1.1 什么是人工智能 1
1.1.1 智能的解释 1
第1章 绪论 1
1.1.2 人工智能的解释 3
1.1.3 计算机与人工智能 6
1.1.4 人类智能与人工智能 7
1.1.5 人工智能的研究目标 7
1.1.6 人工智能中的通用问题求解方法 8
1.2 人工智能的发展简史及趋势 9
1.2.1 人工智能发展简史 9
1.2.2 人工智能发展趋势 13
1.3.1 人工智能的研究方法 14
1.3 人工智能的研究方法及基本内容 14
1.3.2 人工智能研究的基本内容 16
1.4 人工智能的基本技术 18
1.5 人工智能的主要研究领域及实践 20
1.5.1 人工智能的主要研究领域 20
1.5.2 人工智能实践 26
习题 28
第2章 知识及知识的表示 29
2.1 概述 29
2.1.1 知识 29
2.1.2 知识表示 31
2.2.2 谓词逻辑表示知识的举例 33
2.2.1 知识的谓词逻辑表示法 33
2.2 一阶谓词逻辑表示法 33
2.2.3 一阶谓词逻辑表示法的特点 36
2.3 产生式表示法 36
2.3.1 产生式的基本形式 37
2.3.2 产生式表示知识的方法 37
2.3.3 产生式系统的组成 38
2.3.4 产生式系统的推理方式 39
2.3.5 产生式表示法的特点 40
2.4 框架表示法 41
2.4.1 框架的构成 41
2.4.2 框架表示知识举例 43
2.4.3 框架系统的推理 45
2.4.4 框架表示法的特点 46
2.5 语义网络表示法 47
2.5.1 语义网络的概念及结构 47
2.5.2 语义网络的基本语义联系 48
2.5.3 语义网络表示知识的方法及步骤 51
2.5.4 语义网络知识表示举例 54
2.5.5 语义网络的推理过程 56
2.5.6 语义网络表示法的特点 57
2.6 面向对象表示法 57
2.6.1 面向对象的基本概念 57
2.6.2 面向对象的知识表示 59
习题 59
3.1.1 推理定义 62
3.1.2 推理方式及分类 62
3.1 基本概念 62
第3章 经典逻辑推理 62
3.1.3 推理的控制策略 65
3.1.4 模式匹配 70
3.2 自然演绎推理 73
3.2.1 自然演绎推理的基本概念 73
3.2.2 利用演绎推理解决问题 73
3.3 归结演绎推理 74
3.3.1 子句 75
3.3.2 Herbrand理论 76
3.3.3 鲁滨孙归结原理 78
3.3.4 归结策略 81
3.3.5 使用归结原理证明问题 84
3.3.6 用归结原理求解问题 87
3.4 与／或形演绎推理 88
3.4.1 与／或形正向演绎推理 89
3.4.2 与／或形逆向演绎推理 91
3.4.3 与／或形双向演绎推理 92
3.4.4 一致解图与剪枝策略 93
习题 93
第4章 不确定性推理 97
4.1 不确定性推理中的基本问题 97
4.2 不确定性推理方法分类 100
4.3 概率方法 101
4.3.1 经典概率方法 101
4.3.2 Bayes定理 101
4.3.3 逆概率方法的基本思想 102
4.3.4 逆概率方法的优缺点 103
4.4 主观Bayes方法 104
4.4.1 知识不确定性的表示 104
4.4.2 证据不确定性的表示 106
4.4.3 不确定性的传递算法 106
4.4.4 结论不确定性的合成算法 108
4.4.5 例子 108
4.4.6 主观Bayes方法的主要优缺点 109
4.5 可信度方法 109
4.5.1 可信度概念 110
4.5.2 C-F模型 110
4.5.3 可信度方法应用举例 113
4.6.1 基本概念 115
4.6 证据理论 115
4.6.2 D-S理论 116
4.6.3 知识不确定性的表示 122
4.6.4 证据不确定性的表示 122
4.6.5 例子 124
4.6.6 证据理论的主要优缺点 125
习题 126
第5章 搜索问题求解 129
5.1 基本概念 129
5.2 状态空间搜索 130
5.2.1 问题的状态空间表示 130
5.2.2 状态空间的穷搜索法 132
5.2.3 启发式搜索法 134
5.3.1 问题归约描述 137
5.3 问题归约法 137
5.3.2 与或图表示 138
5.3.3 AO*算法 139
5.4 博弈树搜索 143
5.4.1 极大极小过程 144
5.4.2 α—β过程 146
习题 148
第6章 机器学习 151
6.1 机器学习的概念 151
6.1.1 机器学习的发展历史 151
6.1.2 什么是机器学习 152
6.1.3 机器学习分类 154
6.2 示例学习 157
6.2.1 示例学习的两个空间模型 158
6.2.2 示例学习的一个变种——决策树学习算法 162
6.3 基于解释的学习 167
6.3.1 基于解释学习的工作原理 167
6.3.2 基于解释学习的方法举例 168
6.4 基于案例的推理 170
6.4.1 CBR系统的特点 170
6.4.2 CBR系统的体系结构 171
6.4.3 学习方法 173
6.4.4 结论 176
6.5 加强学习 176
6.5.1 加强学习基本方法 177
6.5.3 结论 179
6.5.2 加强学习技术目前主要研究方向 179
习题 180
第7章 遗传算法 182
7.1 遗传算法简介 182
7.1.1 遗传算法的起源 182
7.1.2 设计遗传算法的基本原则 183
7.1.3 设计遗传算法的基本步骤 184
7.1.4 遗传算法的主要特点 185
7.1.5 遗传算法的研究内容和应用前景 185
7.2 基本遗传算法 186
7.2.1 编码表示 187
7.2.2 适应性的度量 188
7.2.3 选择策略 189
7.2.4 遗传算子的设计 190
7.3 函数优化 193
7.3.1 问题描述 194
7.3.2 种群的初始化 194
7.3.3 选择策略 195
7.3.4 遗传算子 196
7.4 旅行商问题 198
7.4.1 旅行商问题的描述 198
7.4.2 个体的编码表示 199
7.4.3 杂交算子 200
7.4.4 变异算子 203
7.4.5 实验仿真 204
习题 205
8.1.1 数据挖掘的定义 206
第8章 数据挖掘 206
8.1 数据挖掘概述 206
8.1.2 数据挖掘与数据库中的知识发现 207
8.1.3 数据挖掘研究的理论基础 208
8.1.4 数据挖掘与其他数据处理方法的区别及联系 209
8.1.5 数据挖掘的内容 211
8.1.6 数据挖掘的研究历史和现状 213
8.2 数据挖掘技术简介 213
8.2.1 分类和预测 214
8.2.2 聚类分析 217
8.3 关联规则挖掘 221
8.3.1 关联规则概述 221
8.3.3 经典关联规则挖掘算法 223
8.3.2 关联规则的分类 223
8.3.4 多层关联规则挖掘 229
8.4 序列模式挖掘 230
8.4.1 序列模式的概念及定义 230
8.4.2 序列模式的发现 232
8.4.3 序列阶段的算法 233
8.5 Web挖掘 237
8.5.1 概述 237
8.5.2 Web内容挖掘 238
8.5.3 Web结构挖掘 239
8.6 数据挖掘的研究热点与发展趋势 240
8.6.1 研究热点 240
8.5.4 Web使用记录挖掘 240
8.6.2 发展趋势 242
习题 243
第9章 模式识别 245
9.1 概论 245
9.1.1 预处理 246
9.1.2 特征和模式基元选择 246
9.1.3 识别 246
9.2 统计模式识别 247
9.2.1 决策理论方法 247
9.2.2 统计分类法 251
9.2.3 特征的提取与选择 254
9.3.1 监督分类方法 256
9.3 监督与非监督分类方法 256
9.3.2 非监督分类法 264
9.4 结构模式识别 267
9.4.1 概述 267
9.4.2 结构模式识别系统 268
9.4.3 模式基元的选择与抽取 269
9.4.4 模式文法 270
9.4.5 串的识别与分析 273
9.5 神经网络模式识别 274
9.5.1 人工神经网络概述 274
9.5.2 BP模型及其在模式识别中的应用 276
习题 279
参考文献 280