人工智能原理及應用

內(nèi)容概要

　　《普通高等教育電氣工程與自動化（應用型）“十二五”規(guī)劃教材：人工智能原理及應用》從人工智能的應用角度出發(fā)，系統(tǒng)介紹了人工智能的基本原理、方法和應用技術，包括知識的表示、確定性推理和搜索策略，以及不確定性推理方法、機器學習和計算智能，并介紹了人工智能的應用研究和最新研究進展。讀者在理論學習的同時，可以進行仿真和應用實驗，有助于對人工智能原理的理解，掌握其技術應用方法。本書后附有詳細的實驗指導。　　《普通高等教育電氣工程與自動化（應用型）“十二五”規(guī)劃教材：人工智能原理及應用》理論講解深入淺出，通俗易懂，原理講解與技術應用緊密結合，適合自動化、計算機、電子商務、電子政務及信息管理等專業(yè)的教學和自學，亦可供相關領域的科研人員和工程技術人員參考。

書籍目錄

前言第1章 緒論1.1 人工智能的概念和研究意義1.1.1 人工智能的概念1.1.2 人工智能的研究意義1.1.3 人工智能的研究目標和特點1.2 人工智能的起源和發(fā)展1.2.1 萌芽期1.2.2 形成期1.2.3 發(fā)展期1.2.4 人工智能的最新研究進展和爭論1.3 人工智能的研究內(nèi)容和應用領域1.3.1 人工智能研究的課題1.3.2 人工智能的應用領域習題一第2章 知識的表示2.1 知識及其表示概述2.1.1 知識的含義與結構2.1.2 知識的特征、分類和表示2.1.3 人工智能系統(tǒng)所關心的知識2.1.4 陳述性知識與過程性知識2.2 狀態(tài)空間表示2.2.1 狀態(tài)2.2.2 操作2.2.3 狀態(tài)空間2.2.4 問題的解2.2.5 狀態(tài)空間表示法求解步驟2.3 謂詞邏輯表示2.3.1 謂詞邏輯的基本內(nèi)容2.3.2 個體詞、謂詞與量詞2.3.3 謂詞公式2.3.4 謂詞公式的解釋2.3.5 謂詞邏輯表示知識2.4 問題歸約表示2.4.1 問題歸約表示的過程2.4.2 問題歸約法的與/或圖表示2.4.3 問題歸約法的節(jié)點定義2.4.4 問題歸約表示的可解性2.5 語義網(wǎng)絡表示2.5.1 語義網(wǎng)絡表示法2.5.2 語義網(wǎng)絡的網(wǎng)絡結構2.5.3 語義網(wǎng)絡的語義表示2.5.4 連詞和量化的表示2.5.5 語義網(wǎng)絡推理的性質繼承及匹配2.5.6 語義網(wǎng)絡表示法的特點2.6 框架表示2.6.1 框架理論2.6.2 框架結構2.6.3 附加過程2.6.4 框架系統(tǒng)中的知識組織2.6.5 框架系統(tǒng)的推理機制2.6.6 框架表示法的評價2.7 過程表示2.7.1 過程知識表示的概念2.7.2 示例：使用過程表示法求解九宮問題2.7.3 過程表示的特點2.8 面向對象的表示2.8.1 面向對象的概念與特性2.8.2 面向對象的原則2.8.3 面向對象的要素2.8.4 類與類繼承2.8.5 面向對象的知識表示的內(nèi)容2.8.6 面向對象表示的實例2.8.7 面向對象知識表示的特點2.9 Prolog語言概述2.9.1 Prolog語言的背景2.9.2 Prolog語言的邏輯思想示例2.9.3 Prolog語言的邏輯程序定義2.9.4 Prolog語言的數(shù)據(jù)結構和遞歸習題二第3章 確定性推理方法3.1 推理概述3.1.1 推理的概念3.1.2 推理的方法3.1.3 推理的控制策略3.1.4 推理中的沖突3.2 確定性推理的邏輯基礎3.2.1 命題公式的解釋3.2.2 等價式3.2.3 永真蘊含式3.2.4 前束范式與Skolem范式3.2.5 置換與合一3.3 演繹推理方法3.3.1 演繹推理的概念3.3.2 演繹推理的特點3.4 歸結推理方法3.4.1 子句集及其化簡3.4.2 Herbrand（海伯倫）定理3.4.3 Robinson（魯賓遜）歸結原理3.4.4 利用歸結推理進行定理證明3.4.5 應用歸結原理進行問題求解3.5 歸結過程中的控制策略3.5.1 引入控制策略的原因3.5.2 歸結控制策略習題三第4章 不確定性推理方法4.1 不確定推理概述4.1.1 不確定推理的概念4.1.2 不確定推理的基本問題和方法分類4.1.3 不確定性推理與產(chǎn)生式表示4.2 概率推理4.2.1 概率的基本性質和計算公式4.2.2 概率推理方法4.3 主觀貝葉斯方法4.3.1 知識不確定性的表示4.3.2 證據(jù)不確定性的表示4.3.3 主觀貝葉斯方法的推理過程4.3.4 主觀貝葉斯方法應用舉例4.4 可信度方法4.4.1 可信度的概念4.4.2 基于可信度的不確定性表示——CF模型4.4.3 可信度方法的推理算法4.4.4 可信度方法應用舉例4.5 證據(jù)理論（D-STheory）4.5.1 證據(jù)理論的形式化描述4.5.2 證據(jù)理論的不確定性推理模型4.5.3 證據(jù)理論應用舉例4.6 模糊推理4.6.1 模糊集理論與模糊邏輯4.6.2 模糊知識的表示和模糊概念的匹配4.6.3 模糊規(guī)則推理方法習題四第5章 搜索策略5.1 搜索概述5.1.1 搜索的概念及類型5.1.2 狀態(tài)空間的搜索5.1.3 與/或樹的搜索5.2 狀態(tài)空間的盲目搜索策略5.2.1 狀態(tài)空間圖的一般搜索過程5.2.2 廣度優(yōu)先搜索和深度優(yōu)先搜索5.2.3 代價樹的搜索5.3 狀態(tài)空間的啟發(fā)式搜索策略5.3.1 啟發(fā)信息與估價函數(shù)5.3.2 最佳優(yōu)先搜索5.3.3 A*算法5.3.4 A*算法應用舉例5.4 與/或樹的盲目搜索策略5.4.1 與/或樹的搜索過程5.4.2 與/或樹的廣度優(yōu)先搜索5.4.3 與/或樹的深度優(yōu)先搜索5.5 與/或樹的啟發(fā)式搜索策略5.5.1 解樹的代價與希望樹5.5.2 與/或樹的啟發(fā)式搜索過程5.6 博弈樹的啟發(fā)式搜索5.6.1 博弈樹的搜索過程5.6.2 極大極小分析法5.6.3 α-β剪枝習題五第6章 機器學習6.1 機器學習概述6.1.1 機器學習的概念6.1.2 研究機器學習的意義6.1.3 機器學習的發(fā)展過程6.1.4 機器學習的主要策略6.2 機械學習6.2.1 機械學習的過程6.2.2 機械學習系統(tǒng)要考慮的問題6.3 歸納學習6.3.1 示例學習6.3.2 觀察與發(fā)現(xiàn)學習6.4 解釋學習6.4.1 解釋學習的基本原理6.4.2 解釋學習過程和算法6.4.3 解釋學習舉例6.5 類比學習6.5.1 類比學習的概念6.5.2 類比學習的表示6.5.3 類比學習的求解6.6 決策樹學習6.6.1 ID3算法6.6.2 實例計算6.7 神經(jīng)網(wǎng)絡學習6.7.1 神經(jīng)網(wǎng)絡學習的概念6.7.2 感知器學習6.7.3 BP網(wǎng)絡學習6.7.4 Hopfield網(wǎng)絡學習習題六第7章 計算智能7.1 計算智能概述7.1.1 計算智能的概念7.1.2 計算智能的研究發(fā)展過程7.1.3 計算智能與人工智能的關系7.2 神經(jīng)計算7.2.1 生物神經(jīng)元7.2.2 人工神經(jīng)元7.2.3 神經(jīng)網(wǎng)絡的互連結構7.2.4 神經(jīng)網(wǎng)絡的典型模型7.3 模糊計算7.3.1 模糊集及其運算7.3.2 模糊關系及其運算7.4 遺傳算法7.4.1 遺傳算法的基本概念7.4.2 遺傳算法的基本原理7.4.3 遺傳算法的應用7.5 蟻群算法習題七第8章 人工智能應用研究8.1 專家系統(tǒng)8.1.1 專家系統(tǒng)的起源和發(fā)展8.1.2 專家系統(tǒng)的結構8.1.3 專家系統(tǒng)的特點8.1.4 專家系統(tǒng)的建立8.1.5 專家系統(tǒng)應用實例：混凝土成品料溫專家控制系統(tǒng)8.2 自然語言理解8.2.1 概述8.2.2 句法分析8.2.3 詞性標注8.3 數(shù)據(jù)挖掘與知識發(fā)現(xiàn)8.3.1 概述8.3.2 關聯(lián)規(guī)則挖掘8.3.3 分類8.3.4 聚類分析8.4 自動規(guī)劃8.4.1 概述8.4.2 自動規(guī)劃的原理8.4.3 自動規(guī)劃技術8.4.4 自動規(guī)劃技術的最新發(fā)展8.5 分布式智能與Agent8.5.1 分布式智能概述8.5.2 Agent的概念和模型8.5.3 多Agent的概念及其建模8.5.4 Agent之間的通信8.5.5 Agent的體系結構習題八附錄 實驗指導實驗一 VisualProlog知識表示與推理實驗實驗二 狀態(tài)空間搜索——八數(shù)碼問題實驗三 基于MATLAB的模糊推理系統(tǒng)設計實驗四 基于MATLAB的神經(jīng)網(wǎng)絡設計實驗五 應用遺傳算法求解優(yōu)化問題參考文獻

圖書封面

評論、評分、閱讀與下載

---

    人工智能原理及應用 PDF格式下載

---