人工智能原理及其应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能原理及其应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 人工智能概述1

1.1 人工智能及其研究目标1

1.1.1 人工智能的定义1

1.1.2 人工智能的研究目标4

1.2 人工智能的产生与发展4

1.2.1 孕育期4

1.2.2 形成期6

1.2.3 知识应用期7

1.2.4 综合集成期9

1.3 人工智能研究的基本内容及其特点9

1.3.1 人工智能研究的基本内容9

1.3.2 人工智能研究的特点11

1.4 人工智能的研究和应用领域12

1.4.1 机器学习12

1.4.4 模式识别13

1.4.3 专家系统13

1.4.2 自然语言理解13

1.4.5 计算机视觉14

1.4.6 机器人学15

1.4.7 博弈16

1.4.8 自动定理证明16

1.4.9 自动程序设计17

1.4.10 智能控制17

1.4.11 智能决策支持系统17

1.4.12 人工神经网络17

1.4.13 知识发现和数据挖掘18

1.4.14 分布式人工智能18

1.5 人工智能研究的不同学派及其争论18

1.5.1 人工智能的三大学派18

1.5.2 人工智能理论的争论20

1.5.3 人工智能研究方法的争论20

1.6 人工智能的近期发展分析21

习题22

第2章 知识表示23

2.1 知识与知识表示概念23

2.1.1 知识23

2.1.2 知识表示26

2.2 一阶谓词逻辑表示法27

2.2.1 一附谓词逻辑表示的逻辑基础28

2.2.2 谓词逻辑表示方法31

2.2.3 谓词逻辑表示的应用32

2.2.4 谓词逻辑表示的特性36

2.3 产生式表示法37

2.3.1 产生式表示的基本方法及特性37

2.3.2 产生式系统的基本结构38

2.3.3 产生式系统的基本过程40

2.3.4 产生式系统的控制策略41

2.3.5 产生式系统的类型42

2.3.6 产生式系统的特点43

2.4 语义网络表示法44

2.4.1 语义网络的基本概念45

2.4.2 事物和概念的表示47

2.4.3 情况和动作的表示49

2.4.4 逻辑关系的表示51

2.4.5 语义网络的推理过程52

2.4.6 语义网络表示法的特征53

2.5 框架表示法54

2.5.1 框架理论54

2.5.2 框架和实例框架54

2.5.3 框架系统56

2.5.4 框架系统的问题求解过程63

2.5.5 框架表示法的特性64

2.6 脚本表示法65

2.6.1 脚本的结构65

2.6.2 脚本的推理67

2.7 过程表示法67

2.7.2 过程表示的问题求解过程68

2.7.1 表示知识的方法68

2.7.3 过程表示的特性69

2.8 面向对象表示法70

2.8.1 面向对象的基本概念和特征70

2.8.2 知识的面向对象表示71

习题72

第3章 确定性推理74

3.1 推理的基本概念74

3.1.1 什么是推理74

3.1.2 推理方法及其分类74

3.1.3 推理的控制策略及其分类77

3.1.4 正向推理77

3.1.5 逆向推理78

3.1.6 混合推理80

3.1.7 推理的冲突消解策略82

3.2.1 谓词公式的解释83

3.2 推理的逻辑基础83

3.2.2 谓词公式的永真性与可满足性85

3.2.3 谓词公式的等价性与永真蕴含性85

3.2.4 谓词公式的范式87

3.2.5 置换与合一87

3.3 自然演绎推理90

3.4 归结演绎推理91

3.4.1 子句集及其化简91

3.4.2 海伯伦理论95

3.4.3 鲁宾逊归结原理98

3.4.4 归结演绎推理的归结策略106

3.4.5 用归结反演求取问题的答案109

3.5 基于规则的演绎推理111

3.5.1 规则正向演绎推理111

3.5.2 规则逆向演绎推理115

3.5.3 规则双向演绎推理118

习题119

3.6 规则演绎推理的剪枝策略119

第4章 不确定与非单调推理122

4.1 不确定性推理的基本概念122

4.1.1 不确定性推理的含义122

4.1.2 不确定性推理的基本问题123

4.1.3 不确定性推理的类型124

4.2 不确定性推理的概率论基础125

4.2.1 样本空间与随机事件125

4.2.2 事件的概率126

4.2.3 全概率公式与Bayes公式127

4.3 确定性理论128

4.3.1 可信度的概念128

4.3.2 C-F模型128

4.3.3 带加权因子的可信度推理133

4.4 主观Bayes方法135

4.4.1 知识不确定性的表示135

4.4.2 证据不确定性的表示137

4.4.4 不确定性的更新138

4.4.3 组合证据不确定性的计算138

4.4.5 结论不确定性的合成140

4.5 证据理论142

4.5.1 D-S理论的形式描述142

4.5.2 证据理论的推理模型147

4.5.3 推理实例151

4.6 可能性理论和模糊推理153

4.6.1 模糊逻辑基础153

4.6.2 模糊知识表示158

4.6.3 模糊概念的匹配160

4.6.4 模糊推理161

4.7 非单调推理165

习题166

第5章 搜索策略169

5.1 搜索的基本概念169

5.1.1 搜索的含义169

5.1.2 状态空间法169

5.1.3 问题归约172

5.2 状态空间的盲目搜索175

5.2.1 一般图搜索过程175

5.2.2 广度优先搜索177

5.2.3 深度优先搜索178

5.2.4 有界深度优先搜索180

5.2.5 代价树搜索181

5.3 状态空间的启发式搜索183

5.3.1 启发性信息和估价函数183

5.3.2 A算法184

5.3.3 A 算法185

5.3.4 A 算法应用举例190

5.4 与/或树的盲目搜索191

5.4.1 与/或树的一般搜索191

5.4.2 与/或树的广度优先搜索192

5.4.3 与/或树的深度优先搜索193

5.5 与/或树的启发式搜索193

5.5.1 解树的代价与希望树194

5.5.2 与/或树的启发式搜索过程195

5.6 博弈树的启发式搜索196

5.6.1 概述196

5.6.2 极大极小过程197

5.6.3 α-β剪枝198

习题199

第6章 机器学习202

6.1 机器学习的基本概念202

6.1.1 学习和机器学习202

6.1.2 机器学习的发展过程203

6.1.3 学习系统204

6.1.4 机器学习的分类207

6.2 机械式学习208

6.3 指导式学习209

6.4 归纳学习210

6.4.1 归纳学习的类型210

6.4.2 示例学习211

6.4.3 观察与发现学习214

6.5 基于类比的学习219

6.5.1 类比学习的概念219

6.5.2 属性类比学习220

6.5.3 转换类比学习221

6.6 基于解释的学习222

6.6.1 解释学习概述222

6.6.2 解释学习的空间描述及学习模型223

6.6.3 解释学习的基本原理224

6.6.4 解释学习的基本过程224

6.6.5 领域知识的完善性226

习题226

第7章 神经网络及连接学习227

7.1 人工神经网络概述227

7.1.1 生物神经元及脑神经系统的结构与特征227

7.1.2 人工神经元及人工神经网络229

7.1.3 人工神经网络的发展过程231

7.2 人工神经网络的互连结构及其学习机理232

7.2.1 人工神经网络的互连结构232

7.1.4 人工神经网络的局限性232

7.2.2 人工神经网络学习和记忆的心理学基础234

7.2.3 人工神经网络的学习算法234

7.3.2 感知器的学习237

7.3 感知器模型及其学习237

7.3.3 有关感知器XOR问题求解的讨论238

7.3.1 感知器模型239

7.4 误差反向传播网络及其学习240

7.4.1 B-P网络结构240

7.4.2 B-P网络学习的传播公式241

7.4.3 B-P网络的学习算法242

7.4.4 B-P网络学习的讨论243

7.5 Hopfield网络及其学习243

7.5.1 Hopfield网络的结构243

7.5.2 Hopfield网络学习算法244

7.5.2 Hopfield模型的稳定性244

习题245

第8章 自然语言理解246

8.1 语言及其理解的基本概念246

8.1.1 自然语言与自然语言理解246

8.1.2 自然语言理解的研究任务247

8.1.3 自然语言理解原发展247

8.1.4 自然语言理解的层次248

8.2 语法规则的表示方法249

8.2.1 句子结构的表示249

8.2.2 上下文无关文法250

8.2.3 变换文法251

8.3 语法分析251

8.3.1 自顶向下与自底向上分析251

8.3.2 扩充转移网络分析253

8.4.2 格文法256

8.4.1 语义文法256

8.4 语义的分析256

8.5 自然语言的生成258

8.6 自然语言理解系统的层次模型259

习题260

第9章 专家系统261

9.1 专家系统的基本概念261

9.1.1 什么是专家系统261

9.1.2 专家系统的分类261

9.1.3 专家系统的特点265

9.2 专家系统的基本结构265

9.2.1 知识库266

9.2.2 数据库266

9.2.3 推理机266

9.2.4 解释机构267

9.2.5 知识获取机构267

9.2.6 用户界面267

9.3.1 知识获取的任务268

9.3 知识获取268

9.3.2 知识获取方法的分类269

9.3.3 非自动知识获取270

9.3.4 自动知识获取271

9.4 专家系统的开发与评价271

9.4.1 专家系统的开发条件272

9.4.2 专家系统开发过程的生命期概念273

9.4.3 专家系统开发过程的各个阶段273

9.4.4 专家系统的评价275

9.5 专家系统开发工具与环境276

9.5.1 程序设计语言276

9.5.2 知识工程语言277

9.5.3 辅助型工具279

9.5.4 支持工具279

9.5.5 专家系统开发环境280

9.6.1 新一代专家系统的特征281

9.6 专家系统的进一步发展281

9.6.2 分布式专家系统282

9.6.3 协同式专家系统282

习题283

第10章 智能决策支持系统284

10.1 智能决策支持系统的基本概念284

10.1.1 决策与决策过程284

10.1.2 决策支持系统284

10.2 决策支持新技术285

10.1.3 智能决策支持系统285

10.2.1 数据仓库286

10.2.2 数据开采287

10.2.3 数据仓库和数据开采的结合288

10.3 智能决策支持系统的结构289

10.3.1 智能决策支持系统的基本结构289

10.3.2 智能决策支持系统的新结构体系289

习题290

参考文献291