人工智能与专家系统2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能与专家系统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 绪论1

1.1人工智能的定义1

1.1.1什么是人工智能1

1.1.2人工智能与人类智能1

1.2人工智能的发展概括2

1.3人工智能的研究途径及方法5

1.4人工智能的应用领域5

第2章 人工智能的数学基础7

2.1谓词逻辑7

2.1.1谓词基本概念7

2.1.2谓词公式8

2.1.3谓词公式的解释10

2.1.4谓词公式的性质11

2.2概率论11

2.2.1随机现象11

2.2.2样本空间与随机事件11

2.2.3事件的概率14

2.4.4事件的独立性17

2.3模糊理论18

2.3.1模糊性18

2.3.2模糊集与隶属函数18

2.3.3模糊集的表示及运算19

2.3.4模糊集的水平截集21

2.3.5模糊度和模糊数22

2.3.6模糊关系及其合成24

2.3.7模糊变换25

2.4粗糙集理论27

2.4.1粗糙集的基本概念27

2.4.2粗糙集在知识发现中的应用30

本章小结32

课后练习题33

第3章 知识表示方法35

3.1知识表示概述35

3.1.1知识和知识表示35

3.1.2知识表示的方法35

3.2一阶谓词逻辑表示法36

3.2.1谓词逻辑中的基本概念37

3.2.2表示知识的方法38

3.2.3一阶谓词表示法的特点39

3.3产生式表示法40

3.3.1产生式可表示的知识种类及其基本形式40

3.3.2产生式系统41

3.3.3产生式系统的分类43

3.3.4产生式系统的特点45

3.4语义网络表示法46

3.4.1语义网络的概念及结构46

3.4.2语义网络中常用的语义联系47

3.4.3语义网络表示知识的方法49

3.4.4语义网络中求解问题的基本过程51

3.4.5语义网络表示法的特点52

3.5框架表示法53

3.5.1框架及框架网络53

3.5.2框架系统中求解问题的基本过程60

3.5.3框架表示法的特点61

3.6状态空间表示法62

3.6.1状态空间的基本概念62

3.6.2用状态空间表示举例64

3.7与或树表示法66

3.7.1问题归约的与/或表示66

3.8脚本表示法67

3.8.1脚本的定义与组成68

3.8.2脚本表示知识的步骤69

3.8.3脚本表示法的特点69

3.9过程表示法70

3.9.1过程表示知识方法70

3.9.2过程表示法的特点70

3.10面向对象表示法71

3.10.1面向对象的基本概念71

3.10.2面向对象的知识表示71

本章小结72

课后练习题73

第4章 确定性推理74

4.1推理概述74

4.1.1推理的基本概念和分类74

4.1.2推理控制策略76

4.1.3推理的逻辑基础77

4.2演绎推理80

4.2.1自然演绎推理的概念80

4.2.2利用演绎推理解决问题81

4.3归结推理81

4.3.1谓词公式和子句集81

4.3.2归结原理83

4.3.3用归结原理进行定理证明和问题求解85

4.4归结过程的控制策略87

本章小结90

课后练习题91

第5章 不确定推理方法92

5.1不确定推理概述92

5.1.1不确定性推理的基本概念92

5.1.2不确定性推理中的基本问题92

5.1.3不确定性推理方法的分类93

5.2可信度方法93

5.2.1规则的不确定性度量94

5.2.2证据的不确定性度量94

5.2.3推理计算94

5.3主观Bayes方法97

5.3.1基本Bayes公式97

5.3.2主观Bayes方法98

5.3.3知识不确定性的表示99

5.3.4证据不确定性的表示101

5.3.5不确定性的推理计算102

5.3.6结论不确定性的合成和更新算法104

5.4证据理论（D-S Theory）105

5.4.1证据理论（D-S理论）105

5.4.2知识不确定性的表示107

5.4.3证据的不确定性107

5.4.4组合证据不确定性的算法107

5.4.5推理计算107

5.5模糊推理109

5.5.1模糊命题109

5.5.2模糊知识表示110

5.5.3模糊推理模型110

5.5粗糙推理117

5.5.1概述117

5.5.2基本粗糙集理论119

5.5.3粗糙推理120

本章小结131

课后练习题132

第6章 状态空间搜索134

6.1搜索概述134

6.1.1什么是搜索134

6.1.2状态空间表示法134

6.1.3状态空间的一般搜索过程137

6.1.4搜索的种类139

6.2盲目搜索策略140

6.2.1深度优先搜索（Depth-first Search）140

6.2.2广度优先搜索（Breadth-first Search）142

6.2.3搜索的优化技巧143

6.3启发式搜索策略145

6.3.1启发信息与估价函数145

6.3.2局部择优搜索147

6.3.3全局择优搜索148

6.3.4 A*算法149

本章小结152

课后练习题153

第7章 机器学习155

7.1概述155

7.1.1什么是机器学习155

7.1.2机器学习方法的分类158

7.1.3机器学习中的推理方法159

7.2归纳学习160

7.2.1归纳学习的基本概念160

7.2.2变型空间学习161

7.3决策树学习163

7.3.1决策树及构造算法163

7.3.2基本的决策树学习算法165

7.4基于实例的学习167

7.4.1 K-近邻算法167

7.4.2距离加权最近邻法168

7.4.3基于范例的学习169

本章小结173

课后练习题174

第8章 专家系统176

8.1专家系统概述176

8.1.1什么是专家系统176

8.1.2专家系统的特征176

8.1.3专家系统的类型177

8.2专家系统基本结构179

8.2.1知识库180

8.2.2综合知识库180

8.2.3推理机180

8.2.4解释器181

8.2.5接口181

8.2.6知识获取机构181

8.3知识获取182

8.3.1知识获取的定义182

8.3.2知识获取的方法182

8.3.3知识获取的过程184

8.4知识管理186

8.4.1知识组织186

8.4.2知识管理186

8.5专家系统建造187

8.5.1专家系统的选题与设计原则187

8.5.2建造专家系统的步骤188

8.6专家系统评价190

本章小结191

课后练习题191

第9章 神经网络192

9.1神经网络概述192

9.1.1生物神经网络192

9.1.2人工神经网络193

9.1.3人工神经网络研究的发展简史196

9.2神经网络模型197

9.2.1感知器模型197

9.2.2反向传播模型200

9.2.3 Hopfield模型205

9.2.4对向传播网络模型208

9.2.5自适应共振网络模型210

9.3神经网络专家系统218

9.3.1神经网络专家系统的基本原理219

9.3.2神经网络专家系统的结构219

本章小结221

课后练习题221

参考文献223