人工智能及其应用PDF电子书下载

第1章 绪论 1

1.1 人工智能的基本概念 1

1.2 人工智能的发展简史 2

1.3 人工智能的三种观点和三个学派 4

1.4 人工智能研究的内容和领域 5

1.5 人工智能的发展及未来 7

习题 9

第2章 知识表示 10

2.1 知识表示的概述 10

2.2 谓词逻辑法 12

2.2.1 一阶谓词的基本概念 12

2.2.2 谓词逻辑表示方法 14

2.2.3 谓词逻辑表示的特点 16

2.3 产生式表示方法 17

2.3.1 产生式基本形式 17

2.3.2 产生式系统的组成和求解过程 17

2.3.3 产生式系统的推理方式 19

2.3.4 产生式系统的特点 22

2.4 语义网络法 22

2.4.1 语义网络的基本概念 22

2.4.2 语义网络的表示方法 25

2.4.3 语义网络的推理过程 26

2.5 其他知识表示方法 27

2.5.1 框架表示法 27

2.5.2 剧本表示法 30

习题 32

第3章 搜索技术 34

3.1 搜索的基本概念 34

3.1.1 状态空间法 34

3.1.2 问题归约法 37

3.1.3 搜索的分类与性能 39

3.2 状态空间的盲目搜索 40

3.2.1 一般图搜索过程 40

3.2.2 广度优先搜索 42

3.2.3 深度优先搜索 43

3.2.4 代价树搜索 44

3.3 状态空间的启发式搜索 46

3.3.1 启发性信息和估价函数 46

3.3.2 A算法 47

3.3.3 A算法 48

3.3.4 A算法的性能分析 49

3.4 与／或树的盲目搜索 50

3.4.1 与／或树的一般搜索 50

3.4.2 与／或树的广度优先搜索 50

3.4.3 与／或树的深度优先搜索 52

3.5 与／或树的启发式搜索 53

3.5.1 解树的代价与希望树 53

3.5.2 与／或树的启发式搜索过程 54

3.6 博弈搜索 56

3.6.1 博弈问题 57

3.6.2 极小极大搜索过程 58

3.6.3 α-β搜索过程 61

习题 63

第4章 不确定性推理 67

4.1 概述 67

4.1.1 不确定性的概念 67

4.1.2 不确定性推理要解决的问题 68

4.1.3 不确定性推理与确定性推理的差别 68

4.2 可信度方法 68

4.2.1 知识不确定性 69

4.2.2 证据不确定性 71

4.2.3 不确定性推理 72

4.3 主观贝叶斯方法 73

4.3.1 知识表示方式 73

4.3.2 证据不确定性及推理 75

4.4 证据理论 80

4.4.1 基本理论 80

4.4.2 证据理论的推理模型 84

习题 90

第5章 智能优化算法 92

5.1 基本概念 92

5.1.1 组合优化问题 92

5.1.2 局部搜索 93

5.2 模拟退火算法 96

5.2.1 固体退火 96

5.2.2 模拟退火算法 99

5.3 遗传算法 103

5.3.1 概述 104

5.3.2 遗传算法模型 104

5.3.3 基本遗传操作 107

5.3.4 遗传算法的应用 111

5.4 粒群优化 116

5.4.1 基本概念 117

5.4.2 粒群优化原理 117

5.4.3 局部和全局最优算法 119

5.4.4 参数分析 119

5.4.5 遗传算法和PSO的比较 120

5.5 蚁群优化算法 121

5.5.1 蚁群算法的基本概念 121

5.5.2 基于TSP的基本蚁群算法 123

习题 126

第6章 神经计算 128

6.1 神经网络的基本概念 128

6.2 感知器 131

6.2.1 感知器模型 131

6.2.2 单层感知器学习过程 134

6.3 BP神经网络 136

6.3.1 BP算法原理 137

6.3.2 BP网络学习过程 138

6.3.3 影响泛化能力的几个因素 139

6.3.4 初始样本探究 140

6.3.5 权值和阈值对网络泛化能力的影响 141

6.3.6 隐含层的影响 142

6.4 径向基神经网络 143

6.4.1 RBF神经网络模型 144

6.4.2 RBF神经网络的学习算法 146

6.4.3 RBF网络的逼近性质 149

习题 151

第7章 支持向量机 152

7.1 概述 152

7.1.1 机器学习的基本问题 152

7.1.2 统计学习理论的核心问题 154

7.2 支持向量机分类 156

7.2.1 线性SVM 156

7.2.2 非线性SVM 157

7.3 核函数特征空间 158

7.4 支持向量机回归 160

习题 166

第8章 粗糙集 167

8.1 信息系统 167

8.2 粗糙集相关理论 168

8.3 知识简约 171

8.4 决策表的简约算法 175

习题 180

第9章 数据挖掘算法 182

9.1 数据挖掘概述 182

9.2 决策树学习算法 184

9.2.1 信息熵理论 184

9.2.2 信息论在决策树学习中的应用 185

9.2.3 ID3学习算法 186

9.3 K均值聚类算法 189

9.4 K最邻近分类算法（KNN） 190

9.5 Apriori算法 192

9.5.1 关联规则的基本概念 192

9.5.2 关联规则的种类 193

9.5.3 Apriori算法 194

习题 197

第10章 智能搜索引擎 199

10.1 智能搜索引擎的概念 199

10.1.1 搜索引擎 199

10.1.2 搜索引擎的分类 201

10.1.3 传统搜索引擎存在的问题 202

10.1.4 智能搜索引擎的提出 202

10.2 智能搜索引擎的特征 203

10.2.1 智能网络爬虫 203

10.2.2 智能人机接口 206

10.2.3 智能信息反馈 208

10.3 智能搜索引擎的主要策略 209

10.3.1 协同过滤策略 209

10.3.2 点击特征的智能化 212

10.3.3 用户自定义信息智能化 213

10.4 智能搜索引擎的技术 215

10.4.1 人机交互技术 215

10.4.2 文本分类技术 217

10.4.3 文档信息压缩技术 223

10.4.4 智能搜索代理Agent技术 224

10.4.5 自然语言理解技术 227

10.5 智能爬虫搜索算法 231

10.5.1 网页搜索策略 231

10.5.2 智能搜索策略（个性化搜索） 232

10.6 智能搜索引擎的发展对策 234

习题 235

第11章 分形理论及应用 236

11.1 分形与分形市场学说 236

11.1.1 分形理论的创立、发展和意义 236

11.1.2 什么是分形 237

11.1.3 各种分形实例 238

11.1.4 分形的特征 239

11.1.5 分形市场理论 240

11.2 多重分形理论 243

11.2.1 分形维的概念与意义 243

11.2.2 分形维的类别 244

11.2.3 多重分形 246

11.3 多重分形分析 252

11.3.1 多重分形谱的程序设计算法 252

11.3.2 多重分形谱分析和特征推导 254

11.4 预测应用举例 255

11.4.1 股票价格波动预测模型 256

11.4.2 聚类分析算法 257

11.4.3 股票价格波动的预测应用 259

参考文献 263