第一篇 高级推理技术 1
第1章 传统的推理技术 1
1.1 命题逻辑与谓词逻辑概论 1
1.1.1 命题逻辑 1
1.1.2 谓词逻辑 4
1.2 基于传统逻辑的推理机制 6
1.2.1 推理基础 6
1.2.2 基于传统逻辑的推理 8
习题 13
小结 13
第2章 专家系统MYCIN的不确定性推理方法 15
2.1 不确定性推理 15
2.1.1 什么是不确定性推理 15
2.1.2 不确定性推理中的基本问题 16
2.2 MYCIN的可信度概念 18
2.3 MYCIN的不精确推理模型 19
2.3.1 知识不确定性的表示 19
2.3.2 证据不确定性的表示 19
2.3.5 结论不确定性的合成算法 20
2.3.4 不确定性的传递算法 20
2.3.3 组合证据不确定性的算法 20
2.4 带加权因子的可信度推理 22
小结 23
习题 24
第3章 主观Bayes方法 25
3.1 概率论的简单回顾 25
3.2 主观Bayes方法的基本理论 26
3.2.1 知识不确定性的表示 26
3.2.2 主观Bayes方法的基本算法 26
3.3.2 证据不确定性的传递 30
3.3 主观Bayes方法的推理模型 30
3.3.1 组合证据不确定性的计算 30
3.3.3 结论不确定性的合成 31
小结 33
习题 33
第4章 模糊推理 35
4.1 模糊数学的基本知识 35
4.1.1 模糊集合 35
4.1.2 模糊关系及其运算 36
4.2.1 模糊知识的表示 38
4.2.2 前提的模糊匹配 38
4.2 模糊假言推理 38
4.2.3 简单模糊推理 39
小结 41
习题 41
第5章 证据理论 43
5.1 基本理论 43
5.1.1 命题的表示 43
5.1.2 概率分配函数 43
5.1.4 似然函数 44
5.1.3 信任函数 44
5.1.5 概率分配函数的正交和 45
5.2 证据理论的推理模型 46
5.2.1 一个特殊的概率分配函数 46
5.2.2 类概率函数 47
5.2.3 规则的表示方法 49
5.2.4 多前提组合的CER计算 49
5.2.5 不确定性的传递算法 49
小结 52
习题 53
6.1.1 缺省规则的形式 54
6.1 缺省理论 54
第6章 非单调推理 54
6.1.2 缺省规则的分类 55
6.2 界限理论 55
6.3 正确性维持系统 57
小结 59
习题 60
第二篇 机器学习 61
第7章 机器学习概论 61
7.1 机器学习模型与形式化 61
7.1.1 机器学习模型 61
7.1.2 机器学习模型的形式化 63
7.2 学习系统的结构和训练样例 64
7.2.1 设计目标函数 64
7.2.2 目标函数的表示形式 65
7.2.3 设计函数逼近算法 66
7.2.4 训练经验的选择 68
7.2.5 最终设计 68
7.3 学习系统的观点和问题 70
小结 71
习题 71
8.1 什么是概念学习 73
第8章 概念学习 73
8.2 概念学习的搜索空间 74
8.3 假设空间的偏序关系 74
8.4 寻找极大特殊假设的FIND—S算法 75
8.5 变型空间和候选消除算法 78
8.5.1 变型空间的定义 78
8.5.2 列表后消除算法 79
8.5.3 候选消除算法 79
8.5.4 变型空间和候选消除算法的几点说明 84
小结 86
习题 87
第9章 决策树学习 89
9.1 决策树表示法及其含义 89
9.2 决策树学习的适用问题 90
9.3 决策树学习的ID3算法 92
9.4 最佳属性的选择 93
9.4.1 用熵度量系统的混乱程度 93
9.4.2 信息增益最佳分类属性 96
9.4.3 决策树计算举例 96
9.5 决策树学习的问题 99
小结 101
习题 102
第10章 学习规则集合 104
10.1 学习命题逻辑规则 104
10.2 学习一阶逻辑规则 108
10.2.1 假设的产生 108
10.2.2 归纳推理 110
10.2.3 FOIL算法 111
小结 114
习题 114
11.1 脑神经系统与生物神经元的结构与特征 116
第三篇 计算智能 116
第11章 人工神经网络 116
11.2 人工神经元的结构与模型 118
11.2.1 人工神经元 118
11.2.2 常用的人工神经元模型 119
11.3 人工神经网络的互连结构 120
11.3.1 单层或两层网络结构 120
11.3.2 多层网络结构 121
11.4 感知器及其训练法则 122
11.4.1 感知器的定义与空间划分 122
11.4.2 感知器训练法则 125
11.4.3 梯度下降和delta法则 126
11.4.4 梯度下降的随机近似 128
11.5 多层网络和反向传播算法 129
11.5.1 可微阈值单元 129
11.5.2 反向传播算法 129
11.5.3 反向传播算法的说明 132
11.6 Hopfield网络及其学习 133
11.6.1 Hopfield网络的结构 133
11.6.3 Hopfield网络学习算法 134
11.6.2 Hopfield模型的稳定性 134
小结 135
习题 135
第12章 遗传算法 137
12.1 遗传算法概述 137
12.1.1 遗传算法的产生与发展 137
12.1.2 遗传算法中的基本概念 137
12.1.3 遗传算法的基本结构 139
12.1.4 遗传算法的基本特征 139
12.2 Holland遗传算法 140
12.3.1 遗传算法的编码方法 142
12.3 遗传算法的设计与实现 142
12.3.2 适应度值量度 145
12.3.3 遗传算法的基本操作 147
12.3.4 参数控制 150
12.4 Holland遗传算法的改进 153
12.4.1 Holland遗传算法改进的思考方法 153
12.4.2 Micro遗传算法 155
12.4.3 变种群规模的遗传算法 155
12.4.4 自适应遗传进化算法 156
12.4.5 并行遗传算法 157
12.5.2 未成熟收敛问题 159
12.5 遗传算法的收敛性 159
12.5.1 遗传算法收敛性的定义 159
12.5.3 遗传算法收敛性的结论 160
12.6 遗传算法的应用举例 160
12.6.1 组合优化问题 160
12.6.2 作业车间调度问题 162
小结 164
习题 165
13.1 进化策略 166
13.1.1 进化策略的算法模型 166
第13章 其它计算智能方法 166
13.1.2 进化策略和遗传算法的区别 167
13.2 进化编程 167
13.2.1 进化编程的机理与表示 167
13.2.2 进化编程的步骤 168
13.3 人工生命 169
13.3.1 人工生命研究的起源和发展 169
13.3.2 人工生命的定义和研究意义 169
13.3.3 人工生命的研究内容和方法 170
13.4 粒群优化 172
13.3.4 人工生命的实例 172
13.4.1 群智能和粒群优化概述 173
13.4.2 粒群优化算法 174
13.5 蚁群算法 176
13.5.1 蚁群算法基本原理 176
13.5.2 蚁群系统模型 177
小结 179
习题 179
14.1.1 萌芽 180
14.1 自然语言理解的发展 180
第四篇 自然语言理解与感知 180
第14章 概述 180
14.1.2 发展 181
14.1.3 繁荣 182
14.2 自然语言的构成 182
14.3 自然语言理解的层次 183
第15章 语法分析和语义分析 186
15.1 短语结构语法理论与乔姆斯基语法体系 186
15.1.1 短语结构语法理论 186
15.1.2 乔姆斯基语法体系 187
15.2.1 有限状态转移网络 189
15.2 乔姆斯基语法体系的网络表示 189
15.2.2 递归转移网络 191
15.2.3 扩充转移网络 191
15.3 语法分析 194
15.3.1 自顶向下分析算法 194
15.3.2 自底向上分析算法 196
15.3.3 带有属性限制的语法 198
15.4 语义分析 201
15.4.1 在语法规则中编码语义结构 202
15.4.2 将语法结构编码进词典 205
15.5 语境分析 207
习题 208
小结 208
第16章 基于语料库的自然语言理解 211
16.1 基于概率分布的语言模型 211
16.2 基于上下文信息的语言建模 212
16.2.1 基于随机过程理论的模型构造 213
16.2.2 基于信息论最大熵方法的模型构造 214
16.3 基于组合思想的语言建模 215
16.3.1 利用插值法构造新的模型 215
16.3.2 利用加权方法构造新的模型 215
16.4.2 数据稀疏问题的解决 216
16.4.3 语言模型的性能分析 216
16.4 语言模型的相关问题 216
16.4.1 语言模型参数的确定 216
小结 217
习题 217
第17章 计算机视觉 218
17.1 图像的产生 218
17.1.1 二维图像的获取 218
17.1.2 立体成像 219
17.2.1 图像的边缘检测 220
17.2 图像的处理 220
17.2.2 分割 221
17.3 图像的描述 222
17.3.1 边缘距离的计算 222
17.3.2 表面方向的计算 223
17.4 视觉的知识表示 227
17.4.1 视觉信息的语义网络表示 227
17.4.2 位置网络 228
17.5 物体形状的分析与识别 229
17.5.1 复杂形状物体的表示 229
17.5.2 物体形状识别方法 232
小结 234
习题 234
第18章 语音处理 235
18.1 组成单词读音的基本单元 235
18.2 信号处理 236
18.3 语音识别的隐Morkov模型 238
小结 243
习题 244
19.1.1 起源 245
19.1 什么是分布式人工智能 245
第19章 概述 245
第五篇 分布式人工智能 245
19.1.2 分布式人工智能的特点 246
19.1.3 分布式人工智能的分类 246
19.1.4 分布式人工智能系统的研究发展 246
19.2 分布式问题求解 247
19.2.1 分布式问题求解的概述 247
19.2.2 分布式问题的求解过程与方法 247
20.1 Agent的基本结构 249
20.1.1 什么是Agent 249
第20章 Agent技术 249
20.1.2 Agent的基本结构 250
20.1.3 Agent的结构分类 251
20.2 Agent通信 253
20.2.1 Agent间的协作与通信 253
20.2.2 交谈的规划与实现 254
20.2.3 Agent系统的通信语言 256
20.3 多Agent系统 257
20.3.1 多Agent系统的基本模型 257
20.3.2 多Agent系统的体系结构 258
20.3.3 多Agent系统的协作、协商与协调 262
20.3.4 多Agent系统的学习与规划 264
20.3.5 多Agent系统的应用 265
小结 266
习题 266
第六篇 人工智能的应用 268
第21章 汉语自然语言处理 268
21.1 语音识别中的音字转换技术 268
21.1.1 汉语声音语句输入的特点 268
21.1.2 汉语声音语句输入系统的结构 269
21.1.3 汉语声音语句输入的实现 270
21.2.1 自动文摘系统的构成 271
21.2 汉语自动文摘技术 271
21.2.2 文本的内部表示方法 272
21.2.3 基于浅层分析的文摘技术 272
21.2.4 基于实体分析的文摘技术 273
21.2.5 基于话语结构的文摘技术 274
21.3 信息检索技术 276
21.3.1 信息检索的定义与术语 276
21.3.2 信息检索系统的构成 277
21.3.3 信息检索的统计模型 277
22.1 印刷体文字识别系统的构成 280
第22章 光学字符识别技术 280
22.2 汉字图像预处理技术 281
22.2.1 二值化 281
22.2.2 版面分析 282
22.2.3 倾斜自动测量 282
22.2.4 版面切分 282
22.2.5 行、字分割 283
22.2.6 细化和规范化 283
22.3 汉字笔段特征抽取与识别 283
22.3.2 汉字笔画的分类 284
22.3.1 笔段特征抽取的方法 284
22.3.3 汉字笔画的方向编码 285
22.3.4 汉字笔画方向码合并处理及笔画识别 286
22.3.5 汉字笔画间特征量的定义 286
22.3.6 基于整字匹配的汉字识别 287
第23章 移动Agent技术 289
23.1 移动Agent系统结构及其关键技术 289
23.1.1 移动Agent系统结构 289
23.1.2 移动Agent系统的关键技术 290
23.1.3 典型的Agent系统 291
23.2.2 基于移动Agent的协作信息中间件CISOM 292
23.2.1 电子商务系统模型B-CISOM 292
23.1.4 移动Agent的开发 292
23.2 移动Agent在电子商务中的应用 292
23.2.3 CISOM的设计与实现 293
23.2.4 基于CISOM的B2B协作电子商务系统B-CISOM 294
23.3 移动Agent在信息安全中的应用 295
23.3.1 入侵检测系统IDS 295
23.3.2 传统的入侵检测系统 295
23.3.3 基于移动Agent的分布式入侵检测模型 296
23.3.4 NIABDIDS实现的关键技术及解决方案 298
23.4.2 信息搜索工作流程 299
23.4 移动Agent在信息服务中的应用 299
23.4.1 基于移动Agent的Web服务 299
小结 300
第七篇 人工智能的现在与未来 301
第24章 对人工智能的思考 301
24.1 专家系统对知识的滥用 301
24.2 强人工智能与弱人工智能 303
24.3 人工智能的极限 304
参考文献 306