

第十章　智能计算机 373

§10.1　什么是智能计算机 373

§10.2　知识信息处理系统 376

§10.3 人工神经网络计算机 380

10.3.1　神经元与人工神经元 381

10.3.2　三种人工神经网络计算机 383

习题 385

参考资料 385