第1章 绪论 1
1.1人工智能的定义 1
1.1.1什么是人工智能 1
1.1.2人工智能与人类智能 1
1.2人工智能的发展概括 2
1.3人工智能的研究途径及方法 5
1.4人工智能的应用领域 5
第2章 人工智能的数学基础 7
2.1谓词逻辑 7
2.1.1谓词基本概念 7
2.1.2谓词公式 8
2.1.3谓词公式的解释 10
2.1.4谓词公式的性质 11
2.2概率论 11
2.2.1随机现象 11
2.2.2样本空间与随机事件 11
2.2.3事件的概率 14
2.4.4事件的独立性 17
2.3模糊理论 18
2.3.1模糊性 18
2.3.2模糊集与隶属函数 18
2.3.3模糊集的表示及运算 19
2.3.4模糊集的水平截集 21
2.3.5模糊度和模糊数 22
2.3.6模糊关系及其合成 24
2.3.7模糊变换 25
2.4粗糙集理论 27
2.4.1粗糙集的基本概念 27
2.4.2粗糙集在知识发现中的应用 30
本章小结 32
课后练习题 33
第3章 知识表示方法 35
3.1知识表示概述 35
3.1.1知识和知识表示 35
3.1.2知识表示的方法 35
3.2一阶谓词逻辑表示法 36
3.2.1谓词逻辑中的基本概念 37
3.2.2表示知识的方法 38
3.2.3一阶谓词表示法的特点 39
3.3产生式表示法 40
3.3.1产生式可表示的知识种类及其基本形式 40
3.3.2产生式系统 41
3.3.3产生式系统的分类 43
3.3.4产生式系统的特点 45
3.4语义网络表示法 46
3.4.1语义网络的概念及结构 46
3.4.2语义网络中常用的语义联系 47
3.4.3语义网络表示知识的方法 49
3.4.4语义网络中求解问题的基本过程 51
3.4.5语义网络表示法的特点 52
3.5框架表示法 53
3.5.1框架及框架网络 53
3.5.2框架系统中求解问题的基本过程 60
3.5.3框架表示法的特点 61
3.6状态空间表示法 62
3.6.1状态空间的基本概念 62
3.6.2用状态空间表示举例 64
3.7与或树表示法 66
3.7.1问题归约的与/或表示 66
3.8脚本表示法 67
3.8.1脚本的定义与组成 68
3.8.2脚本表示知识的步骤 69
3.8.3脚本表示法的特点 69
3.9过程表示法 70
3.9.1过程表示知识方法 70
3.9.2过程表示法的特点 70
3.10面向对象表示法 71
3.10.1面向对象的基本概念 71
3.10.2面向对象的知识表示 71
本章小结 72
课后练习题 73
第4章 确定性推理 74
4.1推理概述 74
4.1.1推理的基本概念和分类 74
4.1.2推理控制策略 76
4.1.3推理的逻辑基础 77
4.2演绎推理 80
4.2.1自然演绎推理的概念 80
4.2.2利用演绎推理解决问题 81
4.3归结推理 81
4.3.1谓词公式和子句集 81
4.3.2归结原理 83
4.3.3用归结原理进行定理证明和问题求解 85
4.4归结过程的控制策略 87
本章小结 90
课后练习题 91
第5章 不确定推理方法 92
5.1不确定推理概述 92
5.1.1不确定性推理的基本概念 92
5.1.2不确定性推理中的基本问题 92
5.1.3不确定性推理方法的分类 93
5.2可信度方法 93
5.2.1规则的不确定性度量 94
5.2.2证据的不确定性度量 94
5.2.3推理计算 94
5.3主观Bayes方法 97
5.3.1基本Bayes公式 97
5.3.2主观Bayes方法 98
5.3.3知识不确定性的表示 99
5.3.4证据不确定性的表示 101
5.3.5不确定性的推理计算 102
5.3.6结论不确定性的合成和更新算法 104
5.4证据理论（D-S Theory） 105
5.4.1证据理论（D-S理论） 105
5.4.2知识不确定性的表示 107
5.4.3证据的不确定性 107
5.4.4组合证据不确定性的算法 107
5.4.5推理计算 107
5.5模糊推理 109
5.5.1模糊命题 109
5.5.2模糊知识表示 110
5.5.3模糊推理模型 110
5.5粗糙推理 117
5.5.1概述 117
5.5.2基本粗糙集理论 119
5.5.3粗糙推理 120
本章小结 131
课后练习题 132
第6章 状态空间搜索 134
6.1搜索概述 134
6.1.1什么是搜索 134
6.1.2状态空间表示法 134
6.1.3状态空间的一般搜索过程 137
6.1.4搜索的种类 139
6.2盲目搜索策略 140
6.2.1深度优先搜索（Depth-first Search） 140
6.2.2广度优先搜索（Breadth-first Search） 142
6.2.3搜索的优化技巧 143
6.3启发式搜索策略 145
6.3.1启发信息与估价函数 145
6.3.2局部择优搜索 147
6.3.3全局择优搜索 148
6.3.4 A*算法 149
本章小结 152
课后练习题 153
第7章 机器学习 155
7.1概述 155
7.1.1什么是机器学习 155
7.1.2机器学习方法的分类 158
7.1.3机器学习中的推理方法 159
7.2归纳学习 160
7.2.1归纳学习的基本概念 160
7.2.2变型空间学习 161
7.3决策树学习 163
7.3.1决策树及构造算法 163
7.3.2基本的决策树学习算法 165
7.4基于实例的学习 167
7.4.1 K-近邻算法 167
7.4.2距离加权最近邻法 168
7.4.3基于范例的学习 169
本章小结 173
课后练习题 174
第8章 专家系统 176
8.1专家系统概述 176
8.1.1什么是专家系统 176
8.1.2专家系统的特征 176
8.1.3专家系统的类型 177
8.2专家系统基本结构 179
8.2.1知识库 180
8.2.2综合知识库 180
8.2.3推理机 180
8.2.4解释器 181
8.2.5接口 181
8.2.6知识获取机构 181
8.3知识获取 182
8.3.1知识获取的定义 182
8.3.2知识获取的方法 182
8.3.3知识获取的过程 184
8.4知识管理 186
8.4.1知识组织 186
8.4.2知识管理 186
8.5专家系统建造 187
8.5.1专家系统的选题与设计原则 187
8.5.2建造专家系统的步骤 188
8.6专家系统评价 190
本章小结 191
课后练习题 191
第9章 神经网络 192
9.1神经网络概述 192
9.1.1生物神经网络 192
9.1.2人工神经网络 193
9.1.3人工神经网络研究的发展简史 196
9.2神经网络模型 197
9.2.1感知器模型 197
9.2.2反向传播模型 200
9.2.3 Hopfield模型 205
9.2.4对向传播网络模型 208
9.2.5自适应共振网络模型 210
9.3神经网络专家系统 218
9.3.1神经网络专家系统的基本原理 219
9.3.2神经网络专家系统的结构 219
本章小结 221
课后练习题 221
参考文献 223