目录

第1章绪论

1.1什么是人工智能

1.1.1智能的定义

1.1.2人工智能的定义

1.2人工智能的发展

1.2.1孕育期

1.2.2摇篮期

1.2.3形成期

1.2.4发展期

1.2.5实用期

1.2.6稳步增长期

1.3人工智能的研究方法

1.3.1符号主义

1.3.2连接主义

1.3.3行为主义

1.4人工智能的应用领域

1.4.1机器学习

1.4.2知识发现和数据挖掘

1.4.3专家系统

1.4.4模式识别

1.4.5自然语言处理

1.4.6智能决策支持系统

1.4.7人工神经网络

1.4.8自动定理证明

1.4.9机器人学

1.4.10分布式人工智能与智能体

1.5小结

习题

第2章知识表示

2.1概述

2.1.1知识与知识表示

2.1.2知识表示方法

2.2谓词逻辑表示法

2.2.1命题逻辑

2.2.2谓词逻辑

2.3产生式表示法

2.3.1产生式可表示的知识种类及其基本形式

2.3.2知识的表示方法

2.3.3产生式系统的组成

2.3.4产生式系统的推理方式

2.3.5产生式表示法的特点

2.4语义网络表示法

2.4.1语义网络的概念及结构

2.4.2语义网络的基本语义联系

2.4.3语义网络表示知识的方法及步骤

2.4.4语义网络知识表示举例

2.4.5语义网络的推理过程

2.4.6语义网络表示法的特点

2.5框架表示法

2.5.1框架结构

2.5.2框架表示知识举例

2.5.3推理方法

2.5.4框架表示法的特点

2.6脚本表示法

2.6.1脚本的定义与组成

2.6.2用脚本表示知识的步骤

2.6.3用脚本表示知识的推理方法

2.6.4脚本表示法的特点

2.7面向对象的知识表示

2.7.1面向对象的基本概念

2.7.2面向对象的知识表示

2.7.3面向对象方法学的主要观点

2.8小结

习题

第3章搜索策略

3.1引言

3.2基于状态空间图的搜索技术

3.2.1图搜索的基本概念

3.2.2状态空间搜索

3.2.3一般图的搜索算法

3.3盲目搜索

3.3.1宽度优先搜索

3.3.2深度优先搜索

3.3.3有界深度搜索和迭代加深搜索

3.3.4搜索最优策略的比较

3.4启发式搜索

3.4.1启发性信息和评估函数

3.4.2启发式搜索算法A

3.4.3实现启发式搜索的关键因素和A*算法

3.4.4迭代加深A*算法

3.4.5回溯策略和爬山法

3.5问题规约和与／或图启发式搜索

3.5.1问题规约

3.5.2与/或图表示

3.5.3与/或图的启发式搜索

3.6博弈

3.6.1极大极小过程

3.6.2αβ过程

3.7小结

习题

第4章确定性推理

4.1概述

4.1.1推理的概述和类型

4.1.2推理的控制策略

4.2推理的逻辑基础

4.3自然演绎推理

4.4归结演绎推理

4.4.1子句型

4.4.2鲁滨逊归结原理

4.4.3归结演绎推理的归结策略

4.4.4用归结反演求取问题的答案

4.5小结

习题

第5章不确定性推理

5.1概述

5.1.1什么是不确定性推理

5.1.2知识不确定性的来源

5.1.3不确定推理要解决的基本问题

5.1.4不确定性推理方法分类

5.2主观Bayes方法

5.2.1知识不确定性的表示

5.2.2证据不确定性的表示

5.2.3不确定性的更新

5.2.4结论不确定性的合成算法

5.3可信度方法

5.3.1可信度模型

5.3.2确定性方法的说明

5.4证据理论

5.4.1证据的不确定性

5.4.2证据的组合函数

5.4.3规则的不确定性

5.4.4不确定性的组合

5.5模糊推理

5.5.1模糊数学的基本知识

5.5.2模糊假言推理

5.6小结

习题

第6章机器学习

6.1机器学习概述

6.1.1学习与机器学习

6.1.2学习系统

6.1.3机器学习的发展简史

6.1.4机器学习分类

6.1.5机器学习的应用与研究目标

6.2归纳学习

6.2.1归纳学习的基本概念

6.2.2变型空间学习

6.2.3归纳偏置

6.3决策树学习

6.3.1决策树的组成及分类

6.3.2决策树的构造算法CLS

6.3.3基本的决策树算法ID3

6.3.4决策树的偏置

6.4基于实例的学习

6.4.1k近邻算法

6.4.2距离加权最近邻法

6.4.3基于范例的学习

6.5强化学习

6.5.1强化学习模型

6.5.2马尔可夫决策过程

6.5.3Q学习

6.6小结

习题

第7章专家系统

7.1专家系统概述

7.1.1专家系统的主要特性

7.1.2专家系统的结构与类型

7.2基于规则的专家系统

7.2.1基于规则的专家系统的基本结构

7.2.2基于规则的专家系统的特点

7.2.3基于规则的专家系统举例

7.3基于框架的专家系统

7.3.1基于框架的专家系统简介

7.3.2基于框架的专家系统的继承、槽和方法

7.3.3基于框架的专家系统举例

7.4基于模型的专家系统

7.4.1基于模型的专家系统的概念

7.4.2基于模型的专家系统举例

7.5专家系统的开发

7.5.1开发步骤

7.5.2知识的获取

7.5.3专家系统的开发工具及环境

7.6专家系统设计举例

7.6.1专家知识的描述

7.6.2知识的使用

7.6.3决策的解释

7.6.4MYCIN系统

7.7新型专家系统

7.8小结

习题

第8章支持向量机

8.1概述

8.2统计学习理论

8.2.1学习问题的表示

8.2.2期望风险和经验风险

8.2.3VC维理论

8.2.4推广性的界

8.2.5结构风险最小化

8.3支持向量机

8.3.1函数集结构的构造

8.3.2支持向量机

8.4核函数

8.4.1概述

8.4.2核函数的分类

8.5SVM的算法及多类SVM

8.5.1SVM的算法

8.5.2多类问题中的SVM

8.6ε不敏感损失函数和非线性回归的SVM

8.6.1ε不敏感损失函数

8.6.2非线性回归SVM模型

8.7SVM的应用

8.7.1人脸检测、验证和识别

8.7.2说话人/语音识别

8.7.3文字/手写体识别

8.7.4图像处理

8.8小结

习题

第9章神经计算

9.1人工神经元模型

9.2感知器

9.2.1感知器的结构

9.2.2感知器学习算法

9.3反向传播网络

9.3.1BP网络的结构

9.3.2BP网络的学习算法

9.4自组织映射神经网络

9.4.1SOM网络结构

9.4.2SOM网络的学习算法

9.5Hopfield网络

9.5.1离散Hopfield网络的结构

9.5.2离散Hopfield 网络的稳定性

9.5.3离散Hopfield 网络的学习算法

9.6脉冲耦合神经网络

9.6.1PCNN的结构

9.6.2PCNN的学习算法

9.7神经计算的发展趋势

9.8小结

习题

第10章进化计算

10.1概述

10.2遗传算法

10.2.1遗传算法的基本原理

10.2.2遗传算法的应用示例

10.2.3模式定理

10.2.4遗传算法的改进

10.3进化规划

10.3.1标准进化规划及其改进

10.3.2进化规划的基本技术

10.4进化策略

10.4.1进化策略及其改进

10.4.2进化策略的基本技术

10.5GA、EP、ES的异同

10.6小结

习题

第11章人工智能的争论与展望

11.1人工智能的争论

11.1.1对人工智能理论的争论

11.1.2对人工智能方法的争论

11.1.3对人工智能技术路线的争论

11.1.4对强弱人工智能的争论

11.2人工智能的展望

11.2.1更新的理论框架

11.2.2更好的技术集成

11.2.3更成熟的应用方法

11.2.4脑机接口

11.3小结

习题

参考文献