人工智能技術(shù)

定　價：￥44.00

作　者：	修春波著
出版社：	機械工業(yè)出版社
叢編項：	普通高等教育“十三五”規(guī)劃教材
標　簽：	暫缺

購買這本書可以去

京東 (￥44.00)

ISBN：	9787111604099	出版時間：	2018-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	269	字數(shù)：

內(nèi)容簡介

　　本書介紹了人工智能的發(fā)展歷史？基本流派？研究領(lǐng)域，知識表示方法和推理技術(shù)？圖搜索技術(shù)，專家系統(tǒng)及其開發(fā)工具的使用和設(shè)計方法，模糊理論及應(yīng)用，機器學習和神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)，混沌理論，智能優(yōu)化算法原理和應(yīng)用，多智能體技術(shù)等內(nèi)容？本書是作者在多年教學和科研實踐的基礎(chǔ)上，參閱了國內(nèi)外現(xiàn)有教材和相關(guān)文獻后編寫的？全書注重理論與實踐的結(jié)合，注重算法的實際應(yīng)用與實現(xiàn)方法，注重創(chuàng)新思維的訓練與培養(yǎng)？本書可作為高等院校人工智能？自動化？電氣工程及其自動化？計算機科學與技術(shù)？電子信息工程等專業(yè)學生“人工智能” 課程的本科生？研究生教材，也可供從事人工智能研究與應(yīng)用的科技工作者學習參考？

作者簡介

暫缺《人工智能技術(shù)》作者簡介

圖書目錄

目錄
前言
第1 章緒論 1
1. 1 人工智能的起源與發(fā)展 1
1. 2 人工智能學術(shù)流派 4
1. 3 人工智能的研究與應(yīng)用領(lǐng)域 6
習題 10
第2 章知識表示和推理 11
2. 1 知識和知識表示的基本概念 11
2. 2 命題邏輯 14
2. 2. 1 語法 14
2. 2. 2 語義(Semantics) 15
2. 2. 3 命題演算(Calculas) 形式系統(tǒng) 16
2. 3 謂詞邏輯 17
2. 3. 1 語法 18
2. 3. 2 語義 21
2. 4 歸結(jié)推理 25
2. 4. 1 子句集及其簡化 26
2. 4. 2 海伯倫定理 29
2. 4. 3 Robinson 歸結(jié)原理 33
2. 4. 4 利用Robinson 歸結(jié)原理實現(xiàn)定理
證明 38
2. 4. 5 應(yīng)用歸結(jié)原理求解問題 42
2. 5 產(chǎn)生式系統(tǒng) 43
2. 5. 1 產(chǎn)生式系統(tǒng)的組成部分 44
2. 5. 2 產(chǎn)生式系統(tǒng)的控制策略 45
2. 5. 3 產(chǎn)生式系統(tǒng)的推理方式 46
2. 6 語義網(wǎng)絡(luò)表示法 47
2. 6. 1 語義網(wǎng)絡(luò)的結(jié)構(gòu) 47
2. 6. 2 基本命題的語義網(wǎng)絡(luò)表示 47
2. 6. 3 語義網(wǎng)絡(luò)的知識表示方法 50
2. 6. 4 語義網(wǎng)絡(luò)表示法的特點 54
2. 7 框架表示法 54
2. 8 狀態(tài)空間表示法 56
2. 9 與或圖表示法 57
習題 58
第3 章圖搜索技術(shù) 59
3. 1 問題的提出 59
3. 2 狀態(tài)圖搜索 61
3. 2. 1 狀態(tài)圖搜索分類 61
3. 2. 2 窮舉式搜索 63
3. 2. 3 啟發(fā)式搜索 66
3. 2. 4 A 算法及A?算法 69
3. 3 與或圖搜索 71
3. 3. 1 與或圖 71
3. 3. 2 與或圖搜索 72
3. 4 博弈圖搜索 76
3. 4. 1 博弈圖 76
3. 4. 2 極大極小分析法 78
3. 4. 3 剪枝技術(shù) 80
習題 81
第4 章專家系統(tǒng) 82
4. 1 專家系統(tǒng)的概述 82
4. 1. 1 專家系統(tǒng)的概念與特點 82
4. 1. 2 專家系統(tǒng)和傳統(tǒng)程序的區(qū)別 83
4. 1. 3 專家系統(tǒng)的類型 83
4. 2 專家系統(tǒng)的結(jié)構(gòu) 84
4. 3 專家系統(tǒng)的設(shè)計原則與開發(fā)過程 85
4. 3. 1 專家系統(tǒng)的設(shè)計原則 85
4. 3. 2 專家系統(tǒng)的開發(fā)過程 86
4. 4 專家系統(tǒng)評價 87
4. 5 MYCIN 專家系統(tǒng)實例分析 88
4. 6 專家系統(tǒng)開發(fā)工具 90
4. 6. 1 骨架型開發(fā)工具 90
4. 6. 2 語言型開發(fā)工具 91
4. 6. 3 構(gòu)造輔助工具 91
4. 6. 4 支撐環(huán)境 92
4. 7 Prolog 語言 93
4. 7. 1 Prolog 語言的特點 93
4. 7. 2 基本Prolog 的程序結(jié)構(gòu) 94
4. 7. 3 Prolog 程序的運行機理 95
4. 7. 4 Turbo Prolog 程序結(jié)構(gòu) 97
4. 7. 5 Turbo Prolog 的數(shù)據(jù)與表達式 98
4. 7. 6 Visual Prolog 介紹 103
4. 7. 7 PIE: Prolog 的推理機 107
習題 109
第5 章模糊理論及應(yīng)用 110
5. 1 模糊理論的產(chǎn)生與發(fā)展 110
5. 2 模糊理論的數(shù)學基礎(chǔ) 111
5. 2. 1 經(jīng)典集合論的基本概念 111
5. 2. 2 模糊集合的基本概念 112
5. 2. 3 模糊關(guān)系與復合運算 115
5. 3 模糊推理 117
5. 3. 1 模糊條件語句 117
5. 3. 2 模糊推理 120
5. 4 模糊控制系統(tǒng)及模糊控制器 122
5. 4. 1 模糊控制系統(tǒng)的基本結(jié)構(gòu) 122
5. 4. 2 模糊控制器 123
5. 4. 3 模糊控制器的設(shè)計 124
5. 4. 4 模糊PID 控制器的設(shè)計 130
5. 5 模糊聚類分析與模糊模式識別 133
5. 5. 1 模糊聚類分析 134
5. 5. 2 模糊模式識別 137
5. 6 模糊聚類應(yīng)用案例分析 138
習題 143
第6 章機器學習和神經(jīng)網(wǎng)絡(luò) 144
6. 1 機器學習的基本概念和發(fā)展史 144
6. 2 經(jīng)典機器學習方法 145
6. 3 基于神經(jīng)網(wǎng)絡(luò)的學習 148
6. 3. 1 神經(jīng)網(wǎng)絡(luò)概述 148
6. 3. 2 人工神經(jīng)網(wǎng)絡(luò)模型 149
6. 4 BP 神經(jīng)網(wǎng)絡(luò) 153
6. 4. 1 網(wǎng)絡(luò)結(jié)構(gòu) 153
6. 4. 2 網(wǎng)絡(luò)學習算法 154
6. 4. 3 BP 網(wǎng)絡(luò)的改進算法 156
6. 4. 4 BP 神經(jīng)網(wǎng)絡(luò)的特點 157
6. 4. 5 神經(jīng)網(wǎng)絡(luò)應(yīng)用實例解析 158
6. 5 RBF 神經(jīng)網(wǎng)絡(luò) 160
6. 5. 1 徑向基函數(shù) 160
6. 5. 2 徑向基函數(shù)網(wǎng)絡(luò)結(jié)構(gòu) 162
6. 5. 3 網(wǎng)絡(luò)學習算法 162
6. 5. 4 RBF 網(wǎng)與BP 網(wǎng)的對比 163
6. 6 CMAC 神經(jīng)網(wǎng)絡(luò) 164
6. 6. 1 CMAC 網(wǎng)絡(luò)結(jié)構(gòu) 164
6. 6. 2 網(wǎng)絡(luò)學習算法 164
6. 6. 3 CMAC 網(wǎng)絡(luò)的特點 166
6. 7 Hopfield 神經(jīng)網(wǎng)絡(luò) 166
6. 7. 1 離散型Hopfield 網(wǎng)絡(luò) 167
6. 7. 2 連續(xù)型Hopfield 網(wǎng)絡(luò) 168
6. 8 Elman 神經(jīng)網(wǎng)絡(luò) 171
6. 8. 1 Elman 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 171
6. 8. 2 Elman 神經(jīng)網(wǎng)絡(luò)學習算法 172
6. 9 模糊神經(jīng)網(wǎng)絡(luò) 172
6. 9. 1 網(wǎng)絡(luò)結(jié)構(gòu) 173
6. 9. 2 學習過程 174
6. 10 其他類型的神經(jīng)網(wǎng)絡(luò)介紹 175
習題 178
第7 章卷積神經(jīng)網(wǎng)絡(luò)及TensorFlow
應(yīng)用實踐 179
7. 1 卷積神經(jīng)網(wǎng)絡(luò)發(fā)展簡介 179
7. 2 卷積神經(jīng)網(wǎng)絡(luò)工作原理 179
7. 3 TensorFlow 學習 185
7. 3. 1 TensorFlow 簡介 185
7. 3. 2 TensorFlow 中的函數(shù)和相關(guān)
運算 190
7. 3. 3 卷積函數(shù) 194
7. 3. 4 池化函數(shù) 196
7. 4 利用TensorFlow 進行圖像處理 197
7. 4. 1 圖像的讀取與存儲 197
7. 4. 2 圖像處理常用函數(shù) 197
7. 5 卷積神經(jīng)網(wǎng)絡(luò)在MNIST 的應(yīng)用
實例 201
習題 212
第8 章混沌