人工智能的原理与方法PDF电子书下载

第1章 绪论 1

1.1 人工智能的概念 1

1.1.1 什么是人工智能 1

1.1.2 为什么要研究人工智能 1

1.2 人工智能的研究目标 2

1.3 人工智能的研究内容 2

1.4 人工智能的研究途径 3

1.5 人工智能的研究领域 4

1.5.1 问题求解（Problem solving） 4

1.5.2 专家系统（Expert Sys tem-ES） 4

1.5.3 模式识别（Pattern Recognition） 5

1.5.4 机器学习（Machine learning） 5

1.5.5 自动定理证明（Antomated mechanical theory proving） 5

1.5.6 自然语言理解（Natural language understanding） 6

1.5.7 自动程序设计（Automatic programming） 6

1.5.8 智能机器人（Intelligent robot） 6

1.5.9 智能决策系统（Intelligent decision system） 6

1.5.10 人工神经网络（Artificial neural network） 7

1.6 人工智能的发展概况 7

习题1 8

第2章 人工智能语言 9

2.1 概述 9

2.2 函数型程序设计语言LISP 9

2.2.1 LISP语言的数据结构 9

2.2.2 LISP程序结构 10

2.2.3 基本函数 10

2.2.4 LISP语言中的递归和循环 11

2.2.5 LISP程序举例 11

2.3 逻辑型程序设计语言PROLOG 12

2.3.1 PROLOG三种基本语句 12

2.3.2 PROLOG的基本数据结构 13

2.3.3 PROLOG的程序设计原理 14

2.3.4 PROLOG程序应用举例 15

2.4 面向对象程序设计语言Smalltalk 16

2.4.1 基本概念和对象 16

2.4.2 消息模式和消息表达式 17

2.4.3 语句和程序块 17

2.4.4 程序流程控制 18

2.4.5 类库和类定义 19

习题2 19

第3章 人工智能的数学基础 21

3.1 命题逻辑与谓词逻辑 21

3.1.1 命题 21

3.1.2 谓词 22

3.1.3 谓词公式 23

3.1.4 谓词公式的解释 24

3.1.5 谓词公式的等价性与永真蕴含 25

3.2 多值逻辑 27

3.3 概率论 28

3.3.1 随机现象 28

3.3.2 样本空间与随机事件 28

3.3.3 事件概率 30

3.3.5 全概率公式与Bayes公式 32

3.4 模糊理论 32

3.4.1 模糊概念 33

3.4.2 模糊集合与隶属函数 33

3.4.3 模拟集的表示方法 35

3.4.4 模糊集的运算 35

3.4.5 模糊集的λ水平截集 36

3.4.6 分解定理与扩张原理 37

3.4.7 模糊关系及其合成 38

3.4.8 模糊变换 40

习题3 41

第4章 知识与知识表示 43

4.1 什么是知识 43

4.1.1 知识的特征 43

4.1.2 知识的分类和表示 43

4.2 一阶谓词逻辑表示法 44

4.2.1 什么是一阶谓词 44

4.2.2 一阶谓词逻辑表示法的特点 44

4.3 产生式表示法 45

4.3.1 产生式系统的定义和组成 45

4.3.2 产生式系统的分类 46

4.3.3 产生式系统的控制策略 48

4.3.4 产生式系统的推理过程 48

4.4 框架（Frame）表示法 49

4.4.1 框架的概念 49

4.4.2 框架的表达能力 51

4.4.3 基于框架的推理 52

4.5 语义网络表示法 52

4.5.1 语义网络的概念 53

4.5.2 语义网络的表达能力 53

4.5.3 基于语义网络的推理 55

4.5.4 语义网络表示法的特点 56

4.6 过程表示法 57

4.7 脚本表示法 57

4.8 面向对象表示法 59

4.8.1 面向对象的基本概念 59

4.8.2 面向对象表示法的特点 59

4.9 Petri网表示法 61

习题4 62

第5章 基本谓词的逻辑推理 63

5.1 谓词逻辑的演绎推理方法 63

5.2 归结原理 64

5.2.1 子句 64

5.2.2 代换与合一 66

5.2.3 命题逻辑中的归结原理 67

5.2.4 谓词逻辑中的归结原理 69

5.2.5 基于归结的问题的求解方法 70

5.2.6 归结策略 72

5.3 与/或形演绎推理 76

5.3.2 与/或形逆向演绎推理（BR） 79

5.3.3 与/或形双向演绎推理 82

习题5 82

第6章 不确定性与不确定推理 85

6.1 基本概念 85

6.1.1 什么是不确定性推理 85

6.1.2 不确定推理中的基本问题 85

6.1.3 不确定推理方法的分类 88

6.2 概率方法 89

6.2.1 经典概率方法 89

6.2.2 逆概率方法 89

6.3 主观Bayes方法 90

6.3.1 知识不确定性的表示 90

6.3.2 证据不确定性的表示 91

6.3.3 组合证据不确定性的算法 91

6.3.4 不确定性的传递算法 92

6.3.5 结论不确定性的合成算法 93

6.4 可信度方法 93

6.4.1 可信度的概念 93

6.4.2 C-F模型 94

6.4.3 带有阀值限度不确定推理 95

6.5 模糊推理 96

6.5.1 模糊命题 96

6.5.2 模糊知识的表示 97

6.5.3 模糊匹配与冲突消解 98

6.5.4 简单模糊推理的基本模式 99

习题6 99

第7章 搜索策略 100

7.1 基本概念 100

7.1.1 什么是搜索 100

7.1.2 状成图表示法 101

7.1.3 与/或图表示法 104

7.2 状态图搜索技术 108

7.2.1 图搜索的基本概念 108

7.2.2 宽度优先搜索 109

7.2.3 深度优先搜索 112

7.2.4 有限深度优先搜索 113

7.2.5 启发式搜索的A算法和A＊算法 114

7.3 与/或图搜索策略 120

7.3.1 与/或图搜索 120

7.3.2 启发式与/或图搜索 123

7.4 博弈树搜索 126

7.4.1 博弈树的概念 126

7.4.2 极小极大分析法 127

7.4.3 α-β剪枝技术 129

习题7 130

第8章 专家系统 133

8.1 专家系统的基本概念 133

8.1.1 什么是专家系统 133

8.1.2 专家系统的特点和类型 133

8.2 专家系统的结构 138

8.2.1 概念结构 138

8.2.2 实际结构 141

8.2.3 分布式结构 141

8.2.4 黑板结构 141

8.3 专家系统的发展概况 144

8.3.1 专家系统的意义 144

8.3.2 专家系统的发展概况 144

8.3.3 专家系统的应用 146

8.4 知识获取知识工程 147

8.4.1 知识获取的任务 147

8.4.2 知识获取的方法 148

8.4.3 知识工程 149

8.5 专家系统的设计与实现 150

8.5.1 一般步骤与方法 150

8.5.2 知识表示与知识描述 153

8.5.3 知识库与知识库管理系统 154

8.5.4 推理机与解释机构 156

8.5.5 人机界面设计 157

8.6 专家系统的开发工具 157

8.6.1 专家系统外壳 157

8.6.2 专家系统开发环境 159

8.7 新一代专家系统的研究 160

8.7.1 模糊专家系统 160

8.7.2 神经网络专家系统 161

8.7.3 网上专家系统 164

8.8 专家系统举例 166

8.8.1 计算机网络故障及性能分析专家系统 166

8.8.2 矿井通风系统优化选择的专家咨询系统 168

习题8 170

第9章 神经网络 172

9.1 基本概念 172

9.1.1 生物神经元 172

9.1.2 人工神经元 172

9.1.3 神经网络 173

9.2 神经网络模型 174

9.2.1 感知器 174

9.2.2 BP网络及其反向传播算法 175

9.2.3 Hopefield神经网络 175

9.3 基于神经网络的知识表示与推理 176

9.4 神经网络与专家系统 177

9.5 遗传算法 178

9.5.1 遗传算法的基本概念 178

9.5.2 遗传算法的基本运算 179

9.6 神经网络发展概况 182

习题9 183

第10章 模式识别 184

10.1 模式识别的基本概念 184

10.2 统计模式识别 185

10.2.1 模板匹配分类法 185

10.2.2 最小距离分类法 186

10.2.3 几何分类法 186

10.2.4 概率分类法 186

10.2.5 聚类分类法 187

10.3 结构模式识别 188

10.4 模糊模式识别 189

10.5 神经网络模式识别 191

习题10 193

第11章 机器学习 194

11.1 基本概念 194

11.1.1 机器学习的定义 194

11.1.2 机器学习的发展过程 194

11.1.3 机器学习的主要研究方向 195

11.1.4 机器学习的主要策略 195

11.1.5 机器学习的方法 195

11.1.6 机器学习系统的原理、结构和功能 196

11.2 机器学习分类 197

11.2.1 符号学习 198

11.2.2 连接学习 198

11.2.3 遗传算法学习 198

11.3 符号学习 198

11.3.1 记忆学习 198

11.3.2 示教学习 199

11.3.3 演绎学习 200

11.3.4 类比学习 201

11.3.5 示例学习 202

11.3.6 发现学习 203

11.3.7 解释学习 204

11.4 神经网络学习 206

11.4.1 神经网络学习概述 207

11.4.2 BP网络及其学习 208

习题11 209

参考文献 210