人工智能教程PDF格式文档图书下载

第1章 绪论 1

1.1 人工智能概述 1

1.1.1 什么是人工智能 1

1.1.2 什么是自然智能 2

1.2 人工智能的发展史 3

1.2.1 第一阶段--孕育期(1956年以前) 3

1.2.2 第二阶段--人工智能基础技术的研究和形成(1956年--1970年) 5

1.2.3 第三阶段--发展和实用化阶段(1971年--1980年) 5

1.2.4 第四阶段--知识工程与专家系统(1980年至今) 7

1.3 人工智能的研究领域 9

1.3.1 专家系统(Expert System) 9

1.3.2 自然语言处理(Natural Language Processing) 9

1.3.3 机器学习(Machine Learning) 10

1.3.4 自动定理证明(Automatic Theorem Proving) 11

1.3.5 分布式人工智能(Distributed Artificial Intelligence) 11

1.3.6 机器人(Robots) 12

1.3.7 模式识别(Pattern Recognition) 13

1.3.8 博弈(Game Playing) 14

1.3.9 计算机视觉(Computer Vision) 14

1.3.10 人工神经网络(Artificial Neural Network) 15

习题1 15

第2章 知识表达技术 16

2.1 知识的概念与含义 16

2.2 知识类型和知识模型的变换 16

2.2.1 知识类型 17

2.2.2 知识模型的变换 17

2.3 状态空间表达法 18

2.3.1 状态空间表达法的概念 18

2.3.2 状态空间表达法的例子 19

2.4 与/或图表达法 20

2.4.1 与/或图表达法的概念 20

2.4.2 与/或图表达法的例子 21

2.5 产生式系统 22

2.5.1 产生式系统的基本结构 22

2.5.2 产生式系统的表示 24

2.5.3 产生式系统的例子 25

2.6. 知识的逻辑表达方法 27

2.6.1 命题逻辑 28

2.6.2 谓词逻辑 31

2.6.3 一阶谓词逻辑表达方法 32

2.6.4 谓词逻辑表达法的特性和应用 34

2.7 语义网络 35

2.7.1 语义网络的概念和特性 35

2.7.2 语义网络的知识表示 36

2.8 框架表达法 42

2.8.1 框架的构成 42

2.8.2 框架系统与产生式系统的结合 46

2.9 特征表表达法 49

2.10 面向对象的表示 50

2.10.1 对象、消息和方法 50

2.10.2 类、类层次和继承性 51

2.10.3 面向对象知识表示与语义网络、框架系统的比较 52

习题2 53

第3章 基本的问题求解方法 55

3.1 状态空间搜索概述 55

3.1.1 图的概念 55

3.1.2 状态空间的图描述 56

3.1.3 问题的状态空间的图描述 56

3.1.4 将问题求解定义为状态空间搜索 58

3.1.5 搜索的基本概念 60

3.2 盲目的图搜索策略 61

3.2.1 搜索策略概述 61

3.2.2 回溯策略 62

3.2.3 宽度优先搜索 65

3.2.4 深度优先搜索 67

3.2.5 图搜索 70

3.3 启发式图搜索策略 71

3.3.1 启发式策略 71

3.3.2 启发信息和估价函数 73

3.3.3 启发式图搜索法--A及A 搜索算法 75

3.3.4 A 搜索算法的讨论 78

3.4 与/或图搜索 80

3.4.1 与/或图的概念 80

3.4.2 AO及AO 搜索算法 82

3.4.3 博弈树搜索 86

3.5 通用问题求解技术简介 93

3.5.1 概述 93

3.5.2 GPS系统 94

3.6 中间-结局分析法 95

3.6.1 概念 95

3.6.2 中间-结局分析法分析步骤 96

3.6.3 讨论 97

3.7 生成与测试 98

3.8 约束与满足 99

习题3 102

第4章 基本的推理技术 104

4.1 推理技术概述 104

4.1.1 推理的概念和类型 104

4.1.2 推理的控制策略 106

4.2 归结反演系统 110

4.2.1 归结原理 110

4.2.2 归结反演 114

4.2.3 归结反演的控制策略 116

4.2.4 应用归结反演求取问题的答案 118

4.3 基于规则的演绎推理 120

4.3.1 正向演绎推理 120

4.3.2 反向演绎推理 125

4.3.3 双向演绎推理 127

习题4 128

第5章 不精确推理 130

5.1 概述 130

5.2 概率方法 132

5.2.1 概率论基础 132

5.2.2 概率推理模型 134

5.3 主观Bayes方法 135

5.3.1 不确定性的表示 135

5.3.2 主观Bayes方法推理的基本算法 137

5.4 可信度方法 142

5.4.1 基于可信度的不确定性的表示 142

5.4.2 可信度方法推理的基本算法 144

5.5 模糊推理 147

5.5.1 模糊理论基础 147

5.5.2 语言变量及模糊推理 150

习题5 151

第6章 PROLOG语言 153

6.1 PROLOG语言概述 153

6.1.1 PROLOG语言的发展 153

6.1.2 PROLOG语言的特点 153

6.2 PROLOG语言的结构 154

6.2.1 数据结构 154

6.2.2 程序结构 155

6.3 PROLOG语言的内部谓词 157

6.3.1 比较类 157

6.3.2 表达式类 157

6.3.3 输入输出类 158

6.3.4 文件操作类 158

6.3.5 控制谓词类 159

6.3.6 复杂目标类 159

6.3.7 项类 159

6.3.8 结构分量类 159

6.3.9 项维护类 160

6.4 PROLOG语言的搜索策略 161

6.4.1 例化与匹配 161

6.4.2 回溯控制 162

6.4.3 搜索策略 164

6.5 谓词!的讨论 165

6.5.1 谓词!的作用 165

6.5.2 用法及举例 167

6.6. PROLOG程序设计 169

6.6.1 数学函数 170

6.6.2 八皇后问题 171

6.6.3 专家系统示意 173

6.7 PROLOG语言与C语言的连接 176

6.7.1 语言条件 176

6.7.2 外部谓词说明 176

6.7.3 参数传递 176

6.7.4 外部C语言子程序 177

6.7.5 两个限制 178

习题6 179

第7章 专家系统 181

7.1 专家系统的定义与分类 181

7.1.1 专家系统的定义与特点 181

7.1.2 专家系统的类型 183

7.2 专家系统的结构与工作原理 187

7.2.1 专家系统的一般结构 187

7.2.2 专家系统的工作原理 187

7.3 知识获取 189

7.3.1 知识获取的任务 190

7.3.2 知识获取的模式 191

7.4 专家系统的建立 192

7.4.1 适于专家系统求解的问题 192

7.4.2 专家系统的设计原则与开发步骤 193

7.4.3 专家系统的评价 196

7.5 专家系统实例 197

7.5.1 动物识别专家系统 197

7.5.2 医学专家系统--MYCIN 199

7.5.3 地质勘探专家系统--PROSPECTOR 207

7.6 专家系统的开发工具 210

7.6.1 用于开发专家系统的程序设计语言 210

7.6.2 骨架系统 210

7.6.3 通用型知识表达语言 214

7.6.5 专家系统开发环境 214

习题7 215

第8章 机器学习 216

8.1 机器学习概述 216

8.1.1 机器学习的基本概念 216

8.1.2 机器学习的主要策略 216

8.1.3 机器学习系统的基本结构 217

8.1.4 机器学习系统的主要特性 219

8.2 机械学习 221

8.3.1 机械学习的模式及主要问题 221

8.3.2 机械学习应用举例 222

8.3 相关产生式学习系统 224

8.3.1 相关产生式的概念 224

8.3.2 相关产生式学习方式 224

8.4 示例学习 225

8.4.1 示例学习模型 226

8.4.2 基于示例学习的一般过程 227

8.4.3 示例的表示 229

8.4.4 示例复用 231

8.4.5 示例保存 232

8.5 类比学习 232

8.5.1 类比学习的概念 232

8.5.2 类比学习的表示与求解 234

8.6 几种类比学习系统介绍 235

8.6.1 转换类比学习系统 235

8.6.2 派生类比学习 240

8.6.3 因果关系型类比学习 240

8.6.4 联想类比学习 243

8.7 归纳学习 244

8.7.1 归纳学习概述 244

8.7.2 归纳学习的一般模式 245

8.7.3 类型定义 245

8.7.4 结构归纳学习及示例 246

8.7.5 基于决策树的归纳学习方法 250

习题8 252

第9章 人工神经网络 253

9.1 人工神经网络概述 253

9.2 人工神经元模型 254

9.3 人工神经网络结构及工作方式 255

9.4 神经网络的学习方法 257

9.4.1 学习方式 257

9.4.2 学习规则 257

9.4.3 学习与自适应 258

9.5 前馈型神经网络 259

9.5.1 前馈型神经网络结构 259

9.5.2 利用BP算法进行网络训练 261

9.6 神经联想记忆与Hopfield网络 266

9.6.1 神经联想记忆 266

9.6.2 Hopfield网络 267

9.6.3 Hopfield网络的一个范例 272

习题9 274

参考文献 275

查看更多关于人工智能教程的内容