不确定性人工智能PDF电子书下载

目录 1

第1章 人工智能50年 1

1.1 从著名的达特茅斯会议谈起 2

1.1.1 达特茅斯会议上不同学科的碰撞 2

1.1.2 发展中的风风雨雨 3

1.2 与时俱进的研究目标 5

1.2.1 图灵测试 5

1.2.2 机器定理证明 6

1.2.3 卡斯帕罗夫与“深蓝”的对决 7

1.2.4 会思维的机器 8

1.2.5 人工生命 9

1.3 人工智能50年主要成就 12

1.3.1 模式识别 12

1.3.2 知识工程 14

1.3.3 机器人 16

1.4 信息时代推动人工智能大发展 18

1.4.1 人工智能技术对全社会的渗透 18

1.4.2 从万维网到智能网格 19

1.4.3 从数据到知识 20

1.5.1 脑科学对人工智能的影响 21

1.5 脑科学、认知科学和人工智能的大交叉趋势 21

1.5.2 认知科学研究对人工智能的影响 24

1.5.3 学科交叉孕育人工智能大突破 25

参考文献 26

第2章 人工智能研究的主要方法 29

2.1 符号主义方法 30

2.1.1 符号主义的产生和发展 30

2.1.2 谓词演算和归结原理 34

2.1.3 基于逻辑的程序设计语言 36

2.1.4 专家系统 39

2.2.1 联结主义的产生和发展 41

2.2 联结主义方法 41

2.2.2 联结主义的策略和技术特征 43

2.2.3 Hopfield神经网络模型 46

2.2.4 反向传播神经网络模型 47

2.3 行为主义方法 49

2.3.1 行为主义的产生和发展 49

2.3.2 机器人控制 50

2.3.3 智能控制 51

2.4 对人工智能研究方法的思考 53

参考文献 54

3.1.1 随机性的客观性 57

3.1 随机性 57

第3章 论知识的不确定性 57

3.1.2 随机性的魅力 61

3.2 模糊性 63

3.2.1 模糊性的客观性 64

3.2.2 模糊性的魅力 66

3.3 自然语言中的不确定性 68

3.3.1 语言文字是人类知识的载体 68

3.3.2 语言中的不确定性 70

3.4 常识知识的不确定性 73

3.4.1 关于常识的共识 73

3.4.2 常识知识的相对性 75

3.5 知识的其它不确定性 76

3.5.1 知识的不完备性 77

3.5.2 知识的不协调性 78

3.5.3 知识的非恒常性 79

参考文献 81

第4章 不确定性人工智能的数学基础 83

4.1 概率理论 83

4.1.1 贝叶斯定理 84

4.1.2 概率分布函数 89

4.1.3 正.态分布 91

4.1.4 大数定理和中心极限定理 94

4.1.5 幂律分布 97

4.1.6 熵 99

4.2 模糊集理论 101

4.2.1 隶属度与隶属函数 101

4.2.2 分解定理与扩张定理 104

4.2.3 模糊关系 105

4.2.4 可能性测度 107

4.3 粗糙集理论 108

4.3.1 不精确范畴与粗糙集 109

4.3.2 粗糙集的特征 112

4.3.3 粗糙关系 114

4.4 混沌与分形 117

4.4.1 混沌的基本特征 118

4.4.2 混沌吸引子 121

4.4.3 混沌的几何特性与分形 123

4.5 核函数和主曲线 124

4.5.1 核函数 124

4.5.2 支持向量机 127

4.5.3 主曲线 130

参考文献 135

5.1 不确定性人工智能研究的切入点 137

5.1.1 研究人类智能的多个切入点 137

第5章 定性定量转换模型——云模型 137

5.1.2 抓住自然语言中的概念不放 140

5.1.3 概念中随机性和模糊性的关联性 141

5.2 用云模型表示概念的不确定性 143

5.2.1 云和云滴 143

5.2.2 云的数字特征 145

5.2.3 云模型的类型 146

5.3 正态云发生器 148

5.3.1 正向云发生器 149

5.3.2 云滴对概念的贡献 154

5.3.3 用正态云模型理解农历节气 155

5.3.4 逆向云发生器 157

5.3.5 逆向云发生器误差分析 164

5.3.6 进一步理解正态云模型 166

5.4 正态云的数学性质 171

5.4.1 云滴分布的统计分析 171

5.4.2 云滴确定度的统计分析 172

5.4.3 正态云的期望曲线 175

5.5 论正态云的普适性 178

5.5.1 正态分布的普适性 178

5.5.2 钟形隶属函数的普适性 179

5.5.3 正态云的普遍意义 182

参考文献 185

第6章 不确定性知识发现的物理学方法 187

6.1 对人类自身的认知可借鉴对客观世界的认知 187

6.1.1 借鉴物理学中的原子模型表示概念 188

6.1.2 借鉴物理学中的场描述客体间的相互作用 189

6.1.3 借鉴物理学中的粒度描述知识的层次结构 191

6.2 数据场 193

6.2.1 从物理场到数据场 193

6.2.2 数据的势场和力场 197

6.2.3 场函数中影响因子的优选 207

6.2.4 数据场与形象思维模拟 212

6.3 概念层次的不确定性 217

6.3.1 连续数据离散化 218

6.3.2 虚拟泛概念树 223

6.3.3 跃升策略和算法 224

6.4 知识发现状态空间 234

6.4.1 三种状态空间 235

6.4.2 状态空间的转换 236

6.4.3 发现状态空间转换的主要操作 238

参考文献 240

7.1 数据挖掘中的不确定性 242

7.1.1 数据挖掘和知识发现 242

第7章 发现不确定性知识的数据挖掘方法 242

7.1.2 挖掘过程中的不确定性 244

7.1.3 发现知识的不确定性 246

7.2 不确定性分类和聚类 247

7.2.1 云分类方法 249

7.2.2 基于数据场的聚类 258

7.2.3 基于数据场的离群点检测和离群知识发现 285

7.3 不确定性关联知识的发现 291

7.3.1 对传统关联规则的再思考 292

7.3.2 基于云的关联知识挖掘 295

7.4 时序数据挖掘与预测 302

7.4.1 基于云的时间序列挖掘 305

7.4.2 股票数据预测 307

参考文献 322

第8章 定性知识的推理与控制 327

8.1 用云构造定性规则 327

8.1.1 前件云发生器和后件云发生器 328

8.1.2 规则发生器 330

8.1.3 从精确案例到规则生成 334

8.2 定性控制机理 335

8.2.1 模糊控制、概率控制与云控制的机理及比较 335

8.2.2 Mamdani模糊控制方法的理论解释 345

8.3 倒立摆——不确定性智能控制示例 347

8.3.1 倒立摆及其控制 348

8.3.2 一级、二级倒立摆的定性控制机理 349

8.3.3 三级倒立摆的云控制策略 352

8.3.4 倒立摆的动平衡模式 361

参考文献 368

第9章 不确定性人工智能研究展望 371

9.1 云运算与词计算 372

9.2 认知物理学方向 378

9.2.1 云模型的拓广 378

9.2.2 动态数据场 383

9.3 具有“小世界”和“无尺度”特性的复杂网络 386

9.3.1 复杂网络不确定性中的规律性 388

9.3.2 无尺度网络的模拟 391

9.3.3 用数据场研究工程中复杂网络问题 397

9.4 不确定性人工智能任重道远 398

9.4.1 认知物理学方法的局限性 398

9.4.2 从丹尼尔获诺贝尔经济学奖谈开去 399

参考文献 401

基金资助目录 403

相关专利 404

索引 405

后记 411