当前位置:首页 > 工业技术
人工智能基础教程
人工智能基础教程

人工智能基础教程PDF电子书下载

工业技术

  • 电子书积分:13 积分如何计算积分?
  • 作 者:朱福喜,朱三元,伍春香编著
  • 出 版 社:北京:清华大学出版社
  • 出版年份:2006
  • ISBN:7302125775
  • 页数:380 页
图书介绍:本书系统地阐述了人工智能的基本原理、实现技术及其应用,全面反映了国内外人工智能研究领域的最新进展和发展方向。全书共分13章。本书强调具有先进性、实用性和可读性,重要的算法还配有演示实例,可作为计算机、信息处理、自动化和电信等IT相关专业的高年级本科生学习人工智能的教材,可供从事计算机科学研究、开发和应用的教学和科研人员参考。
《人工智能基础教程》目录

第1章 概述 1

1.1 什么是人工智能 1

目录 1

1.2 AI的产生及主要学派 3

1.3 人工智能、专家系统和知识工程 5

1.4 人工智能的技术特征 7

1.5 AI模拟智能成功的标准 9

1.6 人工智能应用系统 9

2.1.1 如何定义状态空间及其搜索 15

第2章 问题求解与搜索方法 15

2.1 问题的状态和状态空间 15

2.1.2 问题特征分析 19

2.2 盲目的搜索方法 24

2.2.1 宽度优先搜索 24

2.2.2 深度优先搜索 24

2.2.3 分支有界搜索 24

2.3.1 启发式信息的表示 25

2.2.4 迭代加深搜索 25

2.3 启发式搜索方法 25

2.3.2 几种最基本的搜索策略 30

2.4 图搜索策略 35

2.4.1 一个通用的图搜索算法 35

2.4.2 A算法与A*算法 39

2.5 问题归约与AO*算法 48

2.5.1 问题归约求解方法与与/或图 48

2.5.2 与/或图搜索 50

2.5.3 与/或图搜索的特点 51

2.5.4 与/或图搜索算法AO* 53

2.5.5 对AO*算法的进一步观察 54

2.5.6 用AO*算法求解一个智力难题 55

2.6 博弈 59

2.6.1 概述 59

2.6.2 极小极大搜索过程 61

2.6.3 α-β剪枝算法 64

习题2 68

第3章 知识表示与处理方法 70

3.1 概述 70

3.1.1 知识和知识表示的含义 70

3.1.2 AI中知识表示方法分类 71

3.1.3 AI对知识表示方法的要求 72

3.1.4 知识表示要注意的问题 73

3.2 逻辑表示法 74

3.3.1 产生式系统的组成 75

3.3 产生式表示法 75

3.3.2 产生式系统的知识表示 76

3.3.3 产生式系统的推理方式 81

3.3.4 产生式规则的选择与匹配 83

3.3.5 产生式表示的特点 84

3.4 语义网络表示法 85

3.4.1 语义网络结构 85

3.4.2 二元语义网络的表示 85

3.4.3 多元语义网络的表示 86

3.4.4 连接词和量词的表示 87

3.4.5 语义网络的推理过程 91

3.4.6 语义网络的一般描述 93

3.5 框架表示法 94

3.5.1 框架理论 94

3.5.2 框架结构 94

3.5.3 框架表示下的推理 97

3.6 过程式知识表示 100

习题3 103

4.1.1 基本概念 105

第4章 谓词逻辑的归结原理及其应用 105

4.1 命题演算的归结方法 105

4.1.2 命题演算的归结方法 106

4.2 谓词演算的归结 107

4.2.1 谓词演算的基本问题 107

4.2.2 将公式化成标准子句形式的步骤 107

4.2.3 合一算法 109

4.2.4 为什么要变量分离标准化 112

4.2.5 谓词演算的归结算法 113

4.3 归结原理 114

4.3.1 谓词演算基础 115

4.3.2 归结方法可靠性证明 116

4.3.3 归结方法的完备性 119

4.4 归结过程的控制策略 128

4.4.1 简化策略 128

4.4.2 支撑集策略 130

4.4.3 线性输入策略 131

4.5.1 归结方法 132

4.5 几种归结方法及其应用实例 132

4.5.2 归约及其应用 134

4.5.3 利用一般归结和等式归结的推理实例 137

习题4 139

第5章 进一步的推理方法 141

5.1 非单调推理 141

5.1.1 单调推理与非单调推理的概念 141

5.1.2 默认逻辑 142

5.2.2 TMS中信念的状态 143

5.2 非单调推理系统TMS 143

5.2.1 TMS的依据 143

5.2.3 TMS中信念的表示方法 144

5.2.4 TMS中的证实和推理 144

5.3 Dempster-Shafer(D-S)证据理论 146

5.4 不确定性推理 153

5.4.1 不确定性 153

5.4.2 主观概率贝叶斯方法(Bayes Approaches) 154

5.5 MYCIN系统的推理模型 157

5.5.1 理论和实际的背景 157

5.5.2 MYCIN模型 159

5.5.3 MYCIN模型分析 160

5.5.4 MYCIN推理网络的基本模式 162

5.5.5 MYCIN确定性因子的评价 164

5.6 模糊推理 164

5.6.1 模糊集论与模糊逻辑(Fuzzy Sets and Fuzzy Logic) 164

5.6.2 模糊聚类分析 167

5.7 基于案例的推理 174

5.7.1 基于案例推理的基本思想 175

5.7.2 案例的表示与组织 176

5.7.3 案例的检索 177

5.7.4 案例的改写 177

5.8 归纳法推理 177

5.8.1 归纳法推理的理论基础 178

5.8.2 归纳法推理的基本概念 180

5.8.3 归纳法推理研究中的主要难点 183

5.8.4 归纳法推理的研究成果 184

习题5 185

第6章 专家系统 188

6.1 概述 188

6.1.1 什么是专家系统 188

6.1.2 专家系统的结构 188

6.1.3 专家系统的特点 189

6.1.4 专家系统的类型 189

6.1.5 成功专家系统的实例 191

6.2.1 概述 192

6.2 知识获取的直接方法 192

6.2.2 知识获取的直接方法 194

6.2.3 知识获取的新进展 195

6.3 专家系统的解释机制 196

6.3.1 预制文本解释法 196

6.3.2 路径跟踪解释法 197

6.3.3 自动程序员解释法 197

6.3.4 策略解释法 198

6.4 专家系统开发工具与环境 199

6.5 专家系统开发方法 200

6.5.1 专家系统开发步骤 200

6.5.2 专家系统开发方法 202

6.6 专家系统开发实例 202

6.6.1 动物识别专家系统 203

6.6.2 MYCIN专家系统 204

习题6 205

7.1.2 机器学习的研究简史 206

7.1.1 机器学习的定义和意义 206

第7章 机器学习 206

7.1 概述 206

7.1.3 机器学习方法的分类 207

7.1.4 机器学习中的推理方法 209

7.2 归纳概念学习 210

7.2.1 归纳概念学习的定义 211

7.2.2 归纳概念学习的形式描述 213

7.2.3 归纳概念学习算法的一般步骤 214

7.2.5 归纳概念学习的基本技术 215

7.2.4 归纳概念学习的复杂度和精确度 215

7.3 基于解释的学习 224

7.3.1 基于解释学习的基本原理 224

7.3.2 基于解释学习的一般框架 224

7.3.3 基于解释学习的过程 225

7.4 基于类比的学习 226

7.4.1 类比学习的一般原理 226

7.4.2 类比学习的表示 227

7.4.4 逐步推理和监控的类比学习 228

7.4.3 类比学习的求解 228

7.5 人工神经网络学习 230

7.5.1 人工神经网络的发展简史 230

7.5.2 人工神经网络的基本原理 232

7.5.3 人工神经网络模拟的数学基础 235

7.5.4 人工神经网络的基本结构模式 237

7.5.5 人工神经网络的学习算法 238

7.5.6 神经网络模型分类 240

习题7 243

第8章 自然语言处理 244

8.1 语言的组成部分 245

8.1.1 实词和虚词 245

8.1.2 短语结构 245

8.2 上下文无关语法 246

8.2.1 重写规则 246

8.2.2 语法分析 247

8.3 上下文无关语法分析 248

8.3.1 产生后继状态的算法 249

8.3.2 利用词典 251

8.3.3 建立语法分析树 251

8.4 特殊语法的分析 254

8.4.1 引进特征 255

8.4.2 特征匹配 256

8.5 利用图表的高效语法分析 259

8.5.1 Chart数据结构 259

8.5.2 有多种解释的句子 259

8.6 语义解释 261

8.6.1 词的意思(Sense) 262

8.6.2 利用特征的语义解释 263

8.6.3 消除词的多义意思 265

8.7 生成自然语言 266

8.8 在上下文中的自然语言 267

8.8.1 言语的行为(Speech Acts) 268

8.8.2 创建引用 268

8.8.3 处理数据库的断言和问题 269

习题8 273

第9章 Agent技术 275

9.1 Agent的定义 275

9.1.1 Agent的弱定义 276

9.1.2 Agent的强定义 276

9.2 Agent的分类 276

9.2.1 按功能划分 277

9.2.2 按属性划分 278

9.3 移动Agent 281

9.2.3 其他的特殊Agent 281

9.3.1 移动Agent系统的一般结构 282

9.3.2 移动Agent的分类 284

9.3.3 移动Agent的优点 286

9.3.4 移动Agent的技术难点 287

9.3.5 移动Agent技术的标准化 288

9.4 移动Agent平台的介绍 289

9.4.1 General Magic公司的Odyssey 290

9.4.2 IBM公司的Aglet 290

10.1.1 数据挖掘的产生和最新发展 292

第10章 知识获取的新技术 292

10.1 数据挖掘 292

10.1.2 数据挖掘研究的主要内容 293

10.1.3 数据挖掘的特点 294

10.1.4 数据挖掘的分类 294

10.1.5 数据挖掘中常用的技术 295

10.1.6 数据挖掘过程 296

10.1.7 数据挖掘的研究方向及面临的困难 296

10.1.8 数据挖掘中的关联规则挖掘 297

10.2.1 Web挖掘概述 303

10.2 Web挖掘 303

10.2.2 Web挖掘分类 304

10.2.3 Web数据挖掘的技术难点 310

10.3 文本挖掘 310

10.3.1 文本挖掘的概念 310

10.3.2 文本挖掘预处理 311

10.3.3 文本挖掘的关键技术 312

10.3.4 文本挖掘系统的评价标准 313

11.1.1 遗传算法的基本概念 314

第11章 遗传算法 314

11.1 概述 314

11.1.2 遗传算法的基本流程 315

11.2 遗传编码 316

11.2.1 二进制编码 317

11.2.2 Gray编码 318

11.2.3 实数编码 318

11.2.4 有序编码 318

11.2.5 结构式编码 319

11.3 适应值函数 319

11.4 遗传操作 320

11.4.1 选择操作(Selection) 320

11.4.2 交叉操作(Crossover) 323

11.4.3 变异操作(Mutation) 325

11.5 初始化群体 326

11.6 控制参数的选取 326

11.8.1 模式定理 327

11.8 遗传算法的基本理论 327

11.7 算法的终止准则 327

11.8.2 隐含并行性 329

11.8.3 构造块假设 329

11.8.4 收敛性 329

11.9 遗传算法简例 329

11.10 遗传算法的应用领域 332

习题11 334

12.2 群集智能基本算法的介绍 335

12.2.1 蚁群算法 335

12.1 群集智能算法的研究背景 335

第12章 群集智能算法 335

12.2.2 Flock算法 340

12.3 集智系统介绍 342

12.3.1 “人工鱼” 342

12.3.2 Terrarium世界 346

12.4 群集智能的优缺点 352

13.1.2 人工智能中不协调的数据和知识库 353

13.1.1 传统的人工智能与经典逻辑 353

13.1 次协调逻辑的概述 353

第13章 次协调逻辑与自动推理 353

13.1.3 次协调逻辑的含义 354

13.2 注解谓词演算 354

13.2.1 多真值格 354

13.2.2 注解逻辑 356

13.2.3 注解谓词公式的语义 356

13.2.4 APC中的不协调、非、蕴含 359

13.3 基于APC的SLDa-推导和SLDa-反驳 361

13.3.1 SLDa-推导和SLDa-反驳 361

13.3.2 注解逻辑推理方法 362

13.3.3 注解逻辑推理举例 362

13.4 注解逻辑的归结原理 364

13.5 应用实例 368

13.6 控制策略 375

习题13 376

参考文献 377

相关图书
作者其它书籍
返回顶部