高级人工智能PDF电子书下载

第1章 绪论 1

1.1　人工智能的渊源 1

1.2　人工智能的认知问题 3

1.3　思维的层次模型 4

1.4　符号智能 6

1.5　人工智能的研究方法 8

1.5.1　认知学派 8

1.5.2　逻辑学派 9

1.5.3　行为学派 9

1.6 自动推理 9

1.7　机器学习 11

1.8　分布式人工智能 13

1.9　人工思维模型 16

1.10　知识系统 16

习题 19

第2章　人工智能逻辑 20

2.1　概述 20

2.2　逻辑程序设计 22

2.2.1　逻辑程序定义 23

2.2.2　Prolog数据结构和递归 24

2.2.3　SLD归结 25

2.2.4　非逻辑成分：CUT 27

2.3　非单调逻辑 30

2.4　封闭世界假设 32

2.5　默认逻辑 34

2.6　限制逻辑 39

2.7　非单调逻辑NML 42

2.8 自认知逻辑 44

2.8.1　Moore系统？B 44

2.8.2　O？逻辑 45

2.8.3　标准型定理 46

2.8.4　◇-记号以及稳定扩张的一种判定过程 48

2.9　真值维护系统 50

2.10　情景演算的逻辑基础 55

2.10.1　刻画情景演算的多类逻辑 56

2.10.2　LR中的基本动作理论 57

2.11　框架问题 58

2.11.1　框架公理 58

2.11.2　框架问题解决方案的准则 60

2.11.3　框架问题的非单调解决方案 62

2.12　动态描述逻辑DDL 68

2.12.1　描述逻辑 68

2.12.2　动态描述逻辑的语法 70

2.12.3　动态描述逻辑的语义 72

习题 75

3.1　概述 76

第3章　约束推理 76

3.2　回溯法 81

3.3　约束传播 82

3.4　约束传播在树搜索中的作用 84

3.5　智能回溯与真值维护 85

3.6　变量例示次序与赋值次序 86

3.7　局部修正搜索法 86

3.8　基于图的回跳法 87

3.9　基于影响的回跳法 88

3.10　约束关系运算的处理 92

3.10.1　恒等关系的单元共享策略 92

3.10.2　区间传播 93

3.10.3　不等式图 94

3.10.4　不等式推理 95

3.11 约束推理系统COPS 96

3.12 ILOG Solver 99

习题 105

第4章　定性推理 106

4.1　概述 106

4.2　定性推理的基本方法 107

4.3　定性模型推理 108

4.4　定性进程推理 110

4.5　定性仿真推理 113

4.5.1　定性状态转换 114

4.5.2　QSIM算法 115

4.6　代数方法 116

4.7　几何空间定性推理 118

4.7.1　空间逻辑 118

4.7.2　空间时间关系描述 120

4.7.3　空间和时间逻辑的应用 122

4.7.4　Randell算法 122

习题 123

第5章　基于范例的推理 124

5.1　概述 124

5.2　类比的形式定义 125

5.3　过程模型 126

5.4　范例的表示 129

5.4.1　语义记忆单元 129

5.4.2　记忆网 130

5.5　范例的索引 132

5.6　范例的检索 133

5.7　相似性关系 135

5.7.1　语义相似性 135

5.7.2　结构相似性 136

5.7.3 目标特征 136

5.7.4　个体相似性 137

5.7.5　相似性计算 137

5.8　范例的复用 139

5.10　基于例示的学习 141

5.9　范例的保存 141

5.10.1　基于例示学习的任务 142

5.10.2　IB1算法 143

5.10.3　降低存储要求 145

5.11　范例工程 147

5.12　范例约简算法 149

5.13　中心渔场预报专家系统 153

5.13.1　问题分析与范例表示 153

5.13.2　相似性度量 155

5.13.3　索引与检索 156

5.13.4　基于框架的修正 157

5.13.5　实验结果 159

习题 160

第6章　概率推理 161

6.1　概述 161

6.1.1 贝叶斯网络的发展历史 161

6.1.2　贝叶斯方法的基本观点 162

6.1.3　贝叶斯网络在数据挖掘中的应用 163

6.2　贝叶斯概率基础 165

6.2.1　概率论基础 165

6.2.2　贝叶斯概率 167

6.3　贝叶斯问题求解 170

6.3.1　几种常用的先验分布选取方法 171

6.3.2　计算学习机制 174

6.3.3　贝叶斯问题求解步骤 175

6.4　简单贝叶斯学习模型 178

6.4.1　简单贝叶斯学习模型 178

6.4.2　简单贝叶斯模型的提升 180

6.4.3　提升简单贝叶斯分类的计算复杂性 182

6.5　贝叶斯网络的建造 183

6.5.1　贝叶斯网络的结构及建立方法 183

6.5.2　学习贝叶斯网络的概率分布 184

6.5.3　学习贝叶斯网络的网络结构 186

6.6　贝叶斯潜在语义模型 190

6.7.1　网页聚类 194

6.7　半监督文本挖掘算法 194

6.7.2　对含有潜在类别主题词的文档的类别标注 195

6.7.3　基于简单贝叶斯模型学习标注和未标注样本 196

习题 200

第7章　归纳学习 201

7.1　概述 201

7.2　归纳学习的逻辑基础 202

7.2.1　归纳学习的一般模式 202

7.2.2　概念获取的条件 204

7.2.3　问题背景知识 205

7.2.4　选择型和构造型泛化规则 207

7.3　偏置变换 210

7.4　变型空间方法 211

7.4.1　消除候选元素算法 212

7.4.2　两种改进算法 214

7.5　AQ归纳学习算法 216

7.6 CLS学习算法 217

7.7　ID3学习算法 218

7.7.1　信息论简介 218

7.7.2　属性选择 219

7.7.3　ID3算法 220

7.7.4　ID3算法应用举例 220

7.7.5　连续型属性离散化 223

7.8　基于偏置变换的决策树学习算法BSDT 223

7.8.1　偏置的形式化 224

7.8.2　表示偏置变换 225

7.8.3　算法描述 226

7.8.4　过程偏置变换 228

7.8.5　基于偏置变换的决策树学习算法BSDT 230

7.8.6　经典范例库维护算法TCBM 231

7.8.7　偏置特征抽取算法 232

7.8.8　改进的决策树生成算法GSD 232

7.8.9　实验结果 234

7.9　归纳学习的计算理论 236

7.9.1　Gold学习理论 236

7.9.2　模型推理系统 237

7.9.3　Valiant学习理论 238

习题 240

第8章　支持向量机 242

8.1　统计学习问题 242

8.1.1　经验风险 242

8.1.2　VC维 242

8.2　学习过程的一致性 243

8.2.1　学习一致性的经典定义 243

8.2.2　学习理论的重要定理 244

8.2.3 VC熵 244

8.3　结构风险最小归纳原理 245

8.4　支持向量机 248

8.4.1　线性可分 248

8.4.2　线性不可分 250

8.5　核函数 251

8.5.1　多项式核函数 252

8.5.2　径向基函数 252

8.5.3　多层感知机 252

8.5.4　动态核函数 252

8.6　基于分类超曲面的海量数据分类方法 254

8.6.1　Jordan曲线定理 254

8.6.2　SVM直接方法基本思想 255

8.6.3　实现算法 256

8.6.4　实验结果分析 257

习题 260

9.1　概述 262

第9章　解释学习 262

9.2　解释学习模型 263

9.3　解释泛化学习方法 264

9.3.1　基本原理 264

9.3.2　解释与泛化交替进行 268

9.4　全局取代解释泛化方法 269

9.5　解释特化学习方法 272

9.6　解释泛化的逻辑程序 275

9.6.1　工作原理 275

9.6.2　元解释器 276

9.6.3　实验例子 277

9.7　基于知识块的SOAR系统 278

9.8　可操作性标准 280

9.8.1　PRODIGY的效用问题 283

9.8.2　SOAR系统的可操作性 283

9.8.3　MRS-EBG的可操作性 284

9.8.4　METALEX的处理方法 284

9.9　不完全领域知识下的解释学习 285

9.9.1　不完全领域知识 285

9.9.2　逆归结方法 285

9.9.3　基于深层知识方法 288

习题 288

第10章　强化学习 290

10.1　概述 290

10.2　强化学习模型 291

10.3　动态规划 294

10.4　蒙特卡罗方法 295

10.5　时序差分学习 297

10.6　Q学习 299

10.7　强化学习中的函数估计 301

10.8　强化学习的应用 303

习题 305

第11章　粗糙集 306

11.1　概述 306

11.1.1　知识的分类观点 308

11.1.2　新型的隶属关系 309

11.2　知识的约简 310

11.1.3　概念的边界观点 310

11.2.1 一般约简 311

11.2.2　相对约简 311

11.2.3　知识的依赖性 312

11.3　决策逻辑 313

11.3.1　决策表的公式化定义 313

11.3.2　决策逻辑语言 314

11.3.3　决策逻辑语言的语义 315

11.3.4　决策逻辑的推演 316

11.3.5　规范表达形式 318

11.3.6　决策规则和决策算法 318

11.4.1　属性的依赖性 319

11.3.7　决策规则中的一致性和不分明性 319

11.4　决策表的约简 319

11.4.2　一致决策表的约简 320

11.4.3　非一致决策表的约简 325

11.5　粗糙集的扩展模型 329

11.5.1　可变精度粗糙集模型 330

11.5.2　相似模型 331

11.5.3　基于粗糙集的非单调逻辑 331

11.5.4　与其他数学工具的结合 332

11.6　粗糙集的实验系统 333

11.7　粒度计算 334

11.8　粗糙集的展望 336

习题 337

第12章　关联规则 338

12.1　关联规则挖掘概述 338

12.1.1　关联规则的意义和度量 339

12.1.2　经典的挖掘算法 341

12.2　广义模糊关联规则的挖掘 343

12.3　挖掘关联规则的数组方法 346

12.4　任意多表间关联规则的并行挖掘 347

12.4.1　问题的形式描述 347

12.4.2　单表内大项集的并行计算 348

12.4.4　跨表间关联规则的提取 350

12.4.3　任意多表间大项集的生成 350

12.5　基于分布式系统的关联规则挖掘算法 351

12.5.1　候选集的生成 353

12.5.2　候选数据集的本地剪枝 354

12.5.3　候选数据集的全局剪枝 357

12.5.4　合计数轮流检测 358

12.5.5　分布式挖掘关联规则的算法 359

12.6　词性标注规则的挖掘算法与应用 363

12.6.1　汉语词性标注 363

12.6.2　问题的描述 364

12.6.3　挖掘算法 365

12.6.4　试验结果 367

习题 369

第13章　知识发现 371

13.1　概述 371

13.1.1　数据准备 372

13.1.2　数据挖掘阶段 372

13.1.3　结果解释和评估 373

13.2　知识发现的任务 373

13.2.1　数据总结 373

13.2.2　概念描述 374

13.2.3　分类 374

13.2.4　聚类 375

13.2.7　建模 376

13.2.5　相关性分析 376

13.2.6　偏差分析 376

13.3　知识发现工具 377

13.4　MSMiner的体系结构 380

13.4.1　数据挖掘模型 380

13.4.2　系统功能 382

13.4.3　体系结构 382

13.4.4　小结 383

13.5　元数据管理 384

13.5.1　MSMiner元数据的内容 384

13.5.3　MSMiner元数据对象模型 385

13.5.2　MSMiner元数据库 385

13.6　数据仓库 389

13.6.1　数据仓库含义 389

13.6.2　MSMiner数据仓库的基本结构 391

13.6.3　主题 392

13.6.4　数据抽取和集成 393

13.6.5　数据抽取和集成的元数据 397

13.6.6　数据仓库建模及OLAP的实现 398

13.6.7　小结 402

13.7　算法库管理 402

13.7.1　数据挖掘算法的元数据 403

13.7.2　可扩展性的实现 404

13.7.3　采掘算法的接口规范 405

习题 407

第14章　分布智能 408

14.1　概述 408

14.2　分布式问题求解 410

14.2.1　分布式问题求解系统分类 410

14.2.2　分布式问题求解过程 411

14.3　主体基础 413

14.4　主体理论 414

14.4.1　理性主体 414

14.4.2　BDI主体模型 415

14.5.1　主体基本结构 416

14.5　主体结构 416

14.5.2　慎思主体 417

14.5.3　反应主体 421

14.5.4　混合结构 423

14.5.5　Inter Rap 424

14.5.6　MAPE主体结构 425

14.6 主体通信语言ACL 438

14.6.1　主体间通信概述 439

14.6.2 FIPA ACL消息 440

14.6.3　交互协议 445

14.6.4　ACL语义学的形式化基础 447

14.7.1　引言 450

14.7　协调和协作 450

14.7.2　合同网 453

14.7.3　部分全局规划 455

14.7.4　基于约束传播的规划 457

14.7.5　基于生态学的协作 465

14.7.6　基于对策论的协商 467

14.7.7　基于意图的协商 468

14.8　移动主体 468

14.9 多主体环境MAGE 471

14.9.1　MAGE系统框架结构 471

14.9.3　可视化主体开发环境VAStudio 472

14.9.2　主体统一建模语言AUML 472

14.9.4　MAGE运行平台 474

习题 475

第15章　进化计算 476

15.1　概述 476

15.2　进化系统理论的形式模型 477

15.3　达尔文进化算法 480

15.4　分类器系统 481

15.5　桶链算法 485

15.6　遗传算法 486

15.6.1　遗传算法的主要步骤 487

15.6.2　表示模式 489

15.6.3　杂交操作 490

15.6.4　变异操作 492

15.6.5　反转操作 492

15.7　并行遗传算法 492

15.8　分类器系统Boole 493

15.9　规则发现系统 496

15.10　进化策略 499

15.11　进化规划 499

习题 500

第16章　人工生命 501

16.1　引言 501

1 6.2　人工生命的探索 505

16.3　人工生命模型 506

16.4　人工生命的研究方法 508

16.5　细胞自动机 511

16.6　形态形成理论 513

16.7　混沌理论 515

16.8　人工生命的实验系统 516

16.8.1　Tierra数字生命进化模型 516

16.8.2　Avida 517

16.8.3　Terrarium生物饲养生态系统 519

16.8.4　人工鱼 519

16.8.5　Autolife 520

习题 521

参考文献 523