智能系统原理、算法与应用PDF电子书下载

第一篇 智能系统基础 2

第1章 概述 2

1.1 人工智能与智能系统的定义 2

1.2 人工智能和智能系统的起源与发展 4

1.3 人工智能的各种认知观 10

1.3.1 人工智能各学派的认知观 10

1.3.2 人工智能的争论 11

1.4 智能系统的分类 12

1.5 人工智能的研究目标和内容 17

1.5.1 人工智能的研究目标 17

1.5.2 人工智能研究的基本内容 17

1.6 人工智能与智能系统的计算方法 19

1.7 本书内容编排 20

习题1 21

第2章 知识表示与推理 22

2.1 智能系统知识的分类与表示问题 22

2.1.1 智能系统知识的分类 22

2.1.2 知识表示的要求 23

2.2 状态空间图搜索 23

2.2.1 问题状态描述 24

2.2.2 无信息搜索 25

2.2.3 启发式搜索 26

2.3 谓词演算与消解原理 30

2.3.1 谓词演算 30

2.3.2 置换与合一 33

2.3.3 消解原理 35

2.4 产生式系统 38

2.4.1 产生式系统的组成与表示 38

2.4.2 产生式系统的推理 40

2.5 语义网络法 42

2.5.1 二元语义网络的表示 43

2.5.2 多元语义网络的表示 44

2.5.3 基于语义网络的知识推理 45

2.6 框架表示与推理 47

2.6.1 框架的构成 47

2.6.2 框架的推理 50

2.7 知识表示与搜索的综合问题 51

2.7.1 问题的复合知识表示 51

2.7.2 启发式算法的可纳性与单调性 51

2.8 本章小结 52

习题2 53

第3章 非经典推理 55

3.1 经典推理和非经典推理 55

3.2 不确定性推理 56

3.2.1 不确定性的表示与量度 56

3.2.2 不确定性的算法 57

3.3 概率推理 58

3.3.1 概率的基本性质和计算公式 59

3.3.2 概率推理方法 60

3.4 贝叶斯推理 62

3.4.1 知识不确定性的表示 62

3.4.2 证据不确定性的表示 63

3.5 可信度方法 65

3.5.1 基于可信度的不确定性表示 66

3.5.2 可信度方法的推理算法 67

3.6 搜索与计算复杂度 70

3.7 本章小结 71

习题3 72

第二篇 智能系统原理与算法 74

第4章 专家系统 74

4.1 专家系统概述 74

4.1.1 专家系统的特点 74

4.1.2 专家系统的结构和建造步骤 75

4.2 基于规则的专家系统 77

4.2.1 基于规则的专家系统的工作模型和结构 77

4.2.2 基于规则的专家系统的特点 78

4.3 基于框架的专家系统 80

4.3.1 基于框架的专家系统的定义与结构 80

4.3.2 基于框架的专家系统的设计方法 81

4.4 基于模型的专家系统 82

4.4.1 基于模型的专家系统的提出 82

4.4.2 基于神经网络的专家系统 82

4.4.3 基于概率的专家系统 84

4.5 基于Web的专家系统 87

4.5.1 基于Web的专家系统的结构 87

4.5.2 基于Web的专家系统的实例分析 89

4.6 新型专家系统 92

4.7 专家系统设计 93

4.7.1 专家知识的描述 93

4.7.2 知识的使用和决策解释 96

4.8 专家系统开发工具 98

4.8.1 骨架型开发工具 98

4.8.2 语言型开发工具 99

4.8.3 构造辅助工具 100

4.8.4 支撑环境 100

4.9 本章小结 101

习题4 102

第5章 模糊逻辑系统 103

5.1 模糊数学基础 103

5.1.1 模糊集合及其运算 103

5.1.2 模糊关系与模糊变换 106

5.2 模糊逻辑语言与推理 109

5.2.1 模糊逻辑语言 109

5.2.2 模糊逻辑推理 111

5.3 模糊系统的原理与结构 115

5.3.1 模糊系统的原理 115

5.3.2 模糊系统的结构 116

5.4 模糊系统的设计方法 118

5.4.1 模糊系统设计的查表法 118

5.4.2 模糊系统设计的递推最小二乘法 119

5.4.3 模糊系统设计的聚类法 121

5.5 模糊系统的可达性与鲁棒性 122

5.5.1 模糊控制系统的可达性 122

5.5.2 模糊控制系统的鲁棒性 123

5.6 MATLAB模糊控制工具箱 124

5.7 本章小结 127

习题5 127

第6章 神经网络系统 129

6.1 人工神经网络概述 129

6.1.1 神经元及其特性 130

6.1.2 人工神经网络的基本类型和学习算法 131

6.1.3 人工神经网络的典型模型 134

6.2 基于神经网络的知识表示与推理 138

6.2.1 基于神经网络的知识表示 138

6.2.2 基于神经网络的知识推理 140

6.3 神经网络在约束优化中的应用问题 142

6.4 MATLAB神经网络工具箱及其仿真 144

6.4.1 MATLAB神经网络工具箱图形用户界面 144

6.4.2 基于Simulink的神经网络模块工具 145

6.5 本章小结 147

习题6 147

第7章 机器学习系统 149

7.1 机器学习的定义和发展 149

7.1.1 机器学习的定义 149

7.1.2 机器学习的发展 150

7.2 机器学习的主要策略与基本结构 151

7.2.1 机器学习的主要策略 151

7.2.2 机器学习系统的基本结构 152

7.3 归纳学习 153

7.3.1 归纳学习的模式和规则 154

7.3.2 归纳学习方法 155

7.4 类比学习 157

7.4.1 类比推理和类比学习形式 157

7.4.2 类比学习过程与研究类型 158

7.5 解释学习 159

7.5.1 解释学习过程和算法 159

7.5.2 解释学习举例 160

7.6 神经网络学习 161

7.6.1 基于反向传播网络的学习 161

7.6.2 基于Hopfield网络的学习 165

7.7 知识发现 167

7.7.1 知识发现的发展和定义 167

7.7.2 知识发现的处理过程 168

7.7.3 知识发现的方法 170

7.8 增强学习 172

7.8.1 增强学习概述 172

7.8.2 Q-学习 174

7.9 本章小结 175

习题7 176

第8章 仿生进化系统 177

8.1 进化算法 177

8.1.1 进化算法的主要原理 178

8.1.2 进化算法的整体框架 179

8.2 遗传算法 180

8.2.1 个体编码和解码 180

8.2.2 遗传算子 181

8.2.3 遗传算法的执行过程 184

8.2.4 遗传算法的执行实例 185

8.2.5 实数编码遗传算法 187

8.3 进化策略 188

8.3.1 变异算子 188

8.3.2 交叉算子与替换算子 190

8.3.3 进化策略的执行过程 191

8.4 进化规划 191

8.4.1 变异算子与替换算子 192

8.4.2 进化规划的执行过程 192

8.4.3 高斯变异与柯西变异 193

8.5 遗传算法、进化策略与进化规划的异同点 194

8.6 本章小结 195

习题8 195

第9章 群智能系统 197

9.1 粒子群优化算法 197

9.1.1 粒子群优化算法的基本原理 197

9.1.2 粒子群优化算法的执行过程 199

9.1.3 粒子速度和位置的修复 199

9.1.4 粒子群优化算法的两个变种 200

9.1.5 粒子群优化算法的改进 201

9.2 蚁群算法 205

9.2.1 蚁群算法的起源与发展 205

9.2.2 蚁群算法的原理与执行 206

9.3 本章小结 211

习题9 212

第10章 多真体系统 213

10.1 分布式人工智能 213

10.2 Agent及其要素 214

10.2.1 Agent的定义和译法 215

10.2.2 真体的要素和特性 216

10.3 真体的结构 218

10.3.1 真体的抽象结构和结构特点 218

10.3.2 真体结构的分类 219

10.4 真体通信 221

10.4.1 通信的过程 221

10.4.2 真体通信的类型和方式 225

10.4.3 真体的通信语言 227

10.5 移动真体和多真体系统 228

10.5.1 移动真体的定义和系统构成 229

10.5.2 多真体系统的特征和关键技术 230

10.5.3 多真体系统的模型和结构 231

10.5.4 多真体的协作、协商和协调 232

10.5.5 多真体的学习与规划 235

10.5.6 多真体系统的研究和应用领域 236

10.6 本章小结 237

习题10 238

第11章 人工免疫系统 239

11.1 自然免疫系统的概念、组成与功能 239

11.2 免疫算法及其设计方法 241

11.2.1 免疫算法的定义 241

11.2.2 免疫算法的步骤和框图 242

11.2.3 免疫算法的设计方法和参数选择 244

11.3 人工免疫系统的结构 246

11.4 人工免疫系统应用示例 247

11.4.1 免疫控制系统的一般结构 247

11.4.2 免疫控制的计算体系和系统框图 247

11.4.3 免疫控制系统示例 248

11.5 本章小结 250

习题11 250

第三篇 智能系统应用与展望 252

第12章 智能机器人系统 252

12.1 机器人学的起源与发展 252

12.2 机器人的定义和特点 254

12.3 机器人系统的构成与分类 255

12.4 智能机器人的研究领域 257

12.5 智能机器人应用示例 259

12.5.1 汽车自主驾驶系统的组成 259

12.5.2 汽车自主驾驶系统的结构 260

12.5.3 汽车自主驾驶系统的软件结构与控制算法 262

12.5.4 汽车自主驾驶系统的实验结果 262

12.6 本章小结 263

习题12 263

第13章 智能控制系统 264

13.1 智能控制的产生与发展 264

13.1.1 自动控制的机遇与挑战 264

13.1.2 智能控制的发展和作用 266

13.2 智能控制的定义、特点、一般结构与分类 268

13.2.1 智能控制的定义与特点 268

13.2.2 智能控制器的一般结构与分类 269

13.3 智能控制的学科结构理论体系 272

13.3.1 二元交集结构理论 272

13.3.2 三元交集结构理论 273

13.3.3 四元交集结构理论 273

13.4 智能控制系统应用示例 276

13.5 本章小结 279

习题13 279

第14章 智能规划系统 280

14.1 智能规划概述 280

14.1.1 规划的概念和作用 280

14.1.2 规划的分类 282

14.2 任务规划 283

14.2.1 系统结构和规划机理 283

14.2.2 ROPES机器人规划系统 285

14.3 路径规划的主要方法和发展趋势 287

14.4 基于蚁群算法的移动机器人路径规划 289

14.4.1 蚁群优化算法简介 289

14.4.2 基于蚁群算法的路径规划 290

14.5 轨迹规划简介 293

14.6 本章小结 294

习题14 295

第15章 智能决策系统 296

15.1 智能决策系统的定义与组成 296

15.1.1 智能决策系统的定义 296

15.1.2 智能决策系统的组成 297

15.2 智能决策系统的概念模型与典型特性 298

15.2.1 SHORE C2概念模型 299

15.2.2 指挥决策过程的典型特性 301

15.3 智能指挥决策的过程模型 302

15.3.1 智能数据融合 303

15.3.2 智能态势估计 304

15.3.3 资源的智能规划与分配 305

15.4 多属性决策 305

15.4.1 多属性决策的基本概念 305

15.4.2 多属性决策方法 306

15.5 本章小结 309

习题15 309

第16章 自然语言理解系统 310

16.1 自然语言理解概述 310

16.1.1 语言与语言理解 310

16.1.2 自然语言理解的研究历史和发展现状 312

16.1.3 自然语言处理的定义和研究意义 315

16.2 自然语言理解的研究领域和研究方法 317

16.2.1 自然语言处理的研究领域 317

16.2.2 自然语言理解的研究方法 318

16.2.3 自然语言理解过程的层次 319

16.3 自然语言理解系统的主要模型 320

16.4 自然语言理解系统应用示例 322

16.4.1 自然语言自动理解系统 322

16.4.2 自然语言问答系统 323

16.5 本章小结 325

习题16 325

第17章 智能交通系统 326

17.1 智能交通系统概述 326

17.2 智能交通系统的发展 327

17.3 智能交通系统的体系结构 329

17.4 智能交通系统的信息平台 331

17.5 智能交通系统应用示例 334

17.6 本章小结 338

习题17 338

第18章 智能系统展望 339

18.1 智能系统的学科定位问题 339

18.2 智能系统对人类的影响 340

18.2.1 对经济的影响 340

18.2.2 对社会的影响 340

18.2.3 对文化的影响 342

18.3 智能系统的未来 343

18.3.1 更新的理论框架 343

18.3.2 更好的技术集成 345

18.3.3 更成熟的应用方法 345

18.4 本章小结 346

习题18 347

参考文献 348