人工智能原理PDF电子书下载

第一章 序论 1

1.1 什么是人工智能? 1

1.2 AI的产生及主要学派 2

1.3 人工智能、专家系统和知识工程 4

1.4 人工智能的技术特征 6

1.5 AI模拟智能成功的标准 7

1.6 人工智能应用系统 8

2.1.1 如何把问题求解定义为问题状态空间的搜索 13

2.1 问题与问题空间 13

第二章 问题求解与搜索方法 13

2.1.2 问题特征分析 16

2.2 盲目搜索方法 21

2.2.1 宽度优选搜索（Breadth-first Search） 21

2.2.2 深度优选搜索（Depth-first Search） 21

2.2.3 分支有界搜索 22

2.3 启发式搜索方法 22

2.3.1 启发式信息的表示 22

2.3.2 几种最基本的搜索策略 27

2.4 图搜索策略 31

2.4.1 一个通用的图搜索算法 31

2.4.2 A算法与A＊算法 34

2.5 问题归约与AO＊算法 44

2.5.1 问题归约求解方法 44

2.5.2 与/或图搜索 45

2.5.3 与/或图搜索的特点 46

2.5.4 与/或图搜索算法AO＊ 47

2.5.5 对AO＊算法的进一步观察 49

2.5.6 用AO＊算法求解一个智力难题 50

2.6 约束满足法 55

2.6.1 约束满足问题 55

2.6.2 约束满足问题求解 56

2.7 手段-目的分析法（MeanS-End-Analysis） 58

2.8 博弈 62

2.8.1 概述 62

2.8.2 极小极大搜索过程 63

2.8.3 α-β剪枝算法 67

2.9 搜索算法的效率分析 69

第三章 知识表达与处理方法 73

3.1 概述 73

3.1.1 知识和知识表示的含义 73

3.1.2 AI中知识表示方法分类 74

3.1.3 AI对知识表示方法的要求 74

3.1.4 知识表示要注意的问题 75

3.2 逻辑表示法 76

3.3 产生式表示法 77

3.3.1 产生式系统的组成 77

3.3.2 产生式系统的表示 78

3.3.3 产生式系统的推理方式 81

3.3.4 产生式规则的选择与匹配 83

3.3.5 产生式表示的特点 85

3.4 语义网络表示法 85

3.4.1 语义网络结构 85

3.4.3 多元语义网络的表示 86

3.4.2 二元语义网络的表示 86

3.4.4 连接词和量词的表示 87

3.4.5 语义网络的推理过程 91

3.4.6 语义网络的一般描述 93

3.5 框架表示法 94

3.5.1 框架理论 94

3.5.2 框架结构 94

3.5.3 框架表示下的推理 97

3.6 过程式知识表示 98

第四章 谓词逻辑的归结原理及其应用 102

4.1 命题演算的归结 102

4.1.1 基本概念 102

4.1.2 命题演算的归结方法 103

4.2 谓词演算的归结 103

4.2.1 谓词演算的基本问题 103

4.2.2 将公式化成标准子句形式的步骤 103

4.2.3 合一算法 104

4.2.5 谓词演算的归结算法 106

4.2.4 变量分离标准化 106

4.3 归结原理 108

4.3.1 谓词演算基础 109

4.3.2 归结方法理论基础 110

4.3.3 Herbrand定理 113

4.4 归结过程的控制策略 120

4.4.1 简化策略 120

4.4.2 支撑集策略 122

4.4.3 线性集人策略 123

4.4.4 几种推理规则及其应用 124

4.5 应用实例 126

4.5.1 归约在逻辑电路设计中的应用 126

4.5.2 利用推理破案实例 128

第五章 进一步的推理方法 132

5.1 非单调推理 132

5.1.1 非单推理与非单调推理的概念 132

5.1.2 默认逻辑 133

5.1.3 非单调推理系统TMS 134

5.2 Dempster-Shater（D/S）证据理论 141

5.3 不确定性推理 146

5.3.1 不确定性 146

5.3.2 主观概率贝叶斯方法 148

5.4 MYCIN系统的推理模型 150

5.4.1 理论和实际的背景 150

5.4.2 MYCIN模型 151

5.4.3 MYCIN模型分析 153

5.4.4 MYCIN推理网络的基本模式 154

5.4.5 MYCIN确定性因子的评价 156

5.5 模糊推理 156

5.5.1 模糊集论与模糊逻辑 156

5.5.2 Fuzzy聚类认知图 158

5.5.3 模糊认知图 165

5.6 基于模型的推理 170

5.6.1 基于模型推理在诊断中的应用 170

5.6.2 基于模型的推理系统描述 171

5.6.3 基于模型的推理实例 172

5.6.4 基于模型的推理的优缺点 173

5.7 基于事例的推理 173

5.7.1 基于事例的推理的基本思想 173

5.7.2 事例的表示与组织 175

5.7.3 事例的检索 176

5.7.4 事例的改写 176

5.8 基于时序的推理 176

5.8.1 时间区间关系 176

5.8.2 时间区间和时间点的关系 179

5.8.3 时序的推理实例 180

5.9 归纳法推理 181

5.9.1 归纳法推理的研究现状 182

5.9.2 归纳法推理的理论基础 183

5.9.3 归纳法推理的基本概念 185

5.9.4 归纳法推理的定理证明器 187

5.9.5 归纳法推理研究中的主要难点 188

5.9.6 归纳法推理的理论局限 189

第六章 专家系统 192

6.1 专家系统的类型 193

6.1.1 专家系统的任务类型 193

6.1.2 分析型专家系统 195

6.1.3 设计型专家系统 195

6.1.4 组合型专家系统 196

6.2 知识获取的直接方法 197

6.2.1 概述 197

6.2.2 知识获取的直接方法 197

6.2.3 知识获取的新进展 199

6.3 专家系统的解释机制 200

6.3.1 预制文本解释法 200

6.3.2 路径跟踪解释法 201

6.3.3 自动程序员解释法 201

6.3.4 策略解释法 202

6.4 专家系统开发工具与环境 202

6.5 专家系统开发方法 204

6.5.1 专家系统开发的步骤 204

6.6 专家系统开发实例 205

6.5.2 专家系统开发方法 205

6.6.1 动物识别专家系统 206

6.6.2 MYCIN专家系统 207

第七章 机器学习 209

7.1 概述 209

7.1.1 机器学习的定义和意义 209

7.1.2 机器学习的研究简吏 209

7.1.3 机器学习方法的分类 210

7.1.4 机器学习中的推理方法 212

7.2 归纳学习 213

7.2.1 归纳概念学习的定义 213

7.2.2 归纳概念学习的形式描述 215

7.2.3 归纳概念学习算法的一般步骤 216

7.2.4 归纳概念学习的基本技术 218

7.3 解释学习 225

7.3.1 解释学习的基本原理 225

7.3.2 解释学习的一般框架 226

7.3.3 解释的学习过程 227

7.4 类比学习 228

7.4.1 类比学习的一般原理 228

7.4.2 类比学习的表示 228

7.4.3 类比学习的求解 229

7.4.4 逐步推理和监控的类比学习 230

7.5 神经网络学习 232

7.5.1 人工神经网络的发展简吏 232

7.5.2 人工神经网络的基本原理 233

7.5.3 人工神经网络模拟的数学基础 237

7.5.4 人工神经网络的基本结构模式 238

7.5.5 人工神经网络互连结构 239

7.5.6 神经网络的学习算法 242

7.5.7 神经网络模型分类 244

第八章 机器人视觉 247

8.1 传感器和图像 247

8.1.1 数字图像 247

8.2.1 图像理解 249

8.2 计算机视觉 249

8.1.2 图像处理中噪音 249

8.2.2 视觉和思考 250

8.3 视觉作为恢复过程 251

8.3.1 恢复什么 252

8.3.2 用几何的观点看图像构成 253

8.3.3 透视投影 253

8.3.4 正交投影 254

8.3.5 侧面透视投影 255

8.3.6 形状表示 256

8.3.7 表面的方向性透视的形状 256

8.3.8 表面的方向性及在正交下的形状 256

8.3.9 立体面投影 256

8.3.10 透视投影的几何特性 257

8.3.11 透镜成像 257

8.3.12 图像构成的光度方式 258

8.4 恢复图像描述 258

8.4.2 基于微分法的方法 259

8.4.1 边缘探测 259

8.4.3 基于模型的方法 262

8.4.4 边缘聚合与Hough变换 262

8.4.5 图像分割 263

8.5 由轮廓得到形状 264

8.5.1 基于边缘标志的定性分析 265

8.5.2 基于斜对称的定量分析 265

8.6 从阴影到形状 267

8.6.1 反射率映射 268

8.6.2 解决病态问题 270

8.6.3 立体光度 270

8.7 从纹理到形状 270

8.7.1 纹理元素的密度 271

8.7.2 纹理反射率图 272

8.8 立体画 273

8.8.1 对应问题的描述 273

8.8.2 基于亮度的匹配 274

8.8.3 基于边缘的匹配 275

8.9.1 运动域 276

8.9 视觉运动的分析 276

8.9.2 运动域的估算 277

8.9.3 运动域的解释 280

8.10 主动视觉 281

8.11 应用 282

8.11.1 自动机动车驾驶 282

8.11.2 物体识别 284

第九章 自然语言处理 289

9.1 语言的组分 290

9.1.1 实义词和虚词 290

9.1.2 短语结构 290

9.2 上下文无关语法 291

9.2.1 重写规则 291

9.2.2 语法分析 292

9.3 上下文无关语法分析 293

9.3.1 产生后继状态的算法 294

9.3.3 建立语法分析树 295

9.3.2 利用词典 295

9.4 包含特殊的语法 298

9.4.1 引进特征 298

9.4.2 特征匹配 299

9.5 利用图表的高效语法分析 302

9.5.1 Chart数据结构 302

9.5.2 有多种解释的句子 303

9.6.1 词的意思 305

9.6 语义解释 305

9.6.2 利用特征的语义解释 307

9.6.3 消除词的多义 309

9.7 生成自然语言 310

9.8 在上下文中的自然语言 311

9.8.1 言语的行为 311

9.8.2 创建参考 312

9.8.3 处理数据库的断言和问题 313

9.9 量词的辖域 316

10.1 概述 319

10.1.1 规划的定义 319

第十章 规划 319

10.1.2 规划的分类 320

10.2 规划问题的表达——积木世界 321

10.3 规划系统的组成 323

10.3.1 挑选可应用的规则 323

10.3.2 应用规则 323

10.3.3 框架公理 324

10.3.4 检测解 325

10.3.6 修正近假正确的解 326

10.3.5 检测死胡同 326

10.4 三角形表格 327

10.5 用目标堆栈的简单规划 328

10.6 使用目标集的非线性规划 333

10.7 分层规划 336

10.7.1 长度优先搜索 336

10.7.2 NOAH规划 337

10.8 多目标规划 343

11.1 遗传算法的基本概念 349

第十一章 遗传算法 349

11.2 遗传算法的形式描述 351

11.3 设计GA基本步骤 353

11.4 遗传算法的基本理论 356

11.5 遗传算法简例 358

第十二章 次协调逻辑及其自动推理 361

12.1 什么是次协调逻辑 361

12.2 专家系统与不协调知识库 362

12.3 广义Horn子句逻辑程序和语法 362

12.4 广义Horn子句逻辑程序的语义 365

12.5 前不动点的语义 369

12.6 合经典的广义Horn子句程序 372

12.7 广义Horn子句程序的操作语义 376

12.8 对合经典GHP的线性定序非Horn子句归结 380

12.9 不协调的医学专家系统及投资决策系统 383

12.10 次协调逻辑自动定理证明的理论 385

12.11 次协调逻辑线性结原理 388

12.12 注解逻辑下的推理实例 394

12.13 实现策略 397