第一章 绪论 1
1.1 人工智能的诞生及发展 1
1.2 人工智能的定义 2
1.3 人工智能研究的方法及途径 3
1.3.1 人工智能研究的方法及途径 3
1.3.2 实现人工智能的技术路线 5
1.4 人工智能的研究及应用领域 6
1.4.1 问题求解 6
1.4.4 模式识别 7
1.4.3 专家系统 7
1.4.2 机器学习 7
1.4.5 自动定理证明 8
1.4.6 自动程序设计 8
1.4.7 自然语言理解 8
1.4.8 机器人学 9
1.4.9 人工神经网络 9
1.4.10 智能检索 9
习题一 10
2.1 概述 11
2.1.1 知识、信息和数据 11
第二章 知识表示方法 11
2.1.2 知识的特性 12
2.1.3 知识的分类 13
2.1.4 知识的表示 14
2.2 一阶谓词逻辑表示法 14
2.2.1 知识的谓词逻辑表示法 14
2.2.2 用谓词公式表示知识的步骤 15
2.2.3 谓词公式表示知识的举例 15
2.2.4 一阶谓词逻辑表示法的特点 18
2.3.1 产生式可表示的知识种类及其基本形式 19
2.3 产生式表示法 19
2.3.2 知识的表示方法 20
2.3.3 产生式系统的组成 21
2.3.4 产生式系统的推理方式 22
2.3.5 产生式表示法的特点 23
2.4 语义网络表示法 23
2.4.1 语义网络的概念及其结构 23
2.4.2 语义网络表示知识的方法及步骤 24
2.4.3 语义网络表示知识举例 26
2.4.4 语义网络中常用的语义联系 27
2.4.5 语义网络表示下的推理过程 29
2.4.6 语义网络表示法的特点 30
2.5.1 框架理论 31
2.5.2 框架的定义及组成 31
2.5 框架表示法 31
2.5.3 用框架表示知识的步骤 32
2.5.4 框架举例 34
2.5.5 框架表示下的推理方法 37
2.5.6 框架表示法的特点 38
2.6 面向对象的表示法 39
2.6.1 面向对象的基本概念 39
2.7 状态空间表示法 41
2.6.2 表示知识的方法 41
2.7.1 问题状态空间的构成 42
2.7.2 用状态空间表示问题的步骤 42
2.7.3 利用状态空间求解问题的过程 42
习题二 44
第三章 归结推理方法 47
3.1 命题逻辑 47
3.1.1 命题 47
3.1.2 命题公式 48
3.2.2 谓词公式 49
3.2.1 谓词与个体 49
3.2 谓词逻辑 49
3.2.3 谓词公式的永真性和可满足性 51
3.2.4 谓词公式的等价性与永真蕴含 52
3.2.5 置换与合一 53
3.3 归结推理方法 56
3.3.1 谓词公式与子句集 57
3.3.2 Herbrand理论 60
3.3.3 归结原理 64
3.3.4 利用归结原理进行定理证明 68
3.3.5 应用归结原理进行问题求解 71
3.4 归结过程的控制策略 74
3.4.1 引入控制策略 74
3.4.2 归结控制策略及其应用举例 75
习题三 78
第四章 不确定推理方法 81
4.1 不确定推理概述 81
4.1.1 不确定推理的概念 81
4.1.2 不确定推理方法的分类 82
4.1.3 不确定推理中的 82
4.2.1 可信度的概念 84
4.2.2 知识不确定性的表示 84
4.2 可信度方法 84
4.2.3 证据不确定性的表示 86
4.2.4 不确定性的推理计算 86
4.2.5 可信度方法应用举例 88
4.3 主观Bayes方法 93
4.3.1 基本Bayes公式 93
4.3.2 主观Bayes方法及其推理网络 95
4.3.3 知识不确定性的表示 96
4.3.4 证据不确定性的表示 96
4.3.5 不确定性的推理计算 97
4.3.6 结论不确定性的合成与更新算法 103
4.3.7 主观Bayes方法应用举例 103
4.4 证据理论 109
4.4.1 D-S理论的数学基础 109
4.4.2 特定概率分配函数 113
4.4.3 基于特定概率分配函数的不确定性推理模型 114
4.4.4 证据理论解题举例 116
习题四 120
5.1.2 搜索的种类 123
5.1.1 搜索的概念 123
5.1 搜索的概念及种类 123
第五章 状态空间搜索策略 123
5.2 盲目搜索策略 124
5.2.1 状态空间图的搜索策略 124
5.2.2 宽度优先搜索策略 126
5.2.3 深度优先搜索 129
5.2.4 有界深度优先搜索 131
5.2.5 代价树的宽度优先搜索 133
5.2.6 代价树的深度优先搜索 135
5.3.1 启发信息与估价函数 137
5.3 启发式搜索策略 137
5.3.2 最佳优先搜索 138
5.3.3 A＊算法 142
习题五 143
第六章 机器学习 146
6.1 概述 146
6.1.1 什么是机器学习 146
6.1.2 研究机器学习的意义 147
6.1.3 机器学习的发展史 147
6.1.4 机器学习的主要策略及研究现状 148
6.2 机器学习系统的基本模型 149
6.2.3 知识库 150
6.2.2 学习环节 150
6.2.1 环境 150
6.2.4 执行环节 151
6.3 机器学习的传统学习方法 151
6.3.1 机械学习 151
6.3.2 传授学习 153
6.3.3 类比学习 153
6.3.4 归纳学习 155
6.3.5 基于解释的学习 160
6.4 基于神经网络的学习 163
6.4.1 神经网络的基本概念及组成特性 163
6.4.2 基于反响传播网络模型的学习 166
6.4.3 基于Hopfield网络模型的学习 172
习题六 174
第七章 自然语言理解 176
7.1 自然语言及其理解 176
7.1.1 自然语言及其构成 176
7.1.2 自然语言理解 177
7.1.3 自然语言理解研究的进展 178
7.1.4 自然语言理解过程的层次 181
7.2 词法分析 181
7.3 句法分析 182
7.3.1 短语结构语法理论与乔姆斯基语法体系 183
7.3.2 递归转移网络与扩充转移网络 185
7.3.3 词汇功能语法 190
7.3.4 自动句法分析算法 193
7.4 语义分析 197
7.5 大规模真实文本的处理 200
7.5.1 语料库语言学的崛起 200
7.5.2 语料库语言学的特点及研究对象 200
7.5.3 汉语语料库加工的基本方法 201
7.5.4 统计学方法的应用及所面临的问题 204
习题七 205
一、考试大纲 207
附录一 同等学历人员申请硕士学位《计算机科学与技术》综合考试大纲 207
二、复习指南 208
三、思考题 208
四、考试样卷 209
五、参考书目 209
附录二 《计算机科学与技术》综合考试真题 210
1999年《计算机科学与技术》综合考试真题 210
2000年《计算机科学与技术》综合考试真题 212
2001年《计算机科学与技术》综合考试真题 214
参考文献 216