第1章 绪论 1
1.1概述 1
1.2内容框架 2
参考文献 5
第2章 知识表示 8
2.1知识表示概述 8
2.1.1知识的定义和结构 8
2.1.2知识的阈值 10
2.1.3知识的类型 10
2.1.4常用的知识表示 11
2.2逻辑表示 12
2.2.1命题逻辑 12
2.2.2一阶谓词逻辑 14
2.3产生式规则表示 18
2.4语义网表示 22
2.5框架表示 30
2.6脚本表示 38
2.7本体表示 40
2.8小结 43
参考文献 44
第3章 推理方法与专家系统 45
3.1推理概述 45
3.1.1推理方法及分类 45
3.1.2推理控制策略及分类 47
3.2逻辑推理系统 48
3.2.1演绎逻辑与三段论 48
3.2.2推理规则 50
3.2.3逻辑系统 54
3.2.4归结与演绎 56
3.3产生式推理系统 62
3.3.1产生式系统概述 63
3.3.2产生式系统的体系结构及工作原理 64
3.3.3部分匹配 66
3.3.4与或树 68
3.3.5正向和反向推理算法 70
3.3.6匹配冲突消解 77
3.4其他推理方法 83
3.4.1类比 83
3.4.2生成与验证 84
3.4.3溯因 84
3.5专家系统概述 85
3.5.1专家系统的定义 85
3.5.2专家系统的体系结构 85
3.5.3专家系统的主要特征 87
3.5.4专家系统的类型 88
3.5.5一个简单的专家系统示例 90
3.6小结 93
参考文献 94
第4章 确定性因子理论 95
4.1信任和不信任 95
4.2信任与不信任之度量 96
4.3不确定性因子的计算 98
4.4不确定性值计算的封闭性 101
4.5不确定性值计算例 103
4.6规则集合（规则库）的评价 104
4.7小结 105
参考文献 106
第5章 确定性因子模型改进及其在冲突消解中的应用 107
5.1不确定性知识的描述 107
5.2不确定性值的传播算法 108
5.3最大存在风险和最大不存在风险 110
5.4冲突消解模型 113
5.5小结 116
参考文献 117
第6章 基于概率论的处理方法 118
6.1概述 118
6.2确定性证据的不确定性处理 119
6.3不确定性证据的不确定性推理 123
6.4讨论 129
参考文献 130
第7章 证据理论 131
7.1D-S理论 131
7.2一种简化的证据理论SET 137
7.3一种凸函数证据理论模型CSET 140
7.3.1SET模型面对有序命题类问题的困难 140
7.3.2具有凸函数性质的简化证据理论 141
7.3.3凸函数简化证据理论的分析 144
7.3.4小结 148
参考文献 149
第8章 一种面向有序命题类问题的信息融合新方法 150
8.1预备知识 151
8.2原方法的问题与不足 152
8.3一些基本概念 154
8.4信息熵 157
8.5融合两个基本支持函数的新方法——算法F 164
8.5.1算法F的描述 164
8.5.2关于算法F的一些例子 171
8.6用8.2节中的例子比较两种方法 174
8.7小结 176
参考文献 177
第9章 加权模糊逻辑 178
9.1概述 178
9.2加权模糊逻辑和加权模糊逻辑命题演算 178
9.3加权模糊逻辑在专家系统中的应用及其推理规则 180
9.4相关工作的比较 184
9.5小结 185
参考文献 185
第10章 专家系统中的一种模糊推理模型——一种二阶不确定性处理模型 186
10.1概述 186
10.2模糊推理模型FURM 186
10.2.1FURM的知识表示 186
10.2.2FURM的不确定性推理 189
10.3讨论 192
参考文献 192
第11章 专家系统中不精确推理单位元 193
11.1抽象不精确推理模型 193
11.2单位元的性质 194
11.3实例分析 195
11.4小结 199
参考文献 199
第12章 两级不确定性知识处理模型 200
12.1概述 200
12.2规则中的不确定性、准确性 200
12.2.1规则强度 200
12.2.2规则的准确性、可靠性 200
12.2.3知识表示 201
12.3关于偏差的两级不确定性推理模型 201
12.3.1两级不确定性推理模型的必要条件 202
12.3.2处理两级不确定性的推理模型 203
12.3.3多条前件不同但后件相同的规则的结论综合 206
12.4讨论 207
参考文献 208
第13章 多ES协作系统中不一致性处理 209
13.1概述 209
13.2一致性处理 210
13.2.1协作组中诸ES之看法间的影响 210
13.2.2决策 214
13.3讨论 215
参考文献 216
第14章 协作知识系统中冲突消解的辩论方法 217
14.1概述 217
14.2多维辩论方法辩论的基本过程 218
14.3依赖性值的计算 221
14.4外部约束的计算 223
14.5多维辩论系统框架PAT-1简介 224
14.6讨论与总结 225
参考文献 225
第15章 Belief的解释和更新 227
15.1广义概率与信任函数 227
15.2随机集合与信任函数 230
15.3内、外测度与上、下概率 231
15.4信任值的修正、更新和集中 232
15.5小结 233
参考文献 234
第16章 布尔代数上的Belief模型 235
16.1布尔代数的基本概念 236
16.2广义Dempster-Shafer理论 236
16.3广义随机集合 237
16.4信任值的更新和修正 240
16.5求精和相容概念 243
16.6布尔代数上的限定化概念 244
16.7Belief模型中的决策模型 249
16.8小结 253
参考文献 254
第17章 处理二阶不确定性的内涵方法 256
17.1集合-值映射的扩充 256
17.2“概率簇空间”的传递模型 259
17.2.1不确定性结构的传递方法 259
17.2.2限定化关系的传递 261
17.3规则的组合策略 262
17.3.1组合证据源 262
17.3.2组合结论 263
17.4小结 264
参考文献 264
第18章 贝叶斯网的基本概念及推理方法 265
18.1贝叶斯网的基本概念 265
18.2贝叶斯网推理问题概述 266
18.3变量消除推理算法 266
18.4Query DAG算法 267
18.5基于最大四重约束子集的推理算法 268
18.5.1算法TD 269
18.5.2算法CPP 280
18.5.3实验结果 283
18.5.4小结 291
参考文献 291
第19章 贝叶斯网学习方法 293
19.1参数学习 293
19.1.1概述 293
19.1.2极大似然估计方法 295
19.1.3贝叶斯方法 298
19.1.4不完备数据下的参数学习 303
19.1.5参数的增量学习 312
19.1.6小结 315
19.2结构学习 315
19.2.1概述 315
19.2.2常用评分函数简介 316
19.2.3几种搜索算法 322
19.2.4不完备数据下的结构学习 326
19.2.5基于约束的方法 332
19.2.6变量顺序的学习 336
19.2.7结构的增量学习 337
19.2.8小结 340
参考文献 340
第20章 经典粗糙集 342
20.1知识 342
20.1.1知识、分类和知识库 342
20.1.2知识库的等价、泛化和特化 344
20.2不精确概念、近似与粗糙集 345
20.2.1粗集集合的近似：上近似和下近似 345
20.2.2近似的性质 346
20.2.3近似与隶属关系 347
20.2.4不精确的数字特征 348
20.2.5不精确的拓扑特性 348
20.2.6划分的近似 350
20.2.7集合的粗等价 351
20.2.8集合的粗包含 352
20.3知识的约简 354
20.3.1知识的简式与核 354
20.3.2知识的相对简式和相对核 355
20.3.3簇的化简 356
20.3.4集合簇的相对简式与核 357
20.3.5知识的相关性 358
20.3.6知识的部分相关性 359
20.4信息系统与决策系统 360
20.4.1信息系统形式化定义 360
20.4.2信息系统的区分矩阵 361
20.4.3决策系统形式化定义 364
20.4.4属性的强度 364
20.4.5决策系统区分矩阵 365
20.4.6决策规则生成的一个实例 366
20.5小结 370
参考文献 370
第21章 粗糙集关系扩展模型 371
21.1不完备信息系统 371
21.2基于相容关系的粗糙集 372
21.3基于非对称相似关系粗糙集 373
21.4量化相容关系 374
21.5限制相容关系 376
21.6限制量化相容关系 377
21.7基于支配（优势）关系的粗糙集 380
21.8覆盖粗糙集 382
21.9小结 385
参考文献 385
第22章 粗糙集公理组的极小化 387
22.1相关研究 387
22.2现有粗糙集公理组的简化 388
22.3极小粗糙集公理组 390
22.4粗糙集公理组S5及其可靠性和极小性 391
22.5小结 392
参考文献 393
附录 394