第1篇 基本人工智能

 第1章 绪论 3

 11 什么是人工智能 3

 111 人工智能的定义  3

 112 人工智能研究的目标  4

 12 人工智能的发展 4

 121 人工智能的孕育期 4

 122 摇篮期 5

 123 形成期 5

 124 发展期 6

 125 实用期 7

 126 稳步增长期 8

 13 人工智能的研究方法 8

 131 符号主义 8

 132 连接主义 9

 133 行为主义 9

 14 人工智能的应用领域 9

 141 机器学习 9

 142 问题求解 10

 143 专家系统  10

 144 模式识别 10

 145 自然语言处理 11

 146 智能决策支持系统  11

 147 人工神经网络  11

 148 自动定理证明 12

 149 机器人学 12

 15 本章小结 12

 习题1 13

 第2章 知识表示 14

 21 概述 14

 211 知识与知识表示 14

 212 知识表示方法 15

 22 谓词逻辑表示法 16

   221 命题逻辑 16

   222 谓词逻辑  18

 23 产生式表示法 22

   231 产生式可表示的知识种类及其基本形式 23

   232 知识的表示方法 23

   233 产生式系统的组成 24

   234 产生式系统的推理方式 25

   235 产生式表示法的特点 26

 24  语义网络表示法 28

   241 语义网络的概念及结构 28

   242 语义网络的基本语义联系 29

   243 语义网络表示知识的方法及步骤 31

   244 语义网络知识表示举例 34

   245 语义网络的推理过程 35

   246 语义网络表示法的特点 36

 25 框架表示法 37

   251 框架结构 37

   252 框架表示知识举例  39

   253 推理方法 40

   254 框架表示法的特点  40

 26 脚本表示法 41

   261 脚本的定义与组成 41

   262 用脚本表示知识的步骤 43

   263 用脚本表示知识的推理方法 44

   264 脚本表示法的特点 45

 27 状态空间表示法 45

   271 问题状态空间的构成 45

   272 用状态空间表示问题的步骤 46

   273 利用状态空间求解问题的过程 46

 28 面向对象的知识表示 48

   281 面向对象的基本概念 48

   282 面向对象的知识表示 49

   283 面向对象方法学的主要观点 50

 29 本章小结 50

 习题2 51



第3章 搜索策略 53

 31 引言 53

 32 基于状态空间图的搜索技术 54

   321 图搜索的基本概念 55

   322 状态空间搜索 55

   323 一般图的搜索算法 60

 33 盲目搜索 61

   331 宽度优先搜索 61

   332 深度优先搜索 63

   333 有界深度搜索和迭代加深搜索 65

   334 搜索最优策略的比较 66

 34 启发式搜索 67

   341 启发性信息和评估函数 67

   342 启发式搜索A算法 68

   343 实现启发式搜索的关键因素和A*算法 69

   344 迭代加深A*算法  72

   345 爬山法和回溯策略 73

 35 问题规约和与或图启发式搜索 74

   351 问题规约 74

   352 与或图表示 76

   353 与或图的启发式搜索 78

 36 博弈 81

   361 极大极小过程  83

   362  α β 过程  85

 37 本章小结 87

 习题3 87

第4章 确定性推理 89

 41 推理技术概述 89

   411 推理的概述和类型 89

   412 推理的控制策略 92

 42 推理的逻辑基础 93

   421 谓词与个体  93

   422 谓词公式的永真性和可满足性 94

 43 自然演绎推理 96

 44 归结演绎推理 97

   441 子句型 97

   442 鲁滨逊归结原理 100

   443 归结演绎推理的归结策略 103

   444 用归结反演求取问题的答案 107

 45 本章小结 108

 习题4 109

第5章 不确定性推理 110

 51 概述 110

   511 什么是不确定性推理 110

   512 不确定性推理要解决的基本问题 111

   513 不确定性推理方法分类 112

 52 不确定性的表示和度量 113

   521 知识的不确定性 113

   522 证据的不确定性 114

   523 不确定性的表示 114

 53 主观Bayes方法 114

   531 知识不确定性的表示 115

   532 证据不确定性的表示 118

   533 不确定性的更新 119

   534 结论不确定性的合成算法 120

 54 可信度方法 123

   541 可信度模型 124

   542 确定性方法的说明 129

 55 证据理论 130

   551 证据的不确定性 130

   552 证据的组合函数 132

   553 规则的不确定性 133

   554 不确定性的组合 134

  56 本章小结 136

 习题5 137

第6章 机器学习 139

 61 机器学习概述 139

   611 机器学习的基本概念 139

   612 机器学习的发展简史 140

   613 机器学习分类 141

   614 机器学习的应用与研究目标 142

 62 归纳学习 142

   621 归纳学习的基本概念 143

   622 变型空间学习 144

   623 归纳偏置 146

 63 决策树学习 147

   631 决策树的组成及分类 147

   632 决策树的构造算法CLS 148

   633 基本的决策树算法ID3 150

   634 决策树的偏置 152

 64 基于实例的学习 153

   641 近邻算法 153

   642 距离加权最近邻法 154

   643 基于范例的学习 155

 65 强化学习 159

   651 强化学习模型 159

   652 马尔可夫决策过程 160

   653  学习 161

 66 本章小结 163

 习题6 164

第2篇 高级人工智能

第7章 支持向量机 169

 71 概述 169

 72 统计学习理论 170

   721 学习问题的表示 170

   722 期望风险和经验风险 171

   723 VC维理论  172

   724 推广性的界 173

   725 结构风险最小化 174

 73 支持向量机 175

   731 函数集结构的构造 175

   732 支持向量机 176

 74 核函数 179

   741 概述 179

   742 核函数的分类 180

 75 SVM的算法及多类SVM 181

   751 SVM的算法 181

   752 多类问题中的SVM 181

 76 SVM的应用现状 182

   761 人脸检测、验证和识别 182

   762 说话人/语音识别 182

   763 文字/手写体识别 182

   764 图像处理 183

 77 本章小结 183

第8章 神经计算 185

 81 人工神经元模型 185

 82 感知器 187

   821 感知器的结构 187

   822 感知器学习算法 188

 83 反向传播网络 190

   831 BP网络的结构 190

   832 BP网络的学习算法 190

 84 自组织映射神经网络 193

   841 SOM网络结构 193

   842 SOM网络的学习算法 194

 85 Hopfield网络 196

   851 离散Hopfield网络的结构 196

   852 离散Hopfield 网络的稳定性 197

   853 离散Hopfield 网络的学习算法 197

 86 脉冲耦合神经网络 198

   861 PCNN的结构 198

   862 PCNN的学习算法 198

 87 神经计算的发展趋势 199

 88 本章小结 200

 习题8 201

第9章 进化计算 202

 91 概述 202

 92 遗传算法 203

   921 遗传算法的基本原理 203

   922 遗传算法的应用示例 204

   923 模式定理 207

   924 遗传算法的改进 210

 93 进化规划 211

   931 标准进化规划及其改进 211

   932 进化规划的基本技术 213

 94 进化策略 214

   941 进化策略及其改进 214

   942 进化策略的基本技术 215

 95 GA、EP、ES的异同 216

 96 本章小结 217

 习题9 218

第10章 模糊计算 219

 101 模糊集合的概念 219

   1011 模糊集合的定义 219

   1012 模糊集合的表示方法 220

 102 模糊集合的代数运算 223

 103 正态模糊集和凸模糊集 226

 104 模糊关系 226

   1041 模糊关系 226

   1042 模糊关系的性质 227

 105 模糊逻辑推理 227

 106 模糊判决 229

 107 模糊计算在模式识别中的应用 230

   1071 最大隶属度原则 230

   1072 择近原则 231

 108 本章小结 232

 习题10 232

第11章 粗糙集 234

 111 概述 234

 112 基本粗糙集理论 236

 113 粗糙集中的知识表示 238

 114 知识约简 239

 115 知识的约简算法 241

   1151 信息系统的知识约简算法 241

   1152 决策表的知识约简算法 242

 116 本章小结 244

 习题11 244

第12章  粒度计算 245

 121 粒度计算概述 245

   1211 粒度计算的定义 245

   1212 粒度计算的基本成分 245

 122 粒度计算的基本问题 247

 123 几个粒度计算的典型模型 248

   1231 基于粗糙集理论的粒度计算模型 248

   1232 基于商空间的粒度计算模型 250

   1233 基于模糊集合论的词计算模型 253

   1234 三大模型之间的关系 256

 124 本章小结 258

 习题12 259

第3篇 展  望

第13章 人工智能的争论 263

 131 人工智能的学派 263

 132 对人工智能理论的争论 264

 133 对人工智能方法的争论 265

 134 对人工智能技术路线的争论 265

 135 对强弱人工智能的争论 266

   1351 强弱人工智能 266

   1352 对强人工智能的哲学争论 266

 136 本章小结 267

第14章 人工智能的展望 268

 141 人工智能的未来问题 268

   1411 更新的理论框架 268

   1412 更好的技术集成 269

   1413 更成熟的应用方法 269

 142 脑机接口 270

 143 本章小结 271

参考文献272