人工智能导论(第3版)

扉页 版权页 序 前言 目录 第1章 绪论 1.1 人工智能的概念 1.1.1 智能的定义 1.1.2 人工智能的定义 1.2 人工智能的产生和发展 1.2.1 孕育期(20 世纪50 年代中期以前) 1.2.2 形成及第一个兴旺期(20 世纪50 年代中期至60 年代中期) 1.2.3 萧条波折期(20 世纪60 年代中期至70 年代中期) 1.2.4 第二个兴旺期(20 世纪70 年代中期至80 年代中期) 1.2.5 稳步增长期(20 世纪80 年代中期至今) 1.2.6 中国的人工智能发展 1.3 人工智能的主要学派 1.3.1 符号主义学派 1.3.2 连接主义学派 1.3.3 行为主义学派 1.4 人工智能的主要研究内容 1.5 人工智能的主要应用领域 小结 习题1 第2章 知识表示 2.1 知识表示概述 2.1.1 知识的概念 2.1.2 知识表示的概念 2.2 一阶谓词逻辑表示法 2.2.1 命题 2.2.2 谓词 2.2.3 谓词公式 2.2.4 谓词逻辑表示 2.2.5 谓词逻辑表示法的特点 2.3 产生式表示法 2.3.1 产生式表示的基本方法 2.3.2 产生式系统的基本结构 2.3.3 产生式系统的分类 2.3.4 产生式表示法的特点 2.4 语义网络表示法 2.4.1 语义网络的基本概念 2.4.2 语义网络的基本语义关系 2.4.3 语义网络表示知识的方法 2.4.4 语义网络的推理过程 2.4.5 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 2.5.3 框架表示的推理过程 2.5.4 框架表示法的特点 2.6 脚本表示法 2.7 面向对象表示法 小结 习题2 第3章 确定性推理 3.1 推理概述 3.1.1 推理的概念 3.1.2 推理的分类 3.1.3 推理的控制策略 3.2 推理的逻辑基础 3.2.1 谓词公式的永真性和可满足性 3.2.2 置换与合一 3.3 自然演绎推理 3.4 归结演绎推理 3.4.1 子句型 3.4.2 鲁滨逊归结原理 3.4.3 归结演绎推理的归结策略 3.4.4 用归结原理求取问题的答案 小结 习题3 第4章 搜索策略 4.1 搜索概述 4.2 一般图搜索 4.2.1 图搜索的基本概念 4.2.2 状态空间搜索 4.2.3 一般图搜索过程 4.3 盲目搜索 4.3.1 宽度优先搜索 4.3.2 深度优先搜索 4.3.3 有界深度搜索和迭代加深搜索 4.3.4 搜索最优策略的比较 4.4 启发式搜索 4.4.1 启发性信息和评估函数 4.4.2 启发式搜索A 算法 4.4.3 实现启发式搜索的关键因素 4.4.4 A*算法 4.4.5 迭代加深A*算法 4.5 回溯搜索和爬山法 4.5.1 爬山法 4.5.2 回溯策略 4.6 问题规约 4.7 与/或图搜索 4.7.1 与/或图表示 4.7.2 与/或图的启发式搜索 4.8 博弈 4.8.1 极大极小过程 4.8.2 α-β 过程 小结 习题4 第5章 不确定性推理 5.1 不确定性推理概述 5.1.1 不确定性推理的概念 5.1.2 知识不确定性的来源 5.1.3 不确定性推理要解决的基本问题 5.1.4 不确定性推理方法的分类 5.2 概率方法 5.2.1 概率论基础 5.2.2 经典概率方法 5.2.3 逆概率方法 5.3 主观贝叶斯方法 5.3.1 规则不确定性的表示 5.3.2 证据不确定性的表示 5.3.3 组合证据不确定性的计算 5.3.4 不确定性推理 5.3.5 结论不确定性的合成算法 5.4 确定性理论 5.4.1 可信度 5.4.2 CF 模型 5.4.3 确定性方法的说明 5.5 证据理论 5.5.1 证据理论的形式描述 5.5.2 证据理论的推理模型 5.5.3 证据不确定性的表示 5.5.4 规则不确定性的表示 5.5.5 不确定性的推理 5.5.6 组合证据的不确定性计算 5.6 模糊推理 5.6.1 模糊数学的基本知识 5.6.2 模糊假言推理 小结 习题5 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 机器学习的分类 6.1.5 机器学习的应用和研究目标 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 6.4.1 k-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 6.5.3 Q 学习 小结 习题6 第7章 支持向量机 7.1 支持向量机概述 7.2 统计学习理论 7.2.1 学习问题的表示 7.2.2 期望风险和经验风险 7.2.3 VC 维理论 7.2.4 推广性的界 7.2.5 结构风险最小化 7.3 支持向量机的构造 7.3.1 函数集结构的构造 7.3.2 支持向量机的模式 7.4 核函数 7.4.1 核函数概述 7.4.2 核函数的分类 7.5 SVM 的算法及多类SVM 7.6 用于非线性回归的SVM 7.7 支持向量机的应用 小结 习题7 第8章 专家系统 8.1 专家系统概述 8.1.1 专家系统的特性 8.1.2 专家系统的结构和类型 8.2 基于规则的专家系统 8.3 基于框架的专家系统 8.4 基于模型的专家系统 8.5 专家系统的开发 8.5.1 专家系统的开发过程 8.5.2 专家系统的知识获取 8.5.3 专家系统的开发工具和环境 8.6 专家系统设计举例 8.6.1 专家知识的描述 8.6.2 知识的使用 8.6.3 决策的解释 8.6.4 MYCIN 系统 8.7 新型专家系统 小结 习题8 第9章 神经计算 9.1 神经计算概述 9.2 感知器 9.2.1 感知器的结构 9.2.2 感知器的学习算法 9.3 反向传播网络 9.3.1 BP 网络的结构 9.3.2 BP 网络的学习算法 9.4 自组织映射神经网络 9.4.1 SOM 网络结构 9.4.2 SOM 网络的学习算法 9.5 Hopfield 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 9.6.1 PCNN 的结构 9.6.2 PCNN 的学习算法 9.7 深度神经网络 小结 习题9 第10章 进化计算 10.1 进化计算概述 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 10.5 GA、EP、ES 的异同 小结 习题10 第11章 模糊计算 11.1 模糊集合的概念 11.1.1 模糊集合的定义 11.1.2 模糊集合的表示方法 11.2 模糊集合的代数运算 11.3 正态模糊集和凸模糊集 11.4 模糊关系 11.4.1 模糊关系的概述 11.4.2 模糊关系的性质 11.5 模糊判决 11.6 模糊数学在模式识别中的应用 11.6.1 最大隶属度原则 11.6.2 择近原则 小结 习题11 第12章 群智能 12.1 群智能概述 12.1.1 群智能优化算法定义 12.1.2 群智能优化算法原理 12.1.3 群智能优化算法特点 12.2 蚁群算法 12.2.1 蚁群算法概述 12.2.2 蚁群算法的数学模型 12.2.3 蚁群算法的改进 12.2.4 蚁群算法的应用示例 12.3 粒子群优化算法 12.3.1 粒子群优化算法基本思想 12.3.2 粒子群优化算法基本框架 12.3.3 粒子群优化算法参数分析与改进 12.3.4 粒子群优化算法的应用示例 12.4 其他群智能优化算法 12.4.1 人工鱼群算法 12.4.2 细菌觅食算法 12.4.3 混合蛙跳算法 12.4.4 果蝇优化算法 小结 习题12 第13章 争论与展望 13.1 争论 13.1.1 对人工智能理论的争论 13.1.2 对人工智能方法的争论 13.1.3 对人工智能技术路线的争论 13.1.4 对强弱人工智能的争论 13.2 展望 13.2.1 更新的理论框架 13.2.2 更好的技术集成 13.2.3 更成熟的应用方法 13.2.4 脑机接口 小结 习题13 附录A 参考答案 参考文献