人工智能及其应用-第5版

第1章绪论1.1人工智能的定义与发展1.1.1人工智能的定义1.1.2人工智能的起源与发展1.2人工智能的各种认知观1.2.1人工智能各学派的认知观1.2.2人工智能的争论1.3人类智能与人工智能1.3.1智能信息处理系统的假设1.3.2人类智能的计算机模拟1.4人工智能系统的分类1.5人工智能的研究目标和内容1.5.1人工智能的研究目标1.5.2人工智能研究的基本内容1.6人工智能的研究与计算方法1.6.1人工智能的研究方法1.6.2人工智能的计算方法1.7人工智能的研究与应用领域1.8本书概要习题1第2章知识表示方法2.1状态空间表示2.1.1问题状态描述2.1.2状态图示法2.2问题归约表示2.2.1问题归约描述2.2.2与或图表示2.3谓词逻辑表示2.3.1谓词演算2.3.2谓词公式2.3.3置换与合一2.4语义网络表示2.4.1二元语义网络的表示2.4.2多元语义网络的表示2.4.3语义网络的推理过程2.5框架表示2.5.1框架的构成2.5.2框架的推理2.6本体技术2.6.1本体的概念2.6.2本体的组成与分类2.6.3本体的建模2.7过程表示2.8小结习题2第3章确定性推理3.1图搜索策略3.2盲目搜索3.2.1宽度优先搜索3.2.2深度优先搜索3.2.3等代价搜索3.3启发式搜索3.3.1启发式搜索策略和估价函数3.3.2有序搜索3.3.3a最算法3.4消解原理3.4.1子句集的求取3.4.2消解推理规则3.4.3含有变量的消解式3.4.4消解反演求解过程3.5规则演绎系统3.5.1规则正向演绎系统3.5.2规则逆向演绎系统3.5.3规则双向演绎系统3.6产生式系统3.6.1产生式系统的组成3.6.2产生式系统的推理3.6.3产生式系统举例3.7非单调推理3.7.1缺省推理3.7.2真值维持系统3.8小结习题3第4章非经典推理4.1经典推理和非经典推理4.2不确定性推理4.2.1不确定性的表示与量度4.2.2不确定性的算法4.3概率推理4.3.1概率的基本性质和计算公式4.3.2概率推理方法4.4主观贝叶斯方法4.4.1知识不确定性的表示4.4.2证据不确定性的表示4.4.3主观贝叶斯方法的推理过程4.5可信度方法4.5.1基于可信度的不确定性表示4.5.2可信度方法的推理算法4.6证据理论4.6.1证据理论的形式化描述4.6.2证据理论的不确定性推理模型4.6.3推理示例4.7小结习题4第5章计算智能5.1概述5.2神经计算5.2.1人工神经网络研究的进展5.2.2人工神经网络的结构5.2.3人工神经网络示例及其算法5.2.4基于神经网络的知识表示与推理5.3模糊计算5.3.1模糊集合、模糊逻辑及其运算5.3.2模糊逻辑推理5.4进化算法与遗传算法5.4.1进化算法原理5.4.2进化算法框架5.4.3遗传算法的编码与解码5.4.4遗传算法的遗传算子5.4.5遗传算法的执行过程5.4.6遗传算法的执行实例5.5人工生命5.5.1人工生命研究的起源和发展5.5.2人工生命的定义和研究意义5.5.3人工生命的研究内容和方法5.5.4人工生命实例5.6粒群优化算法5.6.1群智能和粒群优化概述5.6.2粒群优化算法5.7蚁群算法5.7.1蚁群算法理论5.7.2蚁群算法的研究与应用5.8小结习题5第6章专家系统6.1专家系统概述6.1.1专家系统的定义与特点6.1.2专家系统的结构和建造步骤6.2基于规则的专家系统6.2.1基于规则专家系统的工作模型和结构6.2.2基于规则专家系统的特点6.3基于框架的专家系统6.3.1基于框架专家系统的定义、结构和设计方法6.3.2基于框架专家系统的继承、槽和方法6.4基于模型的专家系统6.4.1基于模型专家系统的提出6.4.2基于神经网络的专家系统6.5基于web的专家系统6.5.1基于web专家系统的结构6.5.2基于web专家系统的实例6.6新型专家系统6.6.1新型专家系统的特征6.6.2分布式专家系统6.6.3协同式专家系统6.7专家系统的设计6.7.1专家系统的设计过程6.7.2基于规则专家系统的一般设计方法6.7.3反向推理规则专家系统的设计任务6.8专家系统开发工具6.8.1专家系统的传统开发工具6.8.2专家系统的matlab开发工具6.9小结习题6第7章机器学习7.1机器学习的定义和发展历史7.1.1机器学习的定义7.1.2机器学习的发展史7.2机器学习的主要策略与基本结构7.2.1机器学习的主要策略7.2.2机器学习系统的基本结构7.3归纳学习7.3.1归纳学习的模式和规则7.3.2归纳学习方法7.4决策树学习7.4.1决策树和决策树构造算法7.4.2决策树学习算法id37.5类比学习7.5.1类比推理和类比学习形式7.5.2类比学习过程与研究类型7.6解释学习7.6.1解释学习过程和算法7.6.2解释学习举例7.7神经网络学习7.7.1基于反向传播网络的学习7.7.2基于hopfield网络的学习7.8知识发现7.8.1知识发现的发展和定义7.8.2知识发现的处理过程7.8.3知识发现的方法7.8.4知识发现的应用7.9增强学习7.9.1增强学习概述7.9.2q惭习7.10深度学习7.10.1深度学习的定义与特点7.10.2深度学习基础及神经网络7.10.3深度学习的常用模型7.10.4深度学习应用简介7.10.5总结与展望7.11小结习题7第8章自动规划8.1自动规划概述8.1.1规划的概念和作用8.1.2规划的分类和问题分解途径8.1.3执行规划系统任务的一般方法8.2任务规划8.2.1积木世界的机器人规划8.2.2strips规划系统8.2.3具有学习能力的规划系统8.2.4分层规划8.2.5基于专家系统的机器人规划8.3路径规划8.3.1机器人路径规划的主要方法和发展趋势8.3.2基于模拟退火算法的机器人局部路径规划8.3.3基于免疫进化和示例学习的机器人路径规划8.3.4基于蚁群算法的机器人路径规划8.4轨迹规划简介8.5小结习题8第9章分布式人工智能与agent(真体)9.1分布式人工智能9.2agent及其要素9.2.1agent的定义和译法9.2.2真体的要素和特性9.3真体的结构9.3.1真体的抽象结构和结构特点9.3.2真体结构的分类9.4真体通信9.4.1通信的过程9.4.2真体通信的类型和方式9.4.3交谈的规划与实现9.4.4真体的通信语言9.5移动真体和多真体系统9.5.1移动真体的定义和系统构成9.5.2多真体系统的特征和关键技术9.5.3多真体系统的模型和结构9.5.4多真体的协作、协商和协调9.5.5多真体的学习与规划9.5.6多真体系统的研究和应用领域9.6小结习题9第10章自然语言理解10.1自然语言理解概述10.1.1语言与语言理解10.1.2自然语言处理的概念和定义10.1.3自然语言处理的研究领域和意义10.1.4自然语言理解研究的基本方法和进展10.1.5自然语言理解过程的层次10.2词法分析10.3句法分析10.3.1短语结构语法10.3.2乔姆斯基形式语法10.3.3转移网络10.3.4扩充转移网络10.3.5词汇功能语法10.4语义分析10.5句子的自动理解10.5.1简单句的理解方法10.5.2复合句的理解方法10.6语料库语言学10.7文本的自动翻译——机器翻译10.8自然语言理解系统的主要模型10.9自然语言理解系统应用举例10.9.1自然语言自动理解系统10.9.2自然语言问答系统10.10小结习题10结束语参考文献索引