第一篇 原 理篇 3
第1章 绪论 3
1.1 人工智能的诞生及发展 3
1.2 人工智能的定义 4
1.3 人工智能研究的方法及途径 5
1.3.1 人工智能研究的各种学派及其理论 5
1.3.2 实现人工智能的技术路线 8
1.4 人工智能的研究及应用领域 9
习题1 13
第2章 知识表示方法 14
2.1 概述 14
2.1.1 知识、信息和数据 14
2.1.2 知识的特性 15
2.1.3 知识的分类 16
2.1.4 知识的表示 17
2.2 一阶谓词逻辑表示法 18
2.2.1 知识的谓词逻辑表示法 18
2.2.2 用谓词公式表示知识的步骤 18
2.2.3 谓词公式表示知识的举例 19
2.2.4 一阶谓词逻辑表示法的特点 22
2.3 产生式表示法 23
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 24
2.3.3 产生式系统的组成 25
2.3.4 产生式系统的推理方式 26
2.3.5 产生式表示法的特点 27
2.4 语义网络表示法 27
2.4.1 语义网络的概念及其结构 27
2.4.2 语义网络中常用的语义联系 29
2.4.3 语义网络表示知识的方法 32
2.4.4 用语义网络表示知识的步骤 37
2.4.5 语义网络表示知识举例 37
2.4.6 语义网络表示下的推理过程 41
2.4.7 语义网络表示法的特点 43
2.5 框架表示法 43
2.5.1 框架理论 43
2.5.2 框架的定义及组成 44
2.5.3 用框架表示知识的步骤 45
2.5.4 用框架表示知识举例 47
2.5.5 框架表示下的推理方法 49
2.5.6 框架表示法的特点 51
2.6 面向对象的表示法 51
2.6.1 面向对象的基本概念 52
2.6.2 表示知识的方法 53
2.7 脚本表示法 54
2.7.1 脚本的定义与组成 54
2.7.2 用脚本表示知识的步骤 57
2.7.3 用脚本表示知识举例 57
2.7.4 脚本表示下的推理方法 59
2.7.5 脚本表示法的特点 60
2.8 过程表示法 60
2.8.1 知识的过程表示法 60
2.8.2 过程表示的问题求解举例 62
2.8.3 过程表示法的特点 63
2.9 状态空间表示法 63
2.9.1 问题状态空间的构成 64
2.9.2 用状态空间表示问题的步骤 64
2.9.3 利用状态空间求解问题的过程 64
2.10 与／或树表示法 66
2.10.1 问题的分解与等价变换 67
2.10.2 问题归约的与／或树表示 67
2.10.3 用与／或树表示问题的步骤 69
2.10.4 与／或树表示举例 69
习题2 70
第3章 确定性推理方法 73
3.1 推理概述 73
3.1.1 推理的基本概念 73
3.1.2 推理的方法及其分类 73
3.1.3 推理的控制策略 76
3.1.4 推理的冲突消解策略 82
3.2 命题逻辑 84
3.2.1 命题 85
3.2.2 命题公式 85
3.3 谓词逻辑 86
3.3.1 谓词与个体 86
3.3.2 谓词公式 87
3.3.3 谓词公式的永真性和可满足性 89
3.3.4 谓词公式的等价性与永真蕴涵 90
3.3.5 置换与合一 92
3.4 自然演绎推理方法 95
3.4.1 自然演绎推理的概念 95
3.4.2 利用演绎推理解决问题 96
3.4.3 演绎推理的特点 97
3.5 归结推理方法 97
3.5.1 谓词公式与子句集 98
3.5.2 Herbrand理论 101
3.5.3 归结原理 105
3.5.4 利用归结原理进行定理证明 110
3.5.5 应用归结原理进行问题求解 113
3.6 归结过程的控制策略 116
3.6.1 引入控制策略 116
3.6.2 归结控制策略及其应用举例 117
习题3 120
第4章 不确定推理方法 123
4.1 不确定推理概述 123
4.1.1 不确定推理的概念 123
4.1.2 不确定推理方法的分类 124
4.1.3 不确定推理中的基本问题 124
4.2 可信度方法 126
4.2.1 可信度的概念 126
4.2.2 知识不确定性的表示 126
4.2.3 证据不确定性的表示 128
4.2.4 不确定性的推理计算 129
4.2.5 可信度方法应用举例 130
4.3 主观Bayes方法 136
4.3.1 基本Bayes公式 136
4.3.2 主观Bayes方法及其推理网络 138
4.3.3 知识不确定性的表示 139
4.3.4 证据不确定性的表示 139
4.3.5 不确定性的推理计算 140
4.3.6 结论不确定性的合成与更新算法 146
4.3.7 主观Bayes方法应用举例 147
4.4 证据理论 153
4.4.1 D-S理论的数学基础 153
4.4.2 特定概率分配函数 157
4.4.3 基于特定概率分配函数的不确定性推理模型 158
4.4.4 证据理论解题举例 160
4.5 模糊推理 165
4.5.1 模糊集理论与模糊逻辑 165
4.5.2 模糊知识表示 172
4.5.3 模糊证据的表示 173
4.5.4 模糊推理模型 173
习题4 180
第5章 搜索策略 184
5.1 搜索的概念及种类 184
5.2 盲目搜索策略 185
5.2.1 状态空间图的搜索策略 185
5.2.2 宽度优先搜索 187
5.2.3 深度优先搜索 189
5.2.4 有界深度优先搜索 191
5.2.5 代价树的宽度优先搜索 193
5.2.6 代价树的深度优先搜索 195
5.3 启发式搜索策略 197
5.3.1 启发信息与估价函数 197
5.3.2 最佳优先搜索 198
5.3.3 A算法 202
5.4 与／或树的盲目搜索 204
5.4.1 与／或树的一般搜索过程 204
5.4.2 与／或树的广度优先搜索 205
5.4.3 与／或树的深度优先搜索 207
5.5 与／或树的有序搜索 208
5.5.1 解树的代价 208
5.5.2 希望树 210
5.5.3 与／或树的有序搜索过程 210
5.6 博弈树的启发式搜索 213
5.6.1 概述 213
5.6.2 极大极小过程 213
5.6.3 α-β剪枝技术 216
习题5 218
第6章 机器学习 221
6.1 概述 221
6.1.1 什么是机器学习 221
6.1.2 研究机器学习的意义 222
6.1.3 机器学习的发展史 223
6.1.4 机器学习的主要策略及研究现状 224
6.2 机器学习系统的基本模型 225
6.3 机械学习 227
6.3.1 机械学习的过程 227
6.3.2 机械学习系统要考虑的问题 228
6.4 传授式学习 229
6.5 类比学习 229
6.5.1 学习新概念 230
6.5.2 学习问题的求解方法 230
6.6 归纳学习 231
6.6.1 实例学习 231
6.6.2 观察与发现学习 236
6.7 基于解释的学习 237
6.7.1 基于解释学习的工作原理 237
6.7.2 举例 238
6.7.3 领域知识的完善性 240
6.8 ID3判定树算法 240
6.8.1 ID3算法 240
6.8.2 实例计算 242
6.8.3 ID3算法的特点 244
6.9 深度机器学习 245
6.9.1 机器学习的两次较大发展 245
6.9.2 深度学习的基本原理 246
6.9.3 深度学习的应用 249
习题6 251
第二篇 应用篇 255
第7章 自然语言理解 255
7.1 自然语言及其理解 255
7.1.1 自然语言及其构成 255
7.1.2 自然语言理解 256
7.1.3 自然语言理解研究的进展 257
7.1.4 自然语言理解过程的层次 260
7.2 词法分析 261
7.3 句法分析 262
7.3.1 短语结构语法理论与Chomsky语法体系 262
7.3.2 递归转移网络与扩充转移网络 264
7.3.3 词汇功能语法 270
7.3.4 自动句法分析算法 273
7.4 语义分析 277
7.5 大规模真实文本的处理 280
7.5.1 语料库语言学的崛起 280
7.5.2 语料库语言学的特点及研究对象 281
7.5.3 汉语语料库加工的基本方法 282
7.5.4 统计学方法的应用及所面临的问题 285
7.6 基于语料库的自然语言建模方法 285
7.6.1 基于概率分布的语言建模 286
7.6.2 基于上下文信息的语言建模 287
7.6.3 基于组合思想的语言建模 290
7.6.4 语言建模的相关问题 290
习题7 292
第8章 专家系统 294
8.1 专家系统概述 294
8.1.1 专家系统的产生与发展 294
8.1.2 专家系统的定义 296
8.1.3 专家系统的种类 296
8.1.4 专家系统的一般特点 300
8.2 专家系统的基本结构 300
8.3 知识获取 303
8.3.1 知识获取的任务 303
8.3.2 知识获取的主要途径 304
8.4 专家系统的设计与建造 307
8.4.1 开发专家系统的基本要求 307
8.4.2 专家系统建造步骤 309
8.5 专家系统的评价 312
8.6 专家系统开发工具 313
8.6.1 语言型开发工具 314
8.6.2 骨架型开发工具 314
8.6.3 通用型开发工具 316
8.6.4 开发环境与辅助型开发工具 317
8.7 新一代专家系统的发展 320
8.7.1 新一代专家系统应具备的特征 320
8.7.2 分布式专家系统 321
8.7.3 协同式专家系统 322
习题8 322
第9章 人工神经网络与遗传算法 324
9.1 神经网络的基本概念及组成特性 324
9.1.1 生物神经元的结构与功能特性 324
9.1.2 人工神经网络的组成与结构 326
9.1.3 人工神经网络研究的兴起与发展 328
9.2 感知器模型及其学习算法 329
9.2.1 感知器模型 329
9.2.2 单层感知器模型的学习算法 330
9.2.3 线性不可分问题 331
9.2.4 多层感知器 333
9.3 反向传播模型及其学习算法 334
9.3.1 反向传播模型及其网络结构 334
9.3.2 反向传播网络的学习算法 335
9.3.3 反向传播计算的举例 338
9.4 Hopfield模型及其学习算法 339
9.4.1 Hopfield模型 340
9.4.2 Hopfield网络的学习算法 341
9.5 人工神经网络的应用 342
9.6 遗传算法的概念与原理 344
9.6.1 遗传算法的基本概念 345
9.6.2 遗传算法的原理 346
9.7 遗传算法的应用 349
习题9 352
第10章 数据挖掘与主体技术 353
10.1 数据挖掘及其应用 353
10.1.1 数据挖掘与知识发现 353
10.1.2 数据挖掘的概念与研究内容 354
10.1.3 数据挖掘的功能与作用 357
10.1.4 数据挖掘的模型与算法 361
10.1.5 数据挖掘的工具 364
10.1.6 数据挖掘的过程 365
10.1.7 数据挖掘的研究热点与发展趋势 367
10.2 主体技术及其应用 370
10.2.1 主体技术的形成与发展 371
10.2.2 主体的定义与体系结构 372
10.2.3 多主体系统 379
10.2.4 面向主体的软件技术 382
10.2.5 主体技术所面临的挑战 386
习题10 386
附录 同等学力人员申请硕士学位计算机科学与技术学科综合水平全国统一考试部分真题 388
参考文献 403