人工智能原理及应用PDF|Epub|txt|kindle电子书版本网盘下载

人工智能原理及应用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 绪论1

1.1 人工智能的概念和研究意义1

1.1.1 人工智能的概念1

1.1.2 人工智能的研究意义3

1.1.3 人工智能的研究目标和特点4

1.2 人工智能的起源和发展5

1.2.1 萌芽期5

1.2.2 形成期7

1.2.3 发展期7

1.2.4 人工智能的最新研究进展和争论9

1.3 人工智能的研究内容和应用领域10

1.3.1 人工智能研究的课题10

1.3.2 人工智能的应用领域11

习题一14

第2章 知识的表示15

2.1 知识及其表示概述15

2.1.1 知识的含义与结构15

2.1.2 知识的特征、分类和表示16

2.1.3 人工智能系统所关心的知识18

2.1.4 陈述性知识与过程性知识19

2.2 状态空间表示19

2.2.1 状态19

2.2.2 操作20

2.2.3 状态空间20

2.2.4 问题的解21

2.2.5 状态空间表示法求解步骤21

2.3 谓词逻辑表示22

2.3.1 谓词逻辑的基本内容22

2.3.2 个体词、谓词与量词23

2.3.3 谓词公式24

2.3.4 谓词公式的解释26

2.3.5 谓词逻辑表示知识28

2.4 问题归约表示30

2.4.1 问题归约表示的过程31

2.4.2 问题归约法的与/或图表示31

2.4.3 问题归约法的节点定义31

2.4.4 问题归约表示的可解性32

2.5 语义网络表示35

2.5.1 语义网络表示法35

2.5.2 语义网络的网络结构35

2.5.3 语义网络的语义表示36

2.5.4 连词和量化的表示37

2.5.5 语义网络推理的性质继承及匹配40

2.5.6 语义网络表示法的特点42

2.6 框架表示42

2.6.1 框架理论43

2.6.2 框架结构43

2.6.3 附加过程45

2.6.4 框架系统中的知识组织46

2.6.5 框架系统的推理机制47

2.6.6 框架表示法的评价48

2.7 过程表示49

2.7.1 过程知识表示的概念49

2.7.2 示例：使用过程表示法求解九宫问题49

2.7.3 过程表示的特点51

2.8 面向对象的表示52

2.8.1 面向对象的概念与特性52

2.8.2 面向对象的原则54

2.8.3 面向对象的要素54

2.8.4 类与类继承57

2.8.5 面向对象的知识表示的内容57

2.8.6 面向对象表示的实例60

2.8.7 面向对象知识表示的特点63

2.9 Prolog语言概述64

2.9.1 Prolog语言的背景64

2.9.2 Prolog语言的逻辑思想示例64

2.9.3 Prolog语言的逻辑程序定义67

2.9.4 Prolog语言的数据结构和递归67

习题二72

第3章 确定性推理方法73

3.1 推理概述73

3.1.1 推理的概念73

3.1.2 推理的方法74

3.1.3 推理的控制策略77

3.1.4 推理中的冲突81

3.2 确定性推理的逻辑基础82

3.2.1 命题公式的解释82

3.2.2 等价式83

3.2.3 永真蕴含式84

3.2.4 前束范式与Skolem范式84

3.2.5 置换与合一85

3.3 演绎推理方法86

3.3.1 演绎推理的概念86

3.3.2 演绎推理的特点92

3.4 归结推理方法94

3.4.1 子句集及其化简94

3.4.2 Herbrand（海伯伦）定理98

3.4.3 Robinson（鲁宾逊）归结原理102

3.4.4 利用归结推理进行定理证明104

3.4.5 应用归结原理进行问题求解107

3.5 归结过程中的控制策略109

3.5.1 引入控制策略的原因109

3.5.2 归结控制策略110

习题三114

第4章 不确定性推理方法117

4.1 不确定推理概述117

4.1.1 不确定推理的概念117

4.1.2 不确定推理的基本问题和方法分类118

4.1.3 不确定性推理与产生式表示121

4.2 概率推理123

4.2.1 概率的基本性质和计算公式123

4.2.2 概率推理方法126

4.3 主观贝叶斯方法128

4.3.1 知识不确定性的表示128

4.3.2 证据不确定性的表示131

4.3.3 主观贝叶斯方法的推理过程132

4.3.4 主观贝叶斯方法应用举例135

4.4 可信度方法139

4.4.1 可信度的概念139

4.4.2 基于可信度的不确定性表示——CF模型139

4.4.3 可信度方法的推理算法142

4.4.4 可信度方法应用举例143

4.5 证据理论（D-S Theory）146

4.5.1 证据理论的形式化描述146

4.5.2 证据理论的不确定性推理模型152

4.5.3 证据理论应用举例153

4.6 模糊推理157

4.6.1 模糊集理论与模糊逻辑157

4.6.2 模糊知识的表示和模糊概念的匹配163

4.6.3 模糊规则推理方法166

习题四168

第5章 搜索策略170

5.1 搜索概述170

5.1.1 搜索的概念及类型170

5.1.2 状态空间的搜索171

5.1.3 与/或树的搜索173

5.2 状态空间的盲目搜索策略176

5.2.1 状态空间图的一般搜索过程176

5.2.2 广度优先搜索和深度优先搜索178

5.2.3 代价树的搜索180

5.3 状态空间的启发式搜索策略183

5.3.1 启发信息与估价函数183

5.3.2 最佳优先搜索184

5.3.3 A*算法187

5.3.4 A*算法应用举例188

5.4 与/或树的盲目搜索策略189

5.4.1 与/或树的搜索过程189

5.4.2 与/或树的广度优先搜索190

5.4.3 与/或树的深度优先搜索191

5.5 与/或树的启发式搜索策略192

5.5.1 解树的代价与希望树192

5.5.2 与/或树的启发式搜索过程194

5.6 博弈树的启发式搜索195

5.6.1 博弈树的搜索过程195

5.6.2 极大极小分析法196

5.6.3 α-β剪枝198

习题五200

第6章 机器学习201

6.1 机器学习概述201

6.1.1 机器学习的概念201

6.1.2 研究机器学习的意义202

6.1.3 机器学习的发展过程202

6.1.4 机器学习的主要策略203

6.2 机械学习204

6.2.1 机械学习的过程204

6.2.2 机械学习系统要考虑的问题205

6.3 归纳学习206

6.3.1 示例学习206

6.3.2 观察与发现学习209

6.4 解释学习210

6.4.1 解释学习的基本原理210

6.4.2 解释学习过程和算法210

6.4.3 解释学习举例211

6.5 类比学习212

6.5.1 类比学习的概念212

6.5.2 类比学习的表示213

6.5.3 类比学习的求解214

6.6 决策树学习214

6.6.1 ID3算法215

6.6.2 实例计算216

6.7 神经网络学习219

6.7.1 神经网络学习的概念219

6.7.2 感知器学习221

6.7.3 BP网络学习224

6.7.4 Hopfield网络学习226

习题六228

第7章 计算智能230

7.1 计算智能概述230

7.1.1 计算智能的概念230

7.1.2 计算智能的研究发展过程230

7.1.3 计算智能与人工智能的关系231

7.2 神经计算231

7.2.1 生物神经元232

7.2.2 人工神经元232

7.2.3 神经网络的互连结构233

7.2.4 神经网络的典型模型235

7.3 模糊计算240

7.3.1 模糊集及其运算240

7.3.2 模糊关系及其运算242

7.4 遗传算法244

7.4.1 遗传算法的基本概念244

7.4.2 遗传算法的基本原理245

7.4.3 遗传算法的应用249

7.5 蚁群算法251

习题七253

第8章 人工智能应用研究255

8.1 专家系统255

8.1.1 专家系统的起源和发展255

8.1.2 专家系统的结构258

8.1.3 专家系统的特点262

8.1.4 专家系统的建立263

8.1.5 专家系统应用实例：混凝土成品料温专家控制系统264

8.2 自然语言理解268

8.2.1 概述268

8.2.2 句法分析271

8.2.3 词性标注283

8.3 数据挖掘与知识发现286

8.3.1 概述286

8.3.2 关联规则挖掘290

8.3.3 分类292

8.3.4 聚类分析298

8.4 自动规划301

8.4.1 概述301

8.4.2 自动规划的原理302

8.4.3 自动规划技术304

8.4.4 自动规划技术的最新发展307

8.5 分布式智能与Agent311

8.5.1 分布式智能概述311

8.5.2 Agent的概念和模型312

8.5.3 多Agent的概念及其建模317

8.5.4 Agent之间的通信320

8.5.5 Agent的体系结构321

习题八322

附录 实验指导323

实验一 Visual Prolog知识表示与推理实验323

实验二 状态空间搜索——八数码问题327

实验三 基于MATLAB的模糊推理系统设计328

实验四 基于MATLAB的神经网络设计330

实验五 应用遗传算法求解优化问题332

参考文献334