第1章 绪论 1
1.1 什么是人工智能 1
1.1.1 关于智能 1
1.1.2 人工智能的研究目标 2
1.2 人工智能发展简史 3
1.3 人工智能研究方法 8
1.3.1 人工智能研究的特点 8
1.3.2 人工智能研究的途径 9
1.3.3 人工智能研究的资源 11
1.4 人工智能研究及应用领域 12
1.4.1 问题求解与博弈 12
1.4.2 专家系统 13
1.4.3 自动定理证明 14
1.4.4 机器学习 15
1.4.5 人工神经网络 16
1.4.6 模式识别 17
1.4.7 计算机视觉 17
1.4.8 自然语言处理 18
1.4.9 智能体 19
1.4.10 智能控制 20
1.4.11 机器人学 21
1.4.12 人工生命 22
1.5 本章小结 23
1.6 习题 23
第2章 知识工程 24
2.1 概述 24
2.2 知识表示方法 26
2.2.1 经典逻辑表示法 26
2.2.2 产生式表示法 27
2.2.3 层次结构表示法 32
2.2.4 网络结构表示法 34
2.2.5 其他表示法 36
2.3 知识获取与管理 39
2.3.1 知识获取的任务 39
2.3.2 知识获取的方式 41
2.3.3 知识管理 42
2.3.4 本体论 44
2.4 基于知识的系统 46
2.4.1 什么是知识系统 46
2.4.2 专家系统 47
2.4.3 知识系统举例 48
2.5 本章小结 51
2.6 习题 51
第3章 确定性推理 53
3.1 概述 53
3.1.1 推理方式与分类 53
3.1.2 推理控制策略 54
3.1.3 知识匹配 55
3.2 自然演绎推理 57
3.3 归结演绎推理 59
3.3.1 海伯伦理论 59
3.3.2 鲁宾逊归结原理 62
3.3.3 归结反演 65
3.3.4 归结策略 66
3.3.5 应用归结原理求解问题 73
3.4 与或形演绎推理 76
3.4.1 与或形正向演绎推理 76
3.4.2 与或形逆向演绎推理 79
3.4.3 与或形双向演绎推理 81
3.5 本章小结 82
3.6 习题 83
第4章 不确定性推理 85
4.1 概述 85
4.2 基本概率方法 88
4.3 主观贝叶斯方法 90
4.3.1 不确定性的表示 91
4.3.2 不确定性的传递算法 92
4.3.3 结论不确定性的合成算法 95
4.4 可信度方法 96
4.4.1 基本可信度模型 96
4.4.2 带阈值限度的可信度模型 98
4.4.3 加权的可信度模型 99
4.4.4 前件带不确定性的可信度模型 100
4.5 模糊推理 102
4.5.1 模糊理论 102
4.5.2 简单模糊推理 110
4.5.3 模糊三段论推理 116
4.5.4 多维模糊推理 118
4.5.5 多重模糊推理 121
4.5.6 带有可信度因子的模糊推理 121
4.6 证据理论 123
4.6.1 D-S理论 123
4.6.2 基于证据理论的不确定性推理 125
4.7 粗糙集理论 128
4.7.1 粗糙集理论的基本概念 128
4.7.2 粗糙集在知识发现中的应用 132
4.8 本章小结 133
4.9 习题 134
第5章 搜索策略 137
5.1 概述 137
5.1.1 什么是搜索 137
5.1.2 状态空间表示法 137
5.1.3 与或树表示法 139
5.2 状态空间搜索 142
5.2.1 状态空间的一般搜索过程 142
5.2.2 广度优先搜索 143
5.2.3 深度优先搜索 145
5.2.4 有界深度优先搜索 146
5.2.5 启发式搜索 148
5.2.6 A*算法 151
5.3 与或树搜索 154
5.3.1 与或树的一般搜索过程 154
5.3.2 与或树的广度优先搜索 155
5.3.3 与或树的深度优先搜索 156
5.3.4 与或树的有序搜索 157
5.3.5 博弈树的启发式搜索 161
5.3.6 剪枝技术 164
5.4 本章小结 164
5.5 习题 165
第6章 机器学习 167
6.1 概述 167
6.1.1 什么是机器学习 167
6.1.2 机器学习方法的分类 169
6.1.3 机器学习的基本问题 171
6.1.4 评估学习结果 173
6.2 决策树学习 176
6.2.1 决策树表示法 177
6.2.2 ID3算法 178
6.2.3 决策树学习的常见问题 180
6.2.4 用决策树学习客户分类 182
6.3 贝叶斯学习 186
6.3.1 贝叶斯法则 186
6.3.2 朴素贝叶斯方法 189
6.3.3 贝叶斯网络 189
6.3.4 EM算法 191
6.3.5 用贝叶斯方法过滤垃圾邮件 193
6.4 统计学习 194
6.4.1 统计学习理论 195
6.4.2 支持向量机 198
6.4.3 核函数 201
6.4.4 基于支持向量机的车牌识别 202
6.5 遗传算法 205
6.5.1 进化计算 205
6.5.2 遗传算法原理 207
6.5.3 问题编码策略 210
6.5.4 遗传算子 213
6.5.5 遗传算法的理论分析 217
6.5.6 用遗传算法解决TSP问题 219
6.6 聚类 221
6.6.1 聚类问题 222
6.6.2 分层聚类方法 223
6.6.3 划分聚类方法 226
6.6.4 基于密度的聚类方法 227
6.6.5 基于网格的聚类方法 229
6.6.6 股票信息的聚类分析 230
6.7 特征选择与提取 232
6.7.1 特征选择 232
6.7.2 常用的特征函数 233
6.7.3 主成分分析 234
6.8 其他学习方法 235
6.8.1 强化学习 235
6.8.2 隐马尔可夫模型 237
6.9 本章小结 239
6.10 习题 239
第7章 人工神经网络 241
7.1 概述 241
7.1.1 人脑神经系统 241
7.1.2 人工神经网络的研究内容与特点 244
7.1.3 人工神经网络的基本形态 245
7.2 感知器 249
7.2.1 简单感知器 249
7.2.2 多层感知器 252
7.3 前馈神经网络 253
7.3.1 反向传播算法 253
7.3.2 反向传播算法中的问题 258
7.3.3 径向基函数网络 259
7.4 反馈神经网络 262
7.4.1 Hopfield网络 263
7.4.2 离散型Hopfield网络 263
7.4.3 连续型Hopfield网络 265
7.4.4 Hopfield网络中的问题 266
7.4.5 用Hopfield网络解决TSP问题 267
7.5 随机神经网络 268
7.5.1 模拟退火算法 268
7.5.2 波尔兹曼机 270
7.6 自组织神经网络 272
7.6.1 竞争学习 273
7.6.2 自组织特征映射网络 274
7.7 本章小结 275
7.8 习题 276
第8章 人工智能的其他领域 277
8.1 模式识别 277
8.1.1 模式识别的基本问题 277
8.1.2 统计模式识别 278
8.1.3 句法模式识别 280
8.1.4 模糊模式识别 282
8.1.5 神经网络模式识别 282
8.1.6 模式识别的应用 283
8.2 自然语言处理 284
8.2.1 自然语言处理的基本问题 284
8.2.2 语法分析 287
8.2.3 语义分析 289
8.2.4 大规模文本处理 291
8.2.5 自然语言处理的应用 294
8.3 智能体 296
8.3.1 智能体模型 297
8.3.2 多智能体系统的模型 300
8.3.3 多智能体系统的协作、协商与协调 302
8.3.4 多智能体系统的学习与规划 304
8.3.5 智能体间的通信 305
8.3.6 智能体的应用 307
8.4 本章小结 308
8.5 习题 309
参考文献 310