高等学校计算机类国家级特色专业系列规划教材 人工智能及应用PDF电子书下载

第1章 绪论 1

1.1人工智能的基本概念 1

1.1.1智能的概念 1

1.1.2现代人工智能的兴起 3

1.1.3人工智能的定义 3

1.1.4其他相关的概念 4

1.1.5图灵测试和中文房间问题 5

1.2人工智能的发展历程 9

1.2.1孕育期（1956年之前） 9

1.2.2形成期（1956—1969年） 10

1.2.3发展期（1970年之后） 11

1.3人工智能的研究目标 13

1.4人工智能的学术流派 14

1.4.1符号主义、连接主义与行为主义 14

1.4.2传统人工智能与现场人工智能 15

1.4.3弱人工智能与强人工智能 16

1.4.4简约与粗陋 16

1.5人工智能的研究和应用领域 17

1.5.1专家系统 18

1.5.2自然语言理解 19

1.5.3机器学习 20

1.5.4分布式人工智能 20

1.5.5人工神经网络 21

1.5.6自动定理证明 22

1.5.7博弈 23

1.5.8机器人学 23

1.5.9模式识别 24

1.5.10自动程序设计 24

1.5.11智能控制 25

1.5.12智能决策支持系统 25

1.5.13智能电网 26

本章小结 26

习题 27

第2章 知识表示 28

2.1概述 28

2.1.1知识概述 28

2.1.2知识的性质 29

2.1.3知识的分类 30

2.1.4知识表示 32

2.1.5知识表示观 33

2.2一阶谓词逻辑表示法 36

2.2.1一阶谓词逻辑表示法的逻辑基础 36

2.2.2一阶谓词逻辑表示知识的步骤 38

2.2.3一阶谓词逻辑表示法的特点 40

2.3产生式表示法 41

2.3.1产生式表示的方法 42

2.3.2产生式系统的基本结构 43

2.3.3产生式系统的推理方式 45

2.3.4产生式表示法的特点 48

2.4语义网络表示法 48

2.4.1语义基元 48

2.4.2基本语义关系 49

2.4.3关系的表示 51

2.4.4情况、动作和事件的表示 53

2.4.5谓词连接词的表示 53

2.4.6量词的表示 54

2.4.7基于语义网络的推理 55

2.4.8语义网络表示法的特点 57

2.5框架表示法 57

2.5.1框架的一般结构 58

2.5.2框架系统 61

2.5.3基于框架的推理 61

2.5.4框架表示法的特点 63

2.6脚本表示法 63

2.6.1概念依赖理论 63

2.6.2脚本表示方法 64

2.6.3脚本表示法的特点 66

2.7过程表示法 66

2.7.1陈述性知识表示与过程性知识表示 66

2.7.2过程知识表示方法 67

2.7.3过程表示的问题求解过程 67

2.7.4过程表示的特点 68

2.8 Petri网表示法 69

2.8.1表示知识的方法 69

2.8.2 Petri网表示法的特点 71

本章小结 72

习题 72

第3章 搜索策略 74

3.1概述 74

3.1.1搜索概述 74

3.1.2搜索的主要过程 75

3.1.3搜索策略的分类 75

3.1.4搜索的方向 75

3.1.5主要的搜索策略 76

3.2状态空间知识表示方法 76

3.2.1状态空间表示法 77

3.2.2状态空间图 79

3.3状态空间的盲目搜索 81

3.3.1回溯策略 82

3.3.2一般的图搜索策略 88

3.3.3深度优先搜索策略 92

3.3.4宽度优先搜索策略 95

3.4状态空间的启发式搜索 98

3.4.1启发性信息与评价函数 99

3.4.2 A算法 101

3.4.3分支界限法 104

3.4.4动态规划法 107

3.4.5爬山法 108

3.4.6 A算法 109

3.5与／或图搜索 117

3.5.1与／或图表示法 117

3.5.2与／或图的搜索策略 121

3.5.3与／或树的搜索策略 125

3.6博弈树搜索 131

3.6.1博弈概述 131

3.6.2 Grundy博弈 132

3.6.3极大极小搜索法 133

3.6.4 α—β剪枝方法 134

本章小结 136

习题 137

第4章 逻辑推理 140

4.1概述 140

4.1.1推理和推理方法 140

4.1.2推理控制策略 140

4.1.3经典逻辑推理 141

4.2命题逻辑 142

4.2.1命题公式的解释 143

4.2.2等价式 143

4.2.3范式 144

4.2.4命题逻辑的推理规则 145

4.2.5命题逻辑的归结方法 147

4.3谓词逻辑 151

4.3.1谓词公式的解释 151

4.3.2谓词等价公式与范式 152

4.3.3谓词逻辑的推理规则 155

4.3.4谓词逻辑的归结方法 156

4.4非单调逻辑 164

4.4.1非单调推理 164

4.4.2封闭世界假设、限制和最小模型 165

4.4.3默认逻辑 167

4.4.4溯因推理 168

4.4.5真值维护系统 169

4.5多值逻辑和模糊逻辑 170

本章小结 172

习题 172

第5章 不确定性推理 175

5.1概述 175

5.1.1不确定性推理概述 175

5.1.2不确定性的表现 176

5.1.3不确定性推理要解决的基本问题 177

5.1.4不确定性推理方法的分类 179

5.2确定性理论 179

5.2.1可信度的基本概念 180

5.2.2表示问题 180

5.2.3计算问题 183

5.2.4带有阈值限度的不确定性推理 185

5.2.5带有权重的不确定性推理 187

5.2.6确定性理论的特点 188

5.3主观Bayes方法 188

5.3.1证据不确定性的表示 188

5.3.2知识不确定性的表示 189

5.3.3组合证据的不确定性 191

5.3.4结论不确定性的更新 192

5.3.5结论不确定性的合成 193

5.3.6主观Bayes方法的特点 195

5.4证据理论 195

5.4.1 D-S理论 195

5.4.2一个特殊的概率分配函数 200

5.4.3表示问题 203

5.4.4计算问题 203

5.4.5证据理论的特点 206

5.5贝叶斯网络 206

5.5.1贝叶斯网络概述 207

5.5.2基于贝叶斯网络的不确定性知识表示 208

5.5.3基于贝叶斯网络的推理模式 209

5.5.4基于贝叶斯网络的不确定性推理的特点 211

5.6模糊推理 211

5.6.1模糊理论的基本概念 212

5.6.2表示问题 218

5.6.3计算问题 219

5.6.4模糊推理的特点 226

本章小结 226

习题 227

第6章 专家系统 229

6.1概述 229

6.1.1专家系统发展历程 229

6.1.2专家系统特点 230

6.1.3专家系统的类型 231

6.1.4新型专家系统 233

6.2专家系统结构 234

6.3专家系统设计 237

6.3.1专家系统的设计步骤 237

6.3.2知识获取 239

6.3.3知识库设计和知识管理 241

6.3.4推理机设计 243

6.3.5解释功能设计 244

6.3.6系统结构设计 245

6.3.7专家系统的评价 245

6.4专家系统应用案例 246

6.4.1动物识别专家系统 246

6.4.2 PROSPECTOR系统 249

6.5开发工具与环境 251

6.5.1程序设计语言 252

6.5.2骨架系统 252

6.5.3知识表示语言 253

6.5.4辅助型工具 254

6.5.5专家系统开发环境 254

本章小结 255

习题 255

第7章 机器学习 256

7.1概述 256

7.1.1机器学习的定义 256

7.1.2机器学习的发展 257

7.1.3机器学习分类 259

7.1.4归纳学习 260

7.2决策树学习 261

7.2.1决策树 261

7.2.2决策树构造算法 263

7.2.3决策树的归纳偏置 264

7.3变型空间学习 266

7.3.1泛化和特化 266

7.3.2候选删除算法 268

7.4基于解释的学习 271

7.4.1基本概念 271

7.4.2基于解释的学习方法 272

7.5人工神经网络 274

7.5.1基本概念 275

7.5.2感知器 280

7.5.3多层神经网络 282

7.5.4 Hopfield神经网络 287

7.5.5双向相关记忆 290

7.5.6自组织神经网络 293

7.6进化计算 298

7.6.1模拟自然进化 298

7.6.2遗传算法 299

7.6.3进化策略 304

7.6.4遗传编程 305

本章小结 307

习题 308

第8章 模式识别 310

8.1概述 310

8.1.1模式识别的发展与应用 310

8.1.2模式识别系统 311

8.1.3模式识别方法 314

8.1.4模式识别实例 317

8.2线性分类器 319

8.2.1感知器准则 320

8.2.2最小均方误差 320

8.2.3 Fisher准则 321

8.2.4支持向量机 323

8.3贝叶斯决策理论 327

8.3.1最小错误贝叶斯决策规则 327

8.3.2最小风险贝叶斯决策规则 328

8.3.3正态分布的贝叶斯分类 329

8.3.4密度估计的参数法 330

8.3.5密度估计的非参数法 331

8.4聚类分析 333

8.4.1动态聚类法 333

8.4.2层次聚类法 334

本章小结 335

习题 336

第9章Agent和多Agent系统 337

9.1概述 337

9.2 Agent理论 339

9.2.1 Agent的基本概念 339

9.2.2 Agent的特性 340

9.2.3 Agent的内部结构 341

9.2.4 Agent类型 344

9.2.5 Agent的实现工具 345

9.3多Agent系统 346

9.3.1多Agent的结构模型 346

9.3.2通信方式 348

9.3.3通信语言 349

9.3.4协调与协作 350

9.4 MAS的应用案例 354

9.5 Agent技术应用 355

本章小结 357

习题 357

第10章 人工智能程序设计语言 358

10.1概述 358

10.1.1 LISP语言简介 358

10.1.2 PROLOG语言简介 359

10.2表处理语言LISP 359

10.2.1 LISP的基本元素 360

10.2.2 LISP的运行机制 360

10.2.3 LISP的基本函数 361

10.2.4 LISP的表处理 364

10.2.5 LISP的应用实例 369

10.3逻辑程序设计语言PROLOG 373

10.3.1 Horn子句 373

10.3.2 PROLOG程序的语句 374

10.3.3 PROLOG的推理机制 374

10.3.4 PROLOG的表结构 376

10.3.5 PROLOG的应用实例 378

本章小结 382

习题 383

第11章 人工智能在电力系统中的应用 384

11.1概述 384

11.2人工智能在电力系统故障诊断中的应用 385

11.2.1电网故障诊断原理 386

11.2.2贝叶斯网络建模 388

11.2.3贝叶斯网络故障诊断推理 388

11.2.4改进的贝叶斯网络故障诊断模型 389

11.2.5其他智能故障诊断技术的应用 390

11.3人工智能在电力巡检中的应用 391

11.3.1电力设备巡检 391

11.3.2巡检机器人 392

11.3.3系统实时监控后台 393

11.3.4路径规划管理 395

11.3.5设备状态识别 396

11.3.6 Agent技术 397

11.4人工智能在电力大数据分析中的应用 400

11.4.1大数据基本概念 400

11.4.2电力大数据的来源 401

11.4.3大数据分析与人工智能 402

11.4.4电力大数据分析典型应用场景 403

本章小结 406

参考文献 407