人工智能基礎(chǔ)教程

第1章  概述    1
1.1  什么是人工智能    1
1.2  AI的產(chǎn)生及主要學派    3
1.3  人工智能、專家系統(tǒng)和知識工程    5
1.4  人工智能的技術(shù)特征    7
1.5  AI模擬智能成功的標準    9
1.6  人工智能應(yīng)用系統(tǒng)    9
第2章  問題求解與搜索方法    15
2.1  問題的狀態(tài)和狀態(tài)空間    15
2.1.1  如何定義狀態(tài)空間及其搜索    15
2.1.2  問題特征分析    19
2.2  盲目的搜索方法    24
2.2.1  寬度優(yōu)先搜索    24
2.2.2  深度優(yōu)先搜索    24
2.2.3  分支有界搜索    24
2.2.4  迭代加深搜索    25
2.3  啟發(fā)式搜索方法    25
2.3.1  啟發(fā)式信息的表示    25
2.3.2  幾種最基本的搜索策略    30
2.4  圖搜索策略    35
2.4.1  一個通用的圖搜索算法    35
2.4.2  A算法與A*算法    39
2.5  問題歸約與AO*算法    48
2.5.1  問題歸約求解方法與與/或圖    48
2.5.2  與/或圖搜索    50
2.5.3  與/或圖搜索的特點    51
2.5.4  與/或圖搜索算法AO*    53
2.5.5  對AO*算法的進一步觀察    54
2.5.6  用AO*算法求解一個智力難題    55
2.6  博弈    59
2.6.1  概述    59
2.6.2  極小極大搜索過程    61
2.6.3   - 剪枝算法    64
習題2    68
第3章  知識表示與處理方法    70
3.1  概述    70
3.1.1  知識和知識表示的含義    70
3.1.2  AI中知識表示方法分類    71
3.1.3  AI對知識表示方法的要求    72
3.1.4  知識表示要注意的問題    73
3.2  邏輯表示法    74
3.3  產(chǎn)生式表示法    75
3.3.1  產(chǎn)生式系統(tǒng)的組成    75
3.3.2  產(chǎn)生式系統(tǒng)的知識表示    76
3.3.3  產(chǎn)生式系統(tǒng)的推理方式    81
3.3.4  產(chǎn)生式規(guī)則的選擇與匹配    83
3.3.5  產(chǎn)生式表示的特點    84
3.4  語義網(wǎng)絡(luò)表示法    85
3.4.1  語義網(wǎng)絡(luò)結(jié)構(gòu)    85
3.4.2  二元語義網(wǎng)絡(luò)的表示    85
3.4.3  多元語義網(wǎng)絡(luò)的表示    86
3.4.4  連接詞和量詞的表示    87
3.4.5  語義網(wǎng)絡(luò)的推理過程    91
3.4.6  語義網(wǎng)絡(luò)的一般描述    93
3.5  框架表示法    94
3.5.1  框架理論    94
3.5.2  框架結(jié)構(gòu)    94
3.5.3  框架表示下的推理    97
3.6  過程式知識表示    100
習題3    103
第4章  謂詞邏輯的歸結(jié)原理及其應(yīng)用    105
4.1  命題演算的歸結(jié)方法    105
4.1.1  基本概念    105
4.1.2  命題演算的歸結(jié)方法    106
4.2  謂詞演算的歸結(jié)    107
4.2.1  謂詞演算的基本問題    107
4.2.2  將公式化成標準子句形式的步驟    107
4.2.3  合一算法    109
4.2.4  為什么要變量分離標準化    112
4.2.5  謂詞演算的歸結(jié)算法    113
4.3  歸結(jié)原理    114
4.3.1  謂詞演算基礎(chǔ)    115
4.3.2  歸結(jié)方法可靠性證明    116
4.3.3  歸結(jié)方法的完備性    119
4.4  歸結(jié)過程的控制策略    128
4.4.1  簡化策略    128
4.4.2  支撐集策略    130
4.4.3  線性輸入策略    131
4.5 幾種歸結(jié)方法及其應(yīng)用實例    132
4.5.1  歸結(jié)方法    132
4.5.2  歸約及其應(yīng)用    134
4.5.3  利用一般歸結(jié)和等式歸結(jié)的推理實例    137
習題4    139
第5章  進一步的推理方法    141
5.1  非單調(diào)推理    141
5.1.1  單調(diào)推理與非單調(diào)推理的概念    141
5.1.2  默認邏輯    142
5.2  非單調(diào)推理系統(tǒng)TMS    143
5.2.1  TMS的依據(jù)    143
5.2.2  TMS中信念的狀態(tài)    143
5.2.3  TMS中信念的表示方法    144
5.2.4  TMS中的證實和推理    144
5.3  Dempster-Shafer（D-S）證據(jù)理論    146
5.4  不確定性推理    153
5.4.1  不確定性    153
5.4.2  主觀概率貝葉斯方法（Bayes Approaches）    154
5.5  MYCIN系統(tǒng)的推理模型    157
5.5.1  理論和實際的背景    157
5.5.2  MYCIN模型    159
5.5.3  MYCIN模型分析    160
5.5.4  MYCIN推理網(wǎng)絡(luò)的基本模式    162
5.5.5  MYCIN確定性因子的評價    164
5.6  模糊推理    164
5.6.1  模糊集論與模糊邏輯（Fuzzy Sets and Fuzzy Logic）    164
5.6.2  模糊聚類分析    167
5.7  基于案例的推理    174
5.7.1  基于案例推理的基本思想    175
5.7.2  案例的表示與組織    176
5.7.3  案例的檢索    177
5.7.4  案例的改寫    177
5.8  歸納法推理    177
5.8.1  歸納法推理的理論基礎(chǔ)    178
5.8.2  歸納法推理的基本概念    180
5.8.3  歸納法推理研究中的主要難點    183
5.8.4  歸納法推理的研究成果    184
習題5    185
第6章  專家系統(tǒng)    188
6.1  概述    188
6.1.1  什么是專家系統(tǒng)    188
6.1.2  專家系統(tǒng)的結(jié)構(gòu)    188
6.1.3  專家系統(tǒng)的特點    189
6.1.4  專家系統(tǒng)的類型    189
6.1.5  成功專家系統(tǒng)的實例    191
6.2  知識獲取的直接方法    192
6.2.1  概述    192
6.2.2  知識獲取的直接方法    194
6.2.3  知識獲取的新進展    195
6.3  專家系統(tǒng)的解釋機制    196
6.3.1  預(yù)制文本解釋法    196
6.3.2  路徑跟蹤解釋法    197
6.3.3  自動程序員解釋法    197
6.3.4  策略解釋法    198
6.4  專家系統(tǒng)開發(fā)工具與環(huán)境    199
6.5  專家系統(tǒng)開發(fā)方法    200
6.5.1  專家系統(tǒng)開發(fā)步驟    200
6.5.2  專家系統(tǒng)開發(fā)方法    202
6.6  專家系統(tǒng)開發(fā)實例    202
6.6.1  動物識別專家系統(tǒng)    203
6.6.2  MYCIN專家系統(tǒng)    204
習題6    205
第7章  機器學習    206
7.1  概述    206
7.1.1  機器學習的定義和意義    206
7.1.2  機器學習的研究簡史    206
7.1.3  機器學習方法的分類    207
7.1.4  機器學習中的推理方法    209
7.2  歸納概念學習    210
7.2.1  歸納概念學習的定義    211
7.2.2  歸納概念學習的形式描述    213
7.2.3  歸納概念學習算法的一般步驟    214
7.2.4  歸納概念學習的復(fù)雜度和精確度    215
7.2.5  歸納概念學習的基本技術(shù)    215
7.3  基于解釋的學習    224
7.3.1  基于解釋學習的基本原理    224
7.3.2  基于解釋學習的一般框架    224
7.3.3  基于解釋學習的過程    225
7.4  基于類比的學習    226
7.4.1  類比學習的一般原理    226
7.4.2  類比學習的表示    227
7.4.3  類比學習的求解    228
7.4.4  逐步推理和監(jiān)控的類比學習    228
7.5  人工神經(jīng)網(wǎng)絡(luò)學習    230
7.5.1  人工神經(jīng)網(wǎng)絡(luò)的發(fā)展簡史    230
7.5.2  人工神經(jīng)網(wǎng)絡(luò)的基本原理    232
7.5.3  人工神經(jīng)網(wǎng)絡(luò)模擬的數(shù)學基礎(chǔ)    235
7.5.4  人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)模式    237
7.5.5  人工神經(jīng)網(wǎng)絡(luò)的學習算法    238
7.5.6  神經(jīng)網(wǎng)絡(luò)模型分類    240
習題7    243
第8章  自然語言處理    244
8.1  語言的組成部分    245
8.1.1  實詞和虛詞    245
8.1.2  短語結(jié)構(gòu)    245
8.2  上下文無關(guān)語法    246
8.2.1  重寫規(guī)則    246
8.2.2  語法分析    247
8.3  上下文無關(guān)語法分析    248
8.3.1  產(chǎn)生后繼狀態(tài)的算法    249
8.3.2  利用詞典    251
8.3.3  建立語法分析樹    251
8.4  特殊語法的分析    254
8.4.1  引進特征    255
8.4.2  特征匹配    256
8.5  利用圖表的高效語法分析    259
8.5.1  Chart數(shù)據(jù)結(jié)構(gòu)    259
8.5.2  有多種解釋的句子    259
8.6  語義解釋    261
8.6.1  詞的意思（Sense）    262
8.6.2  利用特征的語義解釋    263
8.6.3  消除詞的多義意思    265
8.7  生成自然語言    266
8.8  在上下文中的自然語言    267
8.8.1  言語的行為（Speech Acts）    268
8.8.2  創(chuàng)建引用    268
8.8.3  處理數(shù)據(jù)庫的斷言和問題    269
習題8    273
第9章  Agent技術(shù)    275
9.1  Agent的定義    275
9.1.1  Agent的弱定義    276
9.1.2  Agent的強定義    276
9.2  Agent的分類    276
9.2.1  按功能劃分    277
9.2.2  按屬性劃分    278
9.2.3  其他的特殊Agent    281
9.3  移動Agent    281
9.3.1  移動Agent系統(tǒng)的一般結(jié)構(gòu)    282
9.3.2  移動Agent的分類    284
9.3.3  移動Agent的優(yōu)點    286
9.3.4  移動Agent的技術(shù)難點    287
9.3.5  移動Agent技術(shù)的標準化    288
9.4  移動Agent平臺的介紹    289
9.4.1  General Magic公司的Odyssey    290
9.4.2  IBM公司的Aglet    290
第10章  知識獲取的新技術(shù)    292
10.1  數(shù)據(jù)挖掘    292
10.1.1  數(shù)據(jù)挖掘的產(chǎn)生和最新發(fā)展    292
10.1.2  數(shù)據(jù)挖掘研究的主要內(nèi)容    293
10.1.3  數(shù)據(jù)挖掘的特點    294
10.1.4  數(shù)據(jù)挖掘的分類    294
10.1.5  數(shù)據(jù)挖掘中常用的技術(shù)    295
10.1.6  數(shù)據(jù)挖掘過程    296
10.1.7  數(shù)據(jù)挖掘的研究方向及面臨的困難    296
10.1.8  數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則挖掘    297
10.2  Web挖掘    303
10.2.1  Web挖掘概述    303
10.2.2  Web挖掘分類    304
10.2.3  Web數(shù)據(jù)挖掘的技術(shù)難點    310
10.3  文本挖掘    310
10.3.1  文本挖掘的概念    310
10.3.2  文本挖掘預(yù)處理    311
10.3.3  文本挖掘的關(guān)鍵技術(shù)    312
10.3.4  文本挖掘系統(tǒng)的評價標準    313
第11章  遺傳算法    314
11.1  概述    314
11.1.1  遺傳算法的基本概念    314
11.1.2  遺傳算法的基本流程    315
11.2  遺傳編碼    316
11.2.1  二進制編碼    317
11.2.2  Gray編碼    318
11.2.3  實數(shù)編碼    318
11.2.4  有序編碼    318
11.2.5   結(jié)構(gòu)式編碼    319
11.3  適應(yīng)值函數(shù)    319
11.4  遺傳操作    320
11.4.1  選擇操作（Selection）    320
11.4.2  交叉操作（Crossover）    323
11.4.3  變異操作（Mutation）    325
11.5  初始化群體    326
11.6  控制參數(shù)的選取    326
11.7  算法的終止準則    327
11.8  遺傳算法的基本理論    327
11.8.1  模式定理    327
11.8.2  隱含并行性    329
11.8.3  構(gòu)造塊假設(shè)    329
11.8.4  收斂性    329
11.9  遺傳算法簡例    329
11.10  遺傳算法的應(yīng)用領(lǐng)域    332
習題11    334
第12章  群集智能算法    335
12.1  群集智能算法的研究背景    335
12.2  群集智能基本算法的介紹    335
12.2.1  蟻群算法    335
12.2.2  Flock算法    340
12.3  集智系統(tǒng)介紹    342
12.3.1  “人工魚”    342
12.3.2  Terrarium世界    346
12.4  群集智能的優(yōu)缺點    352
第13章  次協(xié)調(diào)邏輯與自動推理    353
13.1  次協(xié)調(diào)邏輯的概述    353
13.1.1  傳統(tǒng)的人工智能與經(jīng)典邏輯    353
13.1.2  人工智能中不協(xié)調(diào)的數(shù)據(jù)和知識庫    353
13.1.3  次協(xié)調(diào)邏輯的含義    354
13.2  注解謂詞演算    354
13.2.1  多真值格    354
13.2.2  注解邏輯    356
13.2.3  注解謂詞公式的語義    356
13.2.4  APC中的不協(xié)調(diào)、非、蘊含    359
13.3  基于APC的SLDa-推導和SLDa-反駁    361
13.3.1  SLDa-推導和SLDa-反駁    361
13.3.2  注解邏輯推理方法    362
13.3.3  注解邏輯推理舉例    362
13.4  注解邏輯的歸結(jié)原理    364
13.5  應(yīng)用實例    368
13.6  控制策略    375
習題13    376
參考文獻    377