人工智能原理及其应用 第3版PDF电子书下载

第1章 人工智能概述 1

1.1人工智能的基本概念 1

1.1.1智能的概念 1

1.1.2人工智能的概念 3

1.1.3人工智能的研究目标 3

1.2人工智能的产生与发展 4

1.2.1孕育期 4

1.2.2形成期 4

1.2.3知识应用期 5

1.2.4从学派分立走向综合 6

1.2.5智能科学技术学科的兴起 6

1.3人工智能研究的基本内容 7

1.3.1与脑科学和认知科学的交叉研究 7

1.3.2智能模拟的方法和技术研究 8

1.4人工智能研究中的不同学派 8

1.4.1符号主义 9

1.4.2联结主义 9

1.4.3行为主义 10

1.5人工智能的研究和应用领域 10

1.5.1机器思维 10

1.5.2机器学习 11

1.5.3机器感知 13

1.5.4机器行为 14

1.5.5计算智能 15

1.5.6分布智能 16

1.5.7智能系统 16

1.5.8人工心理与人工情感 17

1.5.9人工智能的典型应用 17

1.6人工智能的现状与思考 19

习题1 21

第2章 确定性知识系统 22

2.1确定性知识系统概述 22

2.1.1确定性知识表示概述 22

2.1.2确定性知识推理概述 24

2.2确定性知识表示方法 26

2.2.1谓词逻辑表示法 26

2.2.2产生式表示法 33

2.2.3语义网络表示法 34

2.2.4框架表示法 40

2.3确定性知识推理方法 47

2.3.1产生式推理 47

2.3.2自然演绎推理 52

2.3.3归结演绎推理 55

2.4确定性知识系统简例 65

2.4.1产生式系统简例 65

2.4.2归结演绎系统简例 67

习题2 69

第3章 搜索策略 72

3.1搜索概述 72

3.1.1搜索的含义 72

3.1.2状态空间问题求解方法 72

3.1.3问题归约求解方法 76

3.2搜索的盲目策略 78

3.2.1状态空间的盲目搜索 78

3.2.2代价树的盲目搜索 80

3.3状态空间的启发式搜索 81

3.3.1启发性信息和估价函数 82

3.3.2 A算法 82

3.3.3 A算法 84

3.3.4 A算法应用举例 88

3.4与/或树的启发式搜索 89

3.4.1解树的代价与希望树 89

3.4.2与/或树的启发式搜索过程 90

3.5博弈树的启发式搜索 92

3.5.1概述 92

3.5.2极大/极小过程 93

3.5.3 α-β剪枝 93

习题3 95

第4章 计算智能 97

4.1计算智能概述 97

4.1.1什么是计算智能 97

4.1.2计算智能的产生与发展 97

4.1.3计算智能与人工智能的关系 98

4.2神经计算 98

4.2.1神经计算基础 99

4.2.2人工神经网络的互联结构 102

4.2.3人工神经网络的典型模型 104

4.3进化计算 108

4.3.1进化计算概述 108

4.3.2遗传算法 112

4.4模糊计算 123

4.4.1模糊集及其运算 123

4.4.2模糊关系及其运算 126

4.5粗糙集 128

4.5.1粗糙集概述 128

4.5.2粗糙集的基本理论 128

4.5.3决策表的约简 131

习题4 135

第5章 不确定性推理 137

5.1不确定性推理概述 137

5.1.1不确定性推理的含义 137

5.1.2不确定性推理的基本问题 138

5.1.3不确定性推理的类型 139

5.2可信度推理 139

5.2.1可信度的概念 140

5.2.2可信度推理模型 140

5.2.3可信度推理的例子 144

5.3主观Bayes推理 145

5.3.1主观Bayes方法的概率论基础 145

5.3.2主观Bayes方法的推理模型 146

5.3.3主观Bayes推理的例子 150

5.3.4主观Bayes推理的特性 152

5.4证据理论 152

5.4.1证据理论的形式化描述 152

5.4.2证据理论的推理模型 156

5.4.3推理实例 157

5.4.4证据理论推理的特性 159

5.5模糊推理 159

5.5.1模糊知识表示 159

5.5.2模糊概念的匹配 161

5.5.3模糊推理的方法 162

5.6概率推理 166

5.6.1贝叶斯网络的概念及理论 166

5.6.2贝叶斯网络推理的概念和类型 169

5.6.3贝叶斯网络的精确推理 170

5.6.4贝叶斯网络的近似推理 171

习题5 172

第6章 符号学习 175

6.1符号学习概述 175

6.1.1学习的概念 175

6.1.2机器学习的概念 176

6.1.3符号学习系统的基本模型 178

6.2记忆学习 179

6.3示例学习 180

6.3.1示例学习的类型 181

6.3.2示例学习的模型 181

6.3.3示例学习的归纳方法 183

6.4决策树学习 184

6.4.1决策树的概念 184

6.4.2ID3算法 185

6.5统计学习 188

6.5.1小样本统计学习理论 188

6.5.2支持向量机 190

习题6 195

第7章 联结学习 196

7.1联结学习概述 196

7.1.1联结学习的生理学基础 196

7.1.2联结学习规则 197

7.2感知器学习 198

7.2.1单层感知器学习算法 198

7.2.2单层感知器学习的例子 199

7.2.3多层感知器学习问题 200

7.3BP网络学习 201

7.3.1 BP网络学习的基础 201

7.3.2 BP算法的传播公式 202

7.3.3 BP网络学习算法 205

7.3.4 BP网络学习的讨论 206

7.4Hopfield网络学习 206

7.4.1 Hopfield网络的能量函数 206

7.4.2 Hopfield网络学习算法 207

习题7 208

第8章 分布智能 209

8.1分布智能概述 209

8.1.1分布智能的概念 209

8.1.2分布式问题求解 210

8.1.3多Agent系统 211

8.2 Agent的结构 213

8.2.1 Agent的机理 213

8.2.2反应Agent的结构 214

8.2.3认知Agent的结构 214

8.2.4混合Agent的结构 215

8.3多Agent系统 215

8.3.1 Agent通信 215

8.3.2多Agent合作 220

8.4移动Agent 226

8.4.1移动Agent系统的一般结构 226

8.4.2移动Agent的实现技术及应用 227

习题8 229

第9章 智能应用简介 230

9.1自然语言理解简介 230

9.1.1自然语言理解的基本概念 230

9.1.2词法分析 232

9.1.3句法分析 233

9.1.4语义分析 237

9.2专家系统简介 239

9.2.1专家系统概述 239

9.2.2基于规则和基于框架的专家系统 243

9.2.3模糊专家系统和神经网络专家系统 245

9.2.4基于Web的专家系统 247

9.2.5分布式和协同式专家系统 248

9.2.6专家系统的开发 250

习题9 255

附录A人工智能课程实验大纲 257

A.1分章实验 257

分章实验1简单动物识别系统的知识表示（第2章） 257

分章实验2简单动物识别系统的推理（第2章） 257

分章实验3简单的一字棋游戏（第3章） 258

分章实验4简单的遗传优化（第4章） 258

分章实验5简单的可信度推理（第5章） 258

分章实验6简单的单层感知器分类（第7章） 259

A.2综合实验 259

综合实验1智能五子棋游戏 259

综合实验2基于BP网络的预测或评价系统 259

综合实验3基于Web的不确定推理专家系统 260

参考文献 261