第一篇 对归纳的研究与进展 3
第一章 从古典归纳逻辑到现代归纳逻辑 3
第一节 古典归纳逻辑 3
第二节 现代归纳逻辑 8
第三节 归纳悖论 19
第四节 归纳逻辑的进展 21
第二章 专家系统、知识工程中的归纳问题 25
第一节 不确定推理中的归纳 27
第二节 机器学习中的归纳 35
第三章 认知科学中的归纳发现问题 41
第一节 认知科学的特点及有关的归纳问题 41
第二节 关于知识的分类与获取中的归纳 44
第四章 神经网络的学习与记忆模型 51
第一节 神经网络及其信息处理的特点 52
第二节 神经网络的结构与形态 53
第三节 神经网络的学习与记忆模型 56
第四节 神经网络求解的优化问题 67
第二篇 归纳逻辑与归纳学习相结合的理论问题 72
第五章 归纳逻辑与归纳学习相结合的研究任务 72
第六章 归纳逻辑与归纳学习的逻辑基础问题 77
第一节 归纳学习是机器学习的核心 77
第二节 归纳学习的逻辑基础问题 79
第三节 归纳学习与归纳逻辑的结合 82
第七章 机器归纳的概念空间理论与实现问题 91
第一节 演绎化的机器与发现 92
第二节 人工智能与归纳逻辑的结合问题 96
第三节 机器归纳的实现问题 106
第三篇 一类新型的基于认知哲学逻辑的归纳学习系统 116
第八章 卡尔纳普的归纳逻辑系统 116
第一节 概率逻辑系统φπN 116
第二节 归纳逻辑公理系统 122
第三节 几点注记 125
第九章 基于卡尔纳普、科恩归纳逻辑的概念获取算法与知识评估方法 130
第十章 基于卡尔纳普归纳逻辑的属性论归纳学习模型 139
第一节 属性的基本理论 140
第二节 属性表示的两个基本算法 146
第三节 模糊语言φπN及其学习算法 152
第十一章 基于卡尔纳普归纳逻辑的概念分类算法 159
第十二章 科恩的非帕斯卡概率归纳逻辑 169
第一节 归纳支持及其分级 171
第二节 归纳支持分级和归纳概率分级的逻辑句法 175
第三节 归纳支持和归纳概率的形式系统 178
第十三章 基于非帕斯卡归纳逻辑的归纳学习系统 183
第一节 非帕斯卡归纳逻辑的特点 183
第二节 非帕斯卡归纳逻辑推理的理论基础 186
第三节 基于归纳逻辑的归纳学习系统之实现 190
第一节 机器学习和机器发现中的归纳推理问题 199
第十四章 基于亨普尔-科恩归纳逻辑用于解决归纳特征的相关检验-修正法 199
第二节 科恩的相关变量法 201
第三节 相关检验-修正法 204
笫十五章 勃克斯的归纳概率理论 212
第一节 勃克斯实用理论 212
第二节 预定归纳概率理论 218
第十六章 基于勃克斯归纳概率的新确证理论 224
第一节 科学理论的描述与评价 226
第二节 归纳的不确定性推理 232
第三节 归纳概率函数 236
第一节 统计归纳 253
第十七章 凯恩斯统计推断的归纳系统 253
第二节 归纳相关 262
第十八章 拉卡托斯发现逻辑与项重写技术的机器发现逻辑 268
第一节 拉卡托斯的发现逻辑 268
第二节 项重写技术与一阶演绎 271
第三节 假说演算 274
第四节 拉卡托斯证伪方法论的形式化 280
第十九章 基于认知科学的深层知识结构的实用模型 292
第四篇 神经网络的归纳学习模型问题 298
第二十章 神经网络与人工智能中归纳学习的分析比较 298
第二十一章 相似思维模型及其自组织方法的实现 304
第一节 相似及相似思维模型 304
第二节 自组织特征映射 306
第三节 模拟实验 308
第二十二章 神经网络的自组织自学习方法 314
第二十三章 多层次归纳型智能推理模型 320
第一节 背景概述 320
第二节 逻辑环境 323
第三节 推理模型 327
第五篇 逻辑问题、概率问题及其数学问题 335
第二十四章 非公理逻辑中的归纳 335
第一节 非公理逻辑的基本成分 337
第二节 归纳功能的实现 343
第三节 关于归纳的若干问题 347
第二十五章 关于不确定性度量的极小化原理 352
第一节 极小化原理 353
第二节 复合命题的不确定性度量 355
第三节 度量的换算 358
第二十六章 概率定义和概率逻辑系统 361
第一节 概率定义 361
第二节 费希尔概率逻辑系统 366
第二十七章 贝叶斯主义学习理论 375
第二十八章 关于逻辑与概率的数学问题 384
第一节 形式语言上的概率函数 384
第二节 随机数列与递归理论 388
第三节 非标准方法 392