目 录 3
第一篇 人工智能基本原理 3
第一章绪论 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 6
1.3.1人工智能研究的各种学派 6
及其理论 6
1.3.2实现人工智能的技术路线 9
1.4人工智能的研究及应用领域 9
1.4.1问题求解 10
1.4.2机器学习 10
1.4.3专家系统 11
1.4.4模式识别 11
1.4.5自动定理证明 11
1.4.7自然语言理解 12
1.4.6自动程序设计 12
1.4.8机器人学 13
1.4.9人工神经网络 13
1.4.10智能检索 14
习题一 14
第二章知识表示方法 15
2.1概述 15
2.1.1知识、信息和数据 15
2.1.2知识的特性 16
2.1.3知识的分类 17
2.1.4知识的表示 18
2.2一阶谓词逻辑表示法 19
2.2.1知识的谓词逻辑表示法 19
2.2.2用谓词公式表示知识的步骤 20
2.2.3谓词公式表示知识的举例 20
2.2.4一阶谓词逻辑表示法的特点 24
2.3.1产生式可表示的知识种类 25
及其基本形式 25
2.3产生式表示法 25
2.3.2知识的表示方法 26
2.3.3产生式系统的组成 27
2.3.4产生式系统的推理方式 29
2.3.5产生式表示法的特点 30
2.4语义网络表示法 30
2.4.1语义网络的概念及其结构 31
2.4.2语义网络中常用的语义联系 32
2.4.3语义网络表示知识的方法 35
2.4.4用语义网络表示知识的步骤 40
2.4.5语义网络表示知识举例 41
2.4.6语义网络表示下的推理过程 45
2.4.7语义网络表示法的特点 47
2.5框架表示法 48
2.5.1框架理论 48
2.5.2框架的定义及组成 48
2.5.3用框架表示知识的步骤 50
2.5.4框架举例 52
2.5.5框架表示下的推理方法 55
2.5.6框架表示法的特点 57
2.6面向对象的表示法 57
2.6.1面向对象的基本概念 58
2.6.2表示知识的方法 60
2.7脚本表示法 61
2.7.1脚本的定义与组成 61
2.7.2用脚本表示知识的步骤 63
2.7.3用脚本表示知识举例 64
2.7.4脚本表示下的推理方法 66
2.7.5脚本表示法的特点 67
2.8过程表示法 67
2.8.1知识的过程表示法 67
2.8.2过程表示的问题求解举例 69
2.8.3过程表示法的特点 70
2.9状态空间表示法 71
2.9.1问题状态空间的构成 71
2.9.3利用状态空间求解问题 72
的过程 72
2.9.2用状态空间表示问题的 72
步骤 72
2.10与／或树表示法 74
2.10.1问题的分解与等价变换 74
2.10.2问题归约的与／或树表示 75
2.10.3用与／或树表示问题的步骤 76
2.10.4与／或树表示举例 77
习题二 78
3.1.1推理的基本概念 81
第三章确定性推理方法 81
3.1推理概述 81
3.1.2推理的方法及其分类 82
3.1.3推理的控制策略 85
3.1.4推理的冲突消解策略 92
3.2命题逻辑 93
3.2.1命题 94
3.2.2命题公式 94
3.3.1谓词与个体 96
3.3谓词逻辑 96
3.3.2谓词公式 97
3.3.3谓词公式的永真性和可满 98
足性 98
3.3.4谓词公式的等价性与永真 100
蕴涵 100
3.3.5置换与合一 102
3.4自然演绎推理方法 105
3.4.1 自然演绎推理的概念 105
3.4.2利用演绎推理解决问题 106
3.4.3演绎推理的特点 107
3.5归结推理方法 108
3.5.1谓词公式与子句集 108
3.5.2 Herbrand理论 112
3.5.3归结原理 117
3.5.4利用归结原理进行定理 122
证明 122
3.5.5应用归结原理进行问题 126
求解 126
3.6.1引入控制策略 128
3.6归结过程的控制策略 128
3.6.2归结控制策略及其应用 130
举例 130
习题三 133
第四章不确定性推理方法 136
4.1不确定性推理概述 136
4.1.1不确定性推理的概念 136
4.1.2不确定性推理方法的分类 137
问题 138
4.1.3不确定性推理中的基本 138
4.2可信度方法 139
4.2.1可信度的概念 140
4.2.2知识不确定性的表示 140
4.2.3证据不确定性的表示 142
4.2.4不确定性的推理计算 143
4.2.5可信度方法应用举例 145
4.3主观Bayes方法 151
4.3.1基本Bayes公式 151
推理网络 153
4.3.2主观Bayes方法及其 153
4.3.3知识不确定性的表示 154
4.3.4证据不确定性的表示 155
4.3.5不确定性的推理计算 156
4.3.6结论不确定性的合成 162
与更新算法 162
4.3.7主观Bayes方法应用举例 163
4.4证据理论 170
4.4.1 D-S理论的数学基础 170
4.4.2特定概率分配函数 174
4.4.3基于特定概率分配函数的 176
不确定性推理模型 176
4.4.4证据理论解题举例 178
习题四 183
第五章状态空间搜索策略 186
5.1搜索的概念及种类 186
5.1.1搜索的概念 186
5.2盲目搜索策略 187
5.2.1状态空间图的搜索策略 187
5.1.2搜索的种类 187
.5.2.2宽度优先搜索策略 190
5.2.3深度优先搜索 192
5.2.4有界深度优先搜索 194
5.2.5代价树的宽度优先搜索 196
5.2.6代价树的深度优先搜索 198
5.3启发式搜索策略 200
5.3.1启发信息与估价函数 201
5.3.2最佳优先搜索 202
5.3.3 A*算法 206
习题五 208
第六章机器学习 211
6.1概述 211
6.1.1什么是机器学习 211
6.1.2研究机器学习的意义 212
6.1.3机器学习的发展史 213
6.1.4机器学习的主要策略 214
6.2机器学习系统的基本模型 215
6.2.1环境 216
6.2.2学习环节 217
6.2.3知识库 217
6.2.4执行环节 218
6.3机械学习 218
6.3.1机械学习的过程 219
6.3.2机械学习系统要考虑 219
的问题 219
6.4传授式学习 220
6.5类比学习 221
6.5.1学习新概念 221
6.5.2学习问题的求解方法 222
6.6归纳学习 223
6.6.1实例学习 223
6.6.2观察与发现学习 228
6.7基于解释的学习 229
6.7.1基于解释学习的工作原理 230
6.7.2基于解释学习举例 231
6.7.3领域知识的完善性 232
习题六 233
第二篇 人工智能的应用 237
第七章 自然语言理解 237
7.1 自然语言及其理解 237
7.1.1 自然语言及其构成 237
7.1.2自然语言理解的概念 239
7.1.3自然语言理解研究的进展 240
7.1.4 自然语言理解过程的层次 243
7.2词法分析 244
7.3句法分析 245
7.3.1短语结构语法理论与乔姆 245
斯基语法体系 245
7.3.2递归转移网络与扩充转移 248
网络 248
7.3.3词汇功能语法 254
7.3.4自动句法分析算法 257
7.4语义分析 262
7.5.1语料库语言学的崛起 265
7.5大规模真实文本的处理 265
7.5.2语料库语言学的特点 266
及研究对象 266
7.5.3汉语语料库加工的基本 267
方法 267
7.5.4统计学方法的应用及所面临的问题 271
7.6基于语料库的自然语言建模 271
方法 271
7.6.1基于概率分布的语言建模 272
建模 273
7.6.2基于上下文信息的语言 273
7.6.3基于组合思想的语言建模 276
7.6.4语言建模的相关问题 277
习题七 279
第八章专家系统 282
8.1专家系统概述 282
8.1.1专家系统的产生与发展 282
8.1.2专家系统的定义 284
8.1.3专家系统的种类 284
8.1.4专家系统的一般特点 288
8.2专家系统的基本结构 290
8.2.1综合数据库及其管理系统 290
8.2.2知识库及其管理系统 291
8.2.3知识获取机构 291
8.2.4推理机 292
8.2.5解释器 292
8.2.6人－机接口 292
8.3.1知识获取的任务 293
8.3知识获取 293
8.3.2知识获取的主要途径 294
8.4专家系统的设计与建造 298
8.4.1开发专家系统的基本要求 298
8.4.2专家系统建造的步骤 300
8.5专家系统的评价 304
8.6专家系统开发工具 305
8.6.1语言型开发工具 306
8.6.2骨架型开发工具 307
8.6.3通用型开发工具 309
开发工具 310
8.6.4开发环境与辅助型 310
8.7新一代专家系统的发展 313
8.7.1新一代专家系统应具备 313
的特征 313
8.7.2分布式专家系统 314
8.7.3协同式专家系统 315
习题八 316
9.1.1生物神经元的结构与功能 317
特性 317
第九章人工神经网络 317
特性 317
9.1神经网络的基本概念及组成 317
9.1.2人工神经网络的组成与 319
结构 319
9.1.3人工神经网络研究的兴起 322
与发展 322
9.2.1感知器模型 324
9.2感知器模型及其学习算法 324
9.2.2单层感知器模型的学习算法 325
9.2.3线性不可分问题 326
9.2.4多层感知器 328
9.3反向传播模型及其学习算法 329
9.3.1反向传播模型及其网络 329
结构 329
9.3.2反向传播网络的学习算法 330
9.3.3反向传播计算的举例 334
9.4Hopfield模型及其学习算法 335
9.4.1Hopfield模型 335
9.4.2 Hopfield网络的学习算法 337
习题九 338
第十章数据挖掘与Agent技术 339
10.1数据挖掘及其应用 339
10.1.1数据挖掘与知识发现 339
10.1.2数据挖掘的概念 340
与研究内容 340
10.1.3数据挖掘的功能与作用 343
10.1.4数据挖掘的模型与算法 348
10.1.5数据挖掘的工具 352
10.1.6数据挖掘的常用技术比较 353
10.1.7数据挖掘的过程 354
10.1.8数据挖掘的研究热点与发展 356
趋势 356
10.2 Agent技术及其应用 360
10.2.1 Agent技术的形成与发展 360
10.2.2 Agent的定义与体系结构 362
10.2.3多Agent系统 370
10.2.4面向Agent的程序设计 374
10.2.5 Agent技术所面临的挑战 377
习题十 378
附录 380
附录A计算机科学与技术学科综合 380
考试人工智能真题 380
附录B计算机科学与技术学科综合 386
考试人工智能真题参考解答 386
参考文献 392