人工智能PDF电子书下载

第1篇 基本人工智能 3

第1章 绪论 3

1．1 什么是人工智能 3

1．1．1 人工智能的定义 3

1．1．2 人工智能研究的目标 4

1．2 人工智能的发展 4

1．2．1 人工智能的孕育期 4

1．2．2 摇篮期 5

1．2．3 形成期 5

1．2．4 发展期 6

1．2．5 实用期 7

1．2．6 稳步增长期 8

1．3 人工智能的研究方法 8

1．3．1 符号主义 8

1．3．2 连接主义 9

1．3．3 行为主义 9

1．4 人工智能的应用领域 9

1．4．1 机器学习 9

1．4．2 问题求解 10

1．4．3 专家系统 10

1．4．4 模式识别 10

1．4．5 自然语言处理 11

1．4．6 智能决策支持系统 11

1．4．7 人工神经网络 11

1．4．8 自动定理证明 12

1．4．9 机器人学 12

1．5 本章小结 12

习题1 13

第2章 知识表示 14

2．1 概述 14

2．1．1 知识与知识表示 14

2．1．2 知识表示方法 15

2．2 谓词逻辑表示法 16

2．2．1 命题逻辑 16

2．2．2 谓词逻辑 18

2．3 产生式表示法 22

2．3．1 产生式可表示的知识种类及其基本形式 23

2．3．2 知识的表示方法 23

2．3．3 产生式系统的组成 24

2．3．4 产生式系统的推理方式 25

2．3．5 产生式表示法的特点 26

2．4 语义网络表示法 28

2．4．1 语义网络的概念及结构 28

2．4．2 语义网络的基本语义联系 29

2．4．3 语义网络表示知识的方法及步骤 31

2．4．4 语义网络知识表示举例 34

2．4．5 语义网络的推理过程 35

2．4．6 语义网络表示法的特点 36

2．5 框架表示法 37

2．5．1 框架结构 37

2．5．2 框架表示知识举例 39

2．5．3 推理方法 40

2．5．4 框架表示法的特点 40

2．6 脚本表示法 41

2．6．1 脚本的定义与组成 41

2．6．2 用脚本表示知识的步骤 43

2．6．3 用脚本表示知识的推理方法 44

2．6．4 脚本表示法的特点 45

2．7 状态空间表示法 45

2．7．1 问题状态空间的构成 45

2．7．2 用状态空间表示问题的步骤 46

2．7．3 利用状态空间求解问题的过程 46

2．8 面向对象的知识表示 48

2．8．1 面向对象的基本概念 48

2．8．2 面向对象的知识表示 49

2．8．3 面向对象方法学的主要观点 50

2．9 本章小结 50

习题2 51

第3章 搜索策略 53

3．1 引言 53

3．2 基于状态空间图的搜索技术 54

3．2．1 图搜索的基本概念 55

3．2．2 状态空间搜索 55

3．2．3 一般图的搜索算法 60

3．3 盲目搜索 61

3．3．1 宽度优先搜索 61

3．3．2 深度优先搜索 63

3．3．3 有界深度搜索和迭代加深搜索 65

3．3．4 搜索最优策略的比较 66

3．4 启发式搜索 67

3．4．1 启发性信息和评估函数 67

3．4．2 启发式搜索A算法 68

3．4．3 实现启发式搜索的关键因素和A*算法 69

3．4．4 迭代加深A*算法 72

3．4．5 爬山法和回溯策略 73

3．5 问题规约和与或图启发式搜索 74

3．5．1 问题规约 74

3．5．2 与或图表示 76

3．5．3 与或图的启发式搜索 78

3．6 博弈 81

3．6．1 极大极小过程 83

3．6．2 α-β过程 85

3．7 本章小结 87

习题3 87

第4章 确定性推理 89

4．1 推理技术概述 89

4．1．1 推理的概述和类型 89

4．1．2 推理的控制策略 92

4．2 推理的逻辑基础 93

4．2．1 谓词与个体 93

4．2．2 谓词公式的永真性和可满足性 94

4．3 自然演绎推理 96

4．4 归结演绎推理 97

4．4．1 子句型 97

4．4．2 鲁滨逊归结原理 100

4．4．3 归结演绎推理的归结策略 103

4．4．4 用归结反演求取问题的答案 107

4．5 本章小结 108

习题4 109

第5章 不确定性推理 110

5．1 概述 110

5．1．1 什么是不确定性推理 110

5．1．2 不确定性推理要解决的基本问题 111

5．1．3 不确定性推理方法分类 112

5．2 不确定性的表示和度量 113

5．2．1 知识的不确定性 113

5．2．2 证据的不确定性 114

5．2．3 不确定性的表示 114

5．3 主观Bayes方法 114

5．3．1 知识不确定性的表示 115

5．3．2 证据不确定性的表示 118

5．3．3 不确定性的更新 119

5．3．4 结论不确定性的合成算法 120

5．4 可信度方法 123

5．4．1 可信度模型 124

5．4．2 确定性方法的说明 129

5．5 证据理论 130

5．5．1 证据的不确定性 130

5．5．2 证据的组合函数 132

5．5．3 规则的不确定性 133

5．5．4 不确定性的组合 134

5．6 本章小结 136

习题5 137

第6章 机器学习 139

6．1 机器学习概述 139

6．1．1 机器学习的基本概念 139

6．1．2 机器学习的发展简史 140

6．1．3 机器学习分类 141

6．1．4 机器学习的应用与研究目标 142

6．2 归纳学习 142

6．2．1 归纳学习的基本概念 143

6．2．2 变型空间学习 144

6．2．3 归纳偏置 146

6．3 决策树学习 147

6．3．1 决策树的组成及分类 147

6．3．2 决策树的构造算法CLS 148

6．3．3 基本的决策树算法ID3 150

6．3．4 决策树的偏置 152

6．4 基于实例的学习 153

6．4．1 K-近邻算法 153

6．4．2 距离加权最近邻法 154

6．4．3 基于范例的学习 155

6．5 强化学习 159

6．5．1 强化学习模型 159

6．5．2 马尔可夫决策过程 160

6．5．3 Q学习 161

6．6 本章小结 163

习题6 164

第2篇 高级人工智能 169

第7章 支持向量机 169

7．1 概述 169

7．2 统计学习理论 170

7．2．1 学习问题的表示 170

7．2．2 期望风险和经验风险 171

7．2．3 VC维理论 172

7．2．4 推广性的界 173

7．2．5 结构风险最小化 174

7．3 支持向量机 175

7．3．1 函数集结构的构造 175

7．3．2 支持向量机 176

7．4 核函数 179

7．4．1 概述 179

7．4．2 核函数的分类 180

7．5 SVM的算法及多类SVM 181

7．5．1 SVM的算法 181

7．5．2 多类问题中的SVM 181

7．6 SVM的应用现状 182

7．6．1 人脸检测、验证和识别 182

7．6．2 说话人／语音识别 182

7．6．3 文字／手写体识别 182

7．6．4 图像处理 183

7．7 本章小结 183

第8章 神经计算 185

8．1 人工神经元模型 185

8．2 感知器 187

8．2．1 感知器的结构 187

8．2．2 感知器学习算法 188

8．3 反向传播网络 190

8．3．1 BP网络的结构 190

8．3．2 BP网络的学习算法 190

8．4 自组织映射神经网络 193

8．4．1 SOM网络结构 193

8．4．2 SOM网络的学习算法 194

8．5 Hopfield网络 196

8．5．1 离散Hopfield网络的结构 196

8．5．2 离散Hopfield网络的稳定性 197

8．5．3 离散Hopfield网络的学习算法 197

8．6 脉冲耦合神经网络 198

8．6．1 PCNN的结构 198

8．6．2 PCNN的学习算法 198

8．7 神经计算的发展趋势 199

8．8 本章小结 200

习题8 201

第9章 进化计算 202

9．1 概述 202

9．2 遗传算法 203

9．2．1 遗传算法的基本原理 203

9．2．2 遗传算法的应用示例 204

9．2．3 模式定理 207

9．2．4 遗传算法的改进 210

9．3 进化规划 211

9．3．1 标准进化规划及其改进 211

9．3．2 进化规划的基本技术 213

9．4 进化策略 214

9．4．1 进化策略及其改进 214

9．4．2 进化策略的基本技术 215

9．5 GA、EP、ES的异同 216

9．6 本章小结 217

习题9 218

第10章 模糊计算 219

10．1 模糊集合的概念 219

10．1．1 模糊集合的定义 219

10．1．2 模糊集合的表示方法 220

10．2 模糊集合的代数运算 223

10．3 正态模糊集和凸模糊集 226

10．4 模糊关系 226

10．4．1 模糊关系 226

10．4．2 模糊关系的性质 227

10．5 模糊逻辑推理 227

10．6 模糊判决 229

10．7 模糊计算在模式识别中的应用 230

10．7．1 最大隶属度原则 230

10．7．2 择近原则 231

10．8 本章小结 232

习题10 232

第11章 粗糙集 234

11．1 概述 234

11．2 基本粗糙集理论 236

11．3 粗糙集中的知识表示 238

11．4 知识约简 239

11．5 知识的约简算法 241

11．5．1 信息系统的知识约简算法 241

11．5．2 决策表的知识约简算法 242

11．6 本章小结 244

习题11 244

第12章 粒度计算 245

12．1 粒度计算概述 245

12．1．1 粒度计算的定义 245

12．1．2 粒度计算的基本成分 245

12．2 粒度计算的基本问题 247

12．3 几个粒度计算的典型模型 248

12．3．1 基于粗糙集理论的粒度计算模型 248

12．3．2 基于商空间的粒度计算模型 250

12．3．3 基于模糊集合论的词计算模型 253

12．3．4 三大模型之间的关系 256

12．4 本章小结 258

习题12 259

第3篇 展望 263

第13章 人工智能的争论 263

13．1 人工智能的学派 262

13．2 对人工智能理论的争论 264

13．3 对人工智能方法的争论 265

13．4 对人工智能技术路线的争论 265

13．5 对强弱人工智能的争论 266

13．5．1 强弱人工智能 266

13．5．2 对强人工智能的哲学争论 266

13．6 本章小结 267

第14章 人工智能的展望 268

14．1 人工智能的未来问题 268

14．1．1 更新的理论框架 268

14．1．2 更好的技术集成 269

14．1．3 更成熟的应用方法 269

14．2 脑机接口 270

14．3 本章小结 271

参考文献 272