第1章 绪论 1
1.1 什么是人工智能 1
1.1.1 智能 1
1.1.2 人工智能 4
1.1.3 人工智能的发展简史 5
1.2 人工智能的研究目标及基本内容 8
1.2.1 人工智能的研究目标 8
1.2.2 人工智能研究的基本内容 9
1.3 人工智能的研究途径 10
1.3.1 以符号处理为核心的方法 10
1.3.2 以网络连接为主的连接机制方法 11
1.3.3 系统集成 11
1.4 人工智能的研究领域 12
1.4.1 专家系统 12
1.4.2 机器学习 13
1.4.3 模式识别 13
1.4.4 自然语言理解 13
1.4.5 自动定理证明 14
1.4.6 自动程序设计 14
1.4.7 机器人学 15
1.4.8 博弈 16
1.4.9 智能决策支持系统 16
1.4.10 人工神经网络 16
本章小结 16
习题 17
第2章 人工智能的数学基础 18
2.1 命题逻辑与谓词逻辑 18
2.1.1 命题 18
2.1.2 谓词 19
2.1.3 谓词公式 20
2.1.4 谓词公式的解释 21
2.1.5 谓词公式的永真性、可满足性、不可满足性 22
2.1.6 谓词公式的等价性与永真蕴含 23
2.2 多值逻辑 24
2.3 概率论 26
2.3.1 随机现象 26
2.3.2 样本空间与随机事件 27
2.3.3 事件的概率 29
2.3.4 条件概率 30
2.3.5 全概率公式与Bayes公式 30
2.4 模糊理论 31
2.4.1 模糊性 31
2.4.2 集合与特征函数 32
2.4.3 模糊集与隶属函数 32
2.4.4 模糊集的表示方法 34
2.4.5 模糊集的运算 35
2.4.6 模糊集的λ水平截集 37
2.4.7 模糊度 37
2.4.8 模糊数 39
2.4.9 模糊关系及其合成 41
2.4.10 模糊变换 43
2.4.11 实数域上几种常用的隶属函数 45
2.4.12 建立隶属函数的方法 47
本章小结 50
习题 51
第3章 知识与知识表示 53
3.1 基本概念 53
3.1.1 什么是知识 53
3.1.2 知识的特性 54
3.1.3 知识的分类 55
3.1.4 知识的表示 56
3.2 一阶谓词逻辑表示法 58
3.2.1 表示知识方法 58
3.2.2 一阶谓词逻辑表示法的特点 62
3.3 产生式表示法 63
3.3.1 产生式的基本形式 64
3.3.2 产生式系统 65
3.3.3 产生式系统的分类 69
3.3.4 产生式表示法的特点 72
3.4 框架表示法 73
3.4.1 框架理论 73
3.4.2 框架 73
3.4.3 框架网络 76
3.4.4 框架中槽的设置与组织 80
3.4.5 框架系统中求解问题的基本过程 84
3.4.6 框架表示法的特点 85
3.5 语义网络表示法 86
3.5.1 语义网络的概念 86
3.5.2 知识的语义网络表示 87
3.5.3 常用的语义联系 93
3.5.4 语义网络系统中求解问题的基本过程 94
3.5.5 语义网络表示法的特点 95
3.6 脚本表示法 96
3.6.1 概念依赖理论 96
3.6.2 脚本 97
3.7 过程表示法 99
3.7.1 表示知识方法 99
3.7.2 过程表示法的特点 102
3.8 Petri网表示法 102
3.8.1 表示知识方法 102
3.8.2 Petri网表示法的特点 103
3.9 面向对象表示法 104
3.9.1 面向对象的基本概念 104
3.9.2 表示知识方法 106
本章小结 107
习题 108
第4章 经典逻辑推理 111
4.1 基本概念 111
4.1.1 什么是推理 111
4.1.2 推理方式及其分类 111
4.1.3 推理的控制策略 114
4.1.4 模式匹配 119
4.1.5 冲突消解策略 122
4.2 自然演绎推理 124
4.3 归结演绎推理 126
4.3.1 子句 126
4.3.2 海伯伦理论 128
4.3.3 鲁宾逊归结原理 129
4.3.4 归结反演 133
4.3.5 应用归结原理求取问题的答案 136
4.3.6 归结策略 138
4.4 与／或形演绎推理 143
4.4.1 与／或形正向演绎推理 143
4.4.2 与／或形逆向演绎推理 146
4.4.3 与／或形双向演绎推理 149
4.4.4 代换的一致性及剪枝策略 150
本章小结 152
习题 152
第5章 不确定与非单调推理 156
5.1 基本概念 156
5.1.1 什么是不确定性推理 156
5.1.2 不确定性推理中的基本问题 157
5.1.3 不确定性推理方法的分类 159
5.2 概率方法 160
5.2.1 经典概率方法 160
5.2.2 逆概率方法 160
5.3 主观Bayes方法 162
5.3.1 知识不确定性的表示 162
5.3.2 证据不确定性的表示 163
5.3.3 组合证据不确定性的算法 164
5.3.4 不确定性的传递算法 164
5.3.5 结论不确定性的合成算法 169
5.4 可信度方法 171
5.4.1 可信度的概念 171
5.4.2 CF模型 172
5.4.3 带有阈值限度的不确定性推理 176
5.4.4 加权的不确定性推理 178
5.4.5 前提条件中带有可信度因子的不确定性推理 182
5.5 证据理论 185
5.5.1 D-S理论 185
5.5.2 一个具体的不确定性推理模型 190
5.6 模糊推理 198
5.6.1 模糊命题 198
5.6.2 模糊知识的表示 199
5.6.3 模糊匹配与冲突消解 200
5.6.4 模糊推理的基本模式 207
5.6.5 简单模糊推理 208
5.6.6 模糊三段论推理 222
5.6.7 多维模糊推理 224
5.6.8 多重模糊推理 228
5.6.9 带有可信度因子的模糊推理 232
5.7 基于框架表示的不确定性推理 235
5.7.1 不确定性知识的框架表示 235
5.7.2 框架的不确定性匹配 236
5.7.3 框架推理 238
5.8 基于语义网络表示的不确定性推理 239
5.8.1 不确定性知识的语义网络表示 240
5.8.2 语义网络推理 241
5.9 非单调推理 243
5.9.1 非单调推理的概念 243
5.9.2 缺省理论 244
5.9.3 界限理论 247
5.9.4 正确性维持系统TMS 248
本章小结 250
习题 252
第6章 搜索策略 257
6.1 基本概念 257
6.1.1 什么是搜索 257
6.1.2 状态空间表示法 257
6.1.3 与／或树表示法 259
6.2 状态空间的搜索策略 262
6.2.1 状态空间的一般搜索过程 263
6.2.2 广度优先搜索 265
6.2.3 深度优先搜索 267
6.2.4 有界深度优先搜索 268
6.2.5 代价树的广度优先搜索 269
6.2.6 代价树的深度优先搜索 271
6.2.7 启发式搜索 272
6.2.8 A＊算法 276
6.3 与／或树的搜索策略 279
6.3.1 与／或树的一般搜索过程 279
6.3.2 与／或树的广度优先搜索 280
6.3.3 与／或树的深度优先搜索 282
6.3.4 与／或树的有序搜索 282
6.3.5 博弈树的启发式搜索 288
6.3.6 α-β剪枝技术 290
6.4 搜索的完备性与效率 292
6.4.1 完备性 292
6.4.2 搜索效率 292
本章小结 293
习题 294
第7章 专家系统 297
7.1 基本概念 297
7.1.1 什么是专家系统 297
7.1.2 专家系统的产生与发展 300
7.1.3 专家系统的分类 301
7.2 专家系统的一般结构 304
7.2.1 人机接口 305
7.2.2 知识获取机构 305
7.2.3 知识库及其管理系统 305
7.2.4 推理机 306
7.2.5 数据库及其管理系统 306
7.2.6 解释机构 306
7.3 知识获取 307
7.3.1 知识获取的任务 307
7.3.2 知识获取方式 308
7.4 知识的检测与求精 310
7.4.1 知识的一致性与完整性 310
7.4.2 基于经典逻辑的检测方法 313
7.4.3 基于Petri网的检测方法 316
7.4.4 知识求精 317
7.5 知识的组织与管理 321
7.5.1 知识的组织 321
7.5.2 知识的管理 322
7.6 专家系统的建造与评价 323
7.6.1 专家系统的建造原则 324
7.6.2 专家系统的开发过程 325
7.6.3 专家系统的评价 329
7.7 专家系统的开发工具 330
7.7.1 人工智能语言 331
7.7.2 专家系统外壳 335
7.7.3 通用型专家系统工具 338
7.7.4 专家系统开发环境 339
7.8 新一代专家系统的研究 340
7.9 专家系统举例 341
7.9.1 动物识别系统 341
7.9.2 专家系统MYCIN 344
本章小结 349
习题 350
第8章 机器学习 351
8.1 基本概念 351
8.1.1 什么是机器学习 351
8.1.2 学习系统 352
8.1.3 机器学习的发展 354
8.1.4 机器学习的分类 354
8.2 机械式学习 356
8.3 指导式学习 357
8.4 归纳学习 357
8.4.1 归纳推理 358
8.4.2 示例学习 361
8.4.3 观察与发现学习 363
8.5 类比学习 364
8.5.1 类比推理 364
8.5.2 属性类比学习 365
8.5.3 转换类比学习 365
8.6 基于解释的学习 366
8.6.1 基于解释学习的概念 366
8.6.2 基于解释学习的学习过程 367
8.6.3 领域知识的完善性 368
8.7 学习方法的比较与展望 369
8.7.1 各种学习方法的比较 369
8.7.2 机器学习的展望 370
本章小结 370
习题 371
第9章 模式识别 373
9.1 基本概念 373
9.1.1 什么是模式识别 373
9.1.2 模式识别的一般过程 375
9.2 统计模式识别 377
9.2.1 模板匹配分类法 377
9.2.2 最小距离分类法 378
9.2.3 相似系数分类法 378
9.2.4 几何分类法 379
9.2.5 Bayes分类法 380
9.2.6 聚类分析法 381
9.3 结构模式识别 385
9.3.1 结构模式识别的基本过程 385
9.3.2 基元抽取与模式文法 386
9.3.3 模式的识别与分析 387
9.4 模糊模式识别 388
9.4.1 基于最大隶属原则的模式分类 388
9.4.2 基于择近原则的模式分类 389
9.4.3 基于模糊等价关系的模式分类 391
9.4.4 基于模糊相似关系的模式分类 393
本章小结 396
习题 398
第10章 智能决策支持系统 400
10.1 基本概念 400
10.1.1 决策与决策过程 400
10.1.2 决策支持系统 401
10.1.3 智能决策支持系统 402
10.2 智能决策支持系统的基本构件 403
10.2.1 数据库系统 403
10.2.2 模型库系统 404
10.2.3 方法库系统 406
10.2.4 知识库系统 406
10.2.5 人机接口系统 406
10.3 智能决策支持系统的系统结构 407
10.3.1 四库结构 407
10.3.2 融合结构 409
10.4 多媒体人机智能接口 409
10.4.1 多媒体技术 409
10.4.2 多媒体技术在智能决策支持系统中的应用 410
10.4.3 多媒体人机智能接口的设计与实现 411
本章小结 411
习题 411
第11章 神经网络 412
11.1 基本概念 412
11.1.1 脑神经系统与生物神经元 412
11.1.2 人工神经元及其互连结构 414
11.1.3 人工神经网络的特征及分类 417
11.1.4 神经网络研究的发展简史 418
11.2 神经网络模型 420
11.2.1 感知器 420
11.2.2 BP模型 423
11.2.3 Hopfield模型 428
11.2.4 自适应共振理论 431
11.3 神经网络在专家系统中的应用 435
11.3.1 神经网络与专家系统的互补性 435
11.3.2 基于神经网络的知识表示 436
11.3.3 基于神经网络的推理 438
11.4 神经网络在模式识别中的应用 439
本章小结 440
习题 441
第12章 智能计算机 442
12.1 什么是智能计算机 442
12.2 知识信息处理系统 444
12.3 人工神经网络计算机 446
12.3.1 数字集成电路形式 446
12.3.2 模拟集成电路形式 447
12.4 光计算机 448
12.4.1 空间光调制器 448
12.4.2 光互连 449
12.4.3 光全息存储与光计算机的研制 449
12.5 生物计算机 450
本章小结 451
习题 451