第一章 引言 1
1.1 早期的人工智能 1
1.2 专家系统的出现与发展 5
1.3 知识工程和专家系统工具 9
1.4 人工智能的发展趋势 13
第二章 问题求解和专家系统的基本原理 16
2.1 什么是人工智能 16
2.2 问题求解的基本原理 18
2.2.1 产生式认知模型 18
2.2.2 搜索与思维过程 21
2.2.3 一般的搜索系统 23
2.3 启发式搜索 27
2.3.1 什么是启发式搜索 27
2.3.2 启发式图搜索算法 28
2.3.3 启发式搜索例解 30
2.3.4 其它搜索技术 33
2.4 专家系统概述 36
2.4.1 什么是专家系统 36
2.4.2 专家系统的组成 39
2.4.3 专家系统的研究课题 44
3.1 人工智能的基本假设 54
第三章 符号逻辑基础 54
3.2 谓词逻辑的基本概念 56
3.2.1 概述 56
3.2.2 一阶谓词演算的形式符号 56
3.2.3 合式公式及其解释 57
3.2.4 知识的逻辑表示 59
3.2.5 逻辑推理 61
3.3 海伯伦理论 63
3.3.1 斯柯林标准型与子句集 63
3.3.2 海伯伦全域 65
3.3.3 海伯伦定理及其实现方法 68
3.4.1 基本思想 72
3.4 归结原理 72
3.4.2 命题逻辑中的归结原理 73
3.4.3 代换和一致化 75
3.4.4 一致化算法 77
3.4.5 一阶逻辑中的归结原理 79
3.4.6 归结原理的完备性 80
3.5 Horn逻辑 82
3.5.1 Horn子句集的归结原理 82
3.5.2 逻辑程序概述 83
3.5.3 逻辑程序的过程语义 85
4.1.1 串 91
第四章 人工智能语言的基本机制 91
4.1 代数项语法 91
4.1.2 树 92
4.1.3 关于树的操作 93
4.1.4 项 94
4.1.5 代换与次序 95
4.1.6 项集的完全格 96
4.2 基本计算机制 98
4.2.1 项的匹配 98
4.2.2 项的一致化 98
4.2.3 项的逆一致化 99
4.2.4 项的分离一致化 100
4.2.5 等式理论中的一致化 100
4.3 等式逻辑与重写系统 102
4.3.1 等式推理 102
4.3.2 项重写 102
4.3.3 重写系统的终止性问题 104
4.3.4 重写系统的合流问题 105
4.3.5 归约写窄化 107
4.4 函数程序设计与逻辑程序设计 108
4.4.1 函数程序设计 108
4.4.2 逻辑程序设计 111
4.4.3 函数型语言与逻辑型语言的合成 112
第五章 产生式系统 116
5.1 产生式系统概述 116
5.2 推理的方向 121
5.3 产生式系统语言CLIPS 126
5.4 Rete快速匹配算法 133
5.4.1 模式匹配的基本概念 133
5.4.2 Rete算法的基本思想 134
5.4.3 Rete匹配网络结构 136
5.4.4 Rete网络匹配过程 139
5.5 冲突消解 143
5.6 元知识 146
5.6.1 什么是元知识 146
5.6.2 元知识的用途 148
5.6.3 元知识的表示与使用模式 151
5.7 产生式系统分析 152
第六章 知识的结构化表示法 159
6.1 语义网络 159
6.1.1 语义网络知识表示 159
6.1.2 语义网络的推理 170
6.1.3 网络表示法的局限性 173
6.2.1 框架系统概述 174
6.2 框架系统 174
6.2.2 基于框架的推理 180
6.2.3 框架系统与产生式系统的结合 185
6.2.4 小结 189
6.3 面向对象的表示 190
6.3.1 对象、消息和方法 190
6.3.2 类、类层次和继承性 194
6.3.3 面向对象知识表示与语义网络、框架系统的比较 197
7.1 不确定性 200
7.1.1 证据的不确定性 200
第七章 不确定推理 200
7.1.2 规则的不确定性 202
7.1.3 推理的不确定性 203
7.2 概率推理模型 205
7.2.1 主观贝叶斯方法 205
7.2.2 PROSPECTOR的不确定推理模型 209
7.3 可信度理论 215
7.3.1 MYCJN模型 215
7.3.2 一般CF模型 219
7.4 证据理论 224
7.4.1 证据理论基础 224
7.4.2 Dempster组合规则 228
7.4.3 证据推理模型 233
7.5 模糊推理 237
7.5.1 模糊集合及其基本操作 237
7.5.2 模糊关系 240
7.5.3 语言变量与模糊推理 242
第八章 专家系统的开发技术 247
8.1 专家系统的开发过程 247
8.1.1 建造专家系统的步骤 247
8.1.2 增量式开发方法 249
8.1.3 原型系统与快速原型法 249
8.1.4 螺旋形模型 251
8.2 专家系统问题求解类型 252
8.2.1 专家系统的任务类型 252
8.2.2 分类问题与分析型专家系统 254
8.2.3 构造问题与设计型专家系统 257
8.2.4 层次假设与测试 260
8.3 知识获取 262
8.3.1 概述 262
8.3.2 知识获取的心理学方法 264
8.3.3 知识库求精 270
8.4 黑板模型 271
8.4.1 基本思想 271
8.4.2 问题求解的黑板结构 272
8.4.3 REARSAY-Ⅲ系统 274
8.5 解释机制 277
8.5.1 解释机制概述 277
8.5.2 预置文本与路径跟踪法 279
8.5.3 策略解释法 281
8.5.4 自动程序员方法 282
8.5.5 解释型专家系统 283
8.6 专家系统工具 285
8.7 专家系统设计实例 289
8.7.1 咨询过程 289
8.7.2 知识库的描述 294
8.7.3 知识在推理咨询过程中的使用 300
第九章 机器学习 310
9.1 机器学习的概念和方法 310
9.2 归纳学习 312
9.2.1 归纳学习的基本概念 312
9.2.2 描述空间 314
9.2.3 基于决策树的归纳学习方法 317
9.2.4 Induce算法 323
9.3 基于解释的学习 326
9.3.1 基于解释的学习框架 326
9.3.2 基于解释的学习过程 328
9.4.1 人工神经网络的结构与工作原理 330
9.4 人工神经网络学习方法 330
9.4.2 感知器及其学习算法 332
9.4.3 反向传播网络与算法 333
9.5 小结 335
第十章 新一代知识处理技术 337
10.1 定性推理技术 337
10.1.1 定性推理概述 337
10.1.2 定性演算的数学基础 340
10.1.3 基于定性演算的行为预测方法 343
10.2.1 非单调推理的基本概念 346
10.2 常识与非单调推理 346
10.2.2 非单调推理的逻辑方法 347
10.2.3 非单调推理方法 350
10.3 基于事例的推理 357
10.3.1 基于事例推理的基本思想 357
10.3.2 事例的表示与组织 358
10.3.3 事例的检索与改写 360
10.4 分布式人工智能与协同式专家系统 361
10.4.1 基本概念 361
10.4.2 分布式问题求解的研究课题 362
10.4.3 契约网模型 365