第1章 绪论 1
1.1 什么是人工智能 1
1.1.1 类人行为方法 1
1.1.2 类人思维方法 3
1.1.3 理性思维方法 4
1.1.4 理性行为方法 5
1.2 人工智能的发展 5
1.2.1 人工智能的孕育期 5
1.2.2 人工智能的形成期 6
1.2.3 基于知识的系统 8
1.2.4 神经网络的复兴 11
1.2.5 智能主体的兴起 11
1.3 人工智能的研究内容 12
1.3.1 知识表示 13
1.3.2 自动推理 13
1.3.3 机器学习 15
1.4 人工智能研究的主要方法 15
1.4.1 符号主义 15
1.4.2 连接主义 16
1.4.3 行为主义 17
1.5 人工智能的应用 18
1.5.1 专家系统 18
1.5.2 数据挖掘 19
1.5.3 语义Web 19
1.5.4 自然语言理解 20
1.5.5 机器人 21
1.5.6 模式识别 21
1.5.7 智能控制 22
1.5.9 自动证明定理 23
1.5.8 博弈 23
1.6 小结 24
习题 25
第2章 知识表示 26
2.1 概述 26
2.2 谓词逻辑表示法 27
2.3 产生式表示法 33
2.3.1 事实的表示 34
2.3.2 规则的表示 35
2.4.1 语义网络的概念和结构 40
2.4 语义网络表示法 40
2.4.2 复杂知识的表示 41
2.4.3 常用的语义联系 43
2.4.4 语义网络的推理 44
2.5 框架表示法 45
2.4.1 框架结构 46
2.4.2 框架网络 48
2.4.3 推理方法 50
2.6.1 脚本描述 52
2.6 脚本 52
2.6.2 概念依赖关系 54
2.7 概念图 57
2.8 面向对象的知识表示 59
2.9 小结 60
习题 60
第3章 搜索策略 63
3.1 引言 63
3.2 深度优先搜索 65
3.3 宽度优先搜索 66
3.4 迭代加深搜索 68
3.5 回溯策略 71
3.6 启发式搜索 72
3.6.1 启发性信息和评估函数 73
3.6.2 爬山法 74
3.6.3 模拟退火法 75
3.6.4 最好优先法 77
3.6.5 通用图搜索算法 78
3.6.6 A＊算法 81
3.6.7 迭代加深A＊算法 86
3.7 问题归约和AND-OR图启发式搜索 87
3.7.1 问题归约的描述 88
3.7.2 AND-OR图表示 88
3.7.3 AO＊算法 90
3.8 博弈 96
3.8.1 极大极小过程 98
3.8.2 α-β过程 100
3.9 约束满足搜索 102
3.9 小结 106
习题 107
4.1 引言 109
第4章 自动推理 109
4.2 三段论推理 111
4.3 产生式系统 113
4.3.1 产生式系统的基本结构 113
4.3.2 正向推理 116
4.3.3 反向推理 117
4.3.4 混合推理 118
4.4 自然演绎推理 119
4.5.1 子句型 120
4.5 归结演绎推理 120
4.5.2 置换和合一 124
4.5.3 合一算法 126
4.5.4 归结式 128
4.5.5 归结反演 130
4.5.6 答案的提取 132
4.5.7 归结反演的搜索策略 134
4.6 非单调推理 136
4.6.1 默认推理 136
4.6.2 限制推理 140
4.7 小结 143
习题 144
第5章 不确定性推理 146
5.1 概述 146
5.1.1 知识的不确定性 146
5.1.2 不确定推理要解决的基本问题 147
5.1.3 不确定性推理方法分类 150
5.2 主观Bayes方法 151
5.2.1 Bayes公式 151
5.2.2 知识不确定性的表示 153
5.2.4 组合证据不确定性的计算 157
5.2.3 证据不确定性的表示 157
5.2.5 不确定性的传递算法 158
5.2.6 结论不确定性的合成 160
5.3 可信度方法 162
5.3.1 建造医学专家系统时的问题 162
5.3.2 可信度模型 163
5.3.3 确定性方法的说明 169
5.4 证据理论 171
5.4.1 假设的不确定性 171
5.4.2 证据的组合函数 175
5.4.3 规则的不确定性 176
5.4.4 不确定性的组合 177
5.5 模糊逻辑和模糊推理 180
5.5.1 模糊集合及其运算 180
5.5.2 语言变量 182
5.5.3 模糊逻辑 183
5.5.4 模糊推理 184
5.6 小结 194
习题 195
6.1.1 简单的学习模型 197
6.1 机器学习概述 197
第6章 机器学习 197
6.1.2 什么是机器学习 199
6.1.3 机器学习的研究概况 200
6.2 归纳学习 202
6.2.1 归纳学习的基本概念 202
6.2.2 变型空间学习 203
6.3 基于决策树的归纳学习方法 206
6.3.1 决策树及其构造方法 206
6.3.2 基本的决策树学习算法 208
6.4 类比学习 211
6.5 基于范例的学习 212
6.5.1 CBR的过程模型 213
6.5.2 范例的表示和索引 213
6.5.3 基于范例的推理 214
6.5.4 范例的学习 217
6.6 解释学习 218
6.6.1 什么是解释学习 218
6.6.2 基于解释的学习过程 220
6.7.1 最优分类超平面 221
6.7 支持向量机 221
6.7.2 广义最优分类超平面 223
6.7.3 支持向量机 224
6.7.4 核函数 225
6.7.5 SVM的算法及多类SVM 226
6.7.6 ε-不敏感损失函数 227
6.7.7 用于非线性回归的支持向量机 228
6.7.8 SVM的应用研究 231
6.8 强化学习 231
6.8.1 学习自动机 232
6.8.2 自适应动态程序设计 233
6.8.3 Q-学习 234
6.9 小结 235
习题 237
第7章 专家系统 239
7.1 专家系统概述 239
7.1.1 什么是专家系统 239
7.1.2 专家系统的特点 240
7.1.3 专家系统的发展史 241
7.2 专家系统的基本结构 241
7.3 专家系统MYCIN 243
7.3.1 咨询子系统 244
7.3.2 静态数据库 246
7.3.3 控制策略 248
7.4 产生式专家系统工具CLIPS 250
7.4.1 概述 250
7.4.2 CLIPS中的知识表示 250
7.4.3 CLIPS运行 255
7.4.4 Rete匹配算法 257
7.4.5 冲突消解策略 264
7.5 面向对象专家系统工具OKPS 265
7.5.1 OKPS中的知识表示 266
7.5.2 推理控制语言ICL 268
7.6 专家系统建造 270
7.6.1 任务确定与需求分析 270
7.6.2 概念设计 272
7.6.3 功能设计 273
7.6.4 结构设计 273
7.6.5 知识获取 273
7.6.6 知识表示模式的设计 274
7.6.9 测试与评估 275
7.6.8 具体实现 275
7.6.7 功能模块的详细设计 275
7.7 小结 277
习题 278
第8章 自然语言理解 279
8.1 自然语言理解的一般问题 279
8.1.1 自然语言理解的概念及意义 279
8.1.2 自然语言理解研究的发展 280
8.1.3 自然语言理解的层次 283
8.2 词法分析 284
8.3.1 短语结构语法 285
8.3 句法分析 285
8.3.2 乔姆斯基形式语法 286
8.3.3 句法分析树 288
8.3.4 转移网络 289
8.3.5 扩充转移网络 291
8.4 语义分析 294
8.4.1 语义文法 294
8.4.2 格文法 295
8.5 大规模真实文本的处理 297
8.5.1 语料库语言学及其特点 297
8.5.2 统计学方法的应用及所面临的问题 300
8.5.3 汉语语料库加工的基本方法 301
8.6 语用分析 305
8.7 机器翻译 306
8.8 Web信息抽取 308
8.8.1 搜索引擎 308
8.8.2 搜索引擎的中文分词技术 311
8.9 小结 312
习题 313
9.1 引言 314
第9章 本体知识系统 314
9.2 本体的基本概念 317
9.2.1 本体的定义 318
9.2.2 本体的作用 319
9.2.3 本体的种类 320
9.3 本体描述语言 321
9.3.1 OWL 321
9.3.2 RDF/S 322
9.3.5 WordNet的语义网络 323
9.3.4 CycL 323
9.3.3 都柏林核心元数据集 323
9.4 本体构建 324
9.4.1 本体构建方法学 325
9.4.2 手工方式的本体构建 328
9.4.3 基于文本的本体自动构建 330
9.4.4 基于结构化数据的本体构建 333
9.5 本体映射 334
9.5.1 本体映射体系结构 334
9.5.2 本体映射方法分类 335
9.5.3 本体映射原型系统 337
9.6 本体演化 339
9.7 本体知识管理 340
9.7.1 Protégé 341
9.7.2 KAON 342
9.7.3 知识管理系统KMSphere 343
9.8 大规模知识系统 346
9.8.1 Cyc系统 346
9.8.2 e-Science 347
9.9 小结 348
习题 349
第10章 主体技术 350
10.1 主体 350
10.2 主体结构 352
10.2.1 慎思主体 352
10.2.2 反应主体 354
10.2.3 BDI主体 356
10.2.4 层次主体 359
10.3 主体通信语言ACL 362
10.3.1 主体间通信概述 362
10.3.2 FIPA ACL消息 364
10.4.1 引言 369
10.4 协调和协作 369
10.4.2 合同网 372
10.4.3 基于生态学的协作 375
10.4.4 基于对策论的协商 376
10.4.5 基于意图的协商 377
10.5 移动主体 377
10.6 多主体环境MAGE 380
10.6.1 MAGE系统框架结构 380
10.6.3 可视化主体开发环境VAStudio 381
10.6.2 主体统一建模语言AUML 381
10.6.4 MAGE运行平台 383
10.6.5 主体网格智能平台AGrIP 384
10.7 小结 385
习题 386
第11章 计算智能 387
11.1 神经网络概述 387
11.1.1 引言 387
11.1.2 神经网络的发展过程 387
11.1.4 神经网络的学习方法 389
11.1.3 基本的神经网络模型 389
11.2 感知机 390
11.2.1 基本神经元 390
11.2.2 感知机模型 392
11.3 前馈神经网络 393
11.3.1 前馈神经网络模型 393
11.3.2 误差反向传播算法 394
11.3.3 BP算法的若干改进 396
11.4.1 离散Hopfield网络 398
11.4 Hopfield网络 398
11.4.2 连续Hopfield网络 404
11.4.3 Hopfield网络应用 406
11.4.4 双向联想记忆（BAM）模型 406
11.5 随机神经网络 408
11.5.1 模拟退火算法 408
11.5.2 玻耳兹曼机 411
11.6 自组织特征映射神经网络 415
11.6.1 网络的拓扑结构 415
11.6.2 网络自组织算法 416
11.7 遗传算法 417
11.6.3 有教师学习 417
11.7.1 遗传算法的研究内容 418
11.7.2 遗传算法的描述 419
11.7.3 遗传算法的特点 423
11.8 人工生命 425
11.9 小结 427
习题 428
第12章 展望 431
12.1 智能的认知基础 431
12.2 机器学习 432
12.3 脑机接口 433
12.4 人工脑 434
12.5 智能机器人 436
12.6 智能计算机 437
12.7 智能互联网 438
12.8 知识产业 439
12.9 人类水平的人工智能 439
12.10 结束语 440
习题 440
参考文献 442