人工智能技術簡明教程

內(nèi)容概要

　　本書簡明扼要地介紹了人工智能技術的基本原理、方法及其應用。全書共10章，主要內(nèi)容包括：人工智能的基本概念、研究途徑、分支領域和發(fā)展概況等；常用的人工智能程序設計語言Prolog；基于圖搜索的問題求解技術；基于遺傳算法的隨機優(yōu)化搜索；常用的知識表示及其推理技術；機器學習與知識發(fā)現(xiàn)的基本原理和方法；專家系統(tǒng)的基本原理與建造方法；Agent系統(tǒng)的基本原理與設計；智能機器人的基本原理；智能化網(wǎng)絡的基本原理與技術。
　　本書取材新穎，內(nèi)容簡明，注重基礎，面向應用，理例結合，?教易學，可作為普通高等院校計算機、自動化、信息、計算科學、管理、控制及系統(tǒng)工程等專業(yè)人工智能課程的教材或教學參考書，也可供其他專業(yè)的師生和相關科研及工程技術人員自學或參考。

書籍目錄

第1章　概述　
　1.1　什么是人工智能　
　1.2　為什么要研究人工智能　
　1.3　人工智能的研究途徑與方法　
　1.4　人工智能技術的應用　
　1.5　人工智能學科的發(fā)展概況*　
　習題1　
第2章　邏輯程序設計語言Prolog　
　2.1　Prolog基礎　
　　2.1.1　Prolog的語句　
?　2.1.2　Prolog的程序　
　　2.1.3　Prolog程序的運行機理　
　2.2　Turbo Prolog程序設計　
　　2.2.1　程序結構　
　　2.2.2　數(shù)據(jù)與表達式　
　　2.2.3　輸入與輸出　
　　2.2.4　分支與循環(huán)　
　　2.2.5　動態(tài)數(shù)據(jù)庫　
　　2.2.6　表處理與遞歸　
　　2.2.7　回溯控制　
　　2.2.8　程序舉例　
　2.3　Visual Prolog語言簡介*　
　習題2　
第3章　基于圖搜索的問題求解　
　3.1　狀態(tài)圖搜索　
　　3.1.1　狀態(tài)圖　
　　3.1.2　狀態(tài)圖搜索　
　　3.1.3　窮舉式搜索　
　　3.1.4　啟發(fā)式搜索　
　　3.1.5　加權狀態(tài)圖搜索　
　　3.1.6　A算法和A*算法　
　　3.1.7　狀態(tài)圖搜索策略小結　
　3.2　狀態(tài)圖搜索問題求解　
　　3.2.1　問題的狀態(tài)圖表示　
　　3.2.2　狀態(tài)圖問題求解程序舉例　
　3.3　與或圖搜索　
　　3.3.1　與或圖　
　　3.3.2　與或圖搜索　
　　3.3.3　啟發(fā)式與或樹搜索　
　3.4　與或圖搜索問題求解　
　　3.4.1　問題的與或圖表示　
　　3.4.2　與或圖問題求解?序舉例　
　3.5　博弈樹搜索*　
　　3.5.1　博弈樹的概念　
　　3.5.2　極小-極大分析法　
　　3.5.3　a-b剪枝技術　
　習題3　
第4章　基于遺傳算法的隨機優(yōu)化搜索　
　4.1　幾個基本概念　
　4.2　基本遺傳算法　
　4.3　遺傳算法應用舉例　
　4.4　遺傳算法的特點與優(yōu)勢　
　習題4　
第5章　知識表示與推理　
　5.1　概述　
　　5.1.1　知識及其表示　
　　5.1.2　機器推理　
　5.2　謂詞公式及其推理　
　　5.2.1　一階謂詞邏輯簡介　
　　5.2.2　自然語言命題的謂詞公式表示與推理　
　　5.2.3　子句與歸結演繹推理　
　5.3　產(chǎn)生式規(guī)則及其推理　
　　5.3.1　產(chǎn)生式規(guī)則及其推理模式　
　　5.3.2　產(chǎn)生式系統(tǒng)　
　5.4　幾種結構化知識表示及其推理　
　　5.4.1　框架及其推理　
　　5.4.2　語義網(wǎng)絡及其推理　
　　5.4.3　類與對象及其推理　
　5.5　不確定性知識的表示與推理*　
　　5.5.1　何為不確定性知識　
　　5.5.2　不確定性知識的表示及推理　
　　5.5.3　確定性理論簡介　
　5.6　不確切性知識的表示及推理*　
　　5.6.1　何為不確切性知識　
　　5.6.2　不確切性知識的表示及推理　
　習題5　
第6章　機器學習與知識發(fā)現(xiàn)　
　6.1　機器學習與知識發(fā)現(xiàn)的概念　
　　6.1.1　何為機器學習和知識發(fā)現(xiàn)　
　　6.1.2　機器學習的分類　
　6.2　符號學習　
　　6.2.1　記憶學習　
　　6.2.2　示例學習　
　　6.2.3　決策樹學習　
　6.3　神經(jīng)網(wǎng)絡學習　
　　6.3.1　從生物神經(jīng)元到人工神經(jīng)元　
　　6.3.2　人工神經(jīng)網(wǎng)絡　
　　6.3.3　神經(jīng)網(wǎng)絡學習　
　　6.3.4　BP網(wǎng)絡及其學習舉例　
　6.4　知識發(fā)現(xiàn)與數(shù)據(jù)挖掘　
　習題6　
第7章　專家系統(tǒng)　
　7.1　什么是專家系統(tǒng)　
　7.2　專家系統(tǒng)的結構　
　　7.2.1　概念結構　
　　7.2.2　實際結構　
　　7.2.3　黑板模型　
　　7.2.4　網(wǎng)絡與分布式結構　
　7.3　專家系統(tǒng)實例　
　7.4　專家系統(tǒng)設計與實現(xiàn)　
　　7.4.1　一般步驟與方法　
　　7.4.2　知識獲取　
　　7.4.3　知識表示與知識描述語言設計　
　　7.4.4　知識庫與知識庫管理系統(tǒng)設計　
　　7.4.5　推理機與解釋機制設計　
　　7.4.6　系統(tǒng)結構設計　
　　7.4.7　人機界面設計　
　7.5　開發(fā)工具與環(huán)境　
　　7.5.1　開發(fā)工具　
　　7.5.2　開發(fā)環(huán)境　
　習題7　
第8章　Agent系統(tǒng)　
　8.1　什么是Agent　
　8.2　Agent實例——Web Agent　
　8.3　多Agent系統(tǒng)　
　8.4　Agent的實現(xiàn)　
　8.5　Agent技術的發(fā)展與應用　
　習題8　
第9章　智能機器人　
　9.1　智能機器人的概念　
　9.2　機器人感知　
　9.3　機器人規(guī)劃　
　9.4　機器人控制　
　9.5　機器人系統(tǒng)的軟件結構　
　9.6　機器人程序設計與語言　
　習題9　
第10章　智能化網(wǎng)絡　
　10.1　智能網(wǎng)　
　10.2　網(wǎng)絡的智能化管理與控制　
　10.3　智能搜索引擎與網(wǎng)上信息的智能化檢索　
　習題10　
上機實習　
實習一　Prolog語言編程練習　
實習二　小型演繹數(shù)據(jù)庫系統(tǒng)開發(fā)練習　
實習三　圖搜索問題求解程序練習　
實習四　小型專家系統(tǒng)設計與實現(xiàn)　
參考文獻

章節(jié)摘錄

版權頁：插圖：3.連接主義途徑發(fā)展概況  從連接主義的研究途徑看，早在20世紀40年代，就有一些學者開始了神經(jīng)元及其數(shù)學模型的研究。例如，1943年心理學家McCulloch和數(shù)學家Pitts提出了形式神經(jīng)元的數(shù)學模型——現(xiàn)在稱為：MP模型，1944年。Hebb提出了改變神經(jīng)元連接強度的Hebb規(guī)則。MP模型和Hebb規(guī)則至今仍在各種神經(jīng)網(wǎng)絡中起重要作用。20世紀50年代末到60年代初，開始了人工智能意義下的神經(jīng)網(wǎng)絡系統(tǒng)的研究。研究者結合生物學和心理學研究的成果開發(fā)出一批神經(jīng)網(wǎng)絡，開始用電子線路實現(xiàn)，后來較多使用更靈活的計算機模擬。如1957年羅圣勃萊特（F.Rosenblatt）開發(fā)的稱為感知器（Perceptron）單層神經(jīng)網(wǎng)絡，1962年維特羅（B.Windrow）提出的自適應線性元件（Adaline）等。這些神經(jīng)網(wǎng)絡已可用于諸如天氣預報、電子線路分析、人工視覺等許多領域。當時，人們似乎感到智能的關鍵僅僅是如何構造足夠大的神經(jīng)網(wǎng)絡的方法問題，但這種設想很快就消失了。類似的網(wǎng)絡求解問題的失敗和成功并存，造成無法解釋的困擾。人工神經(jīng)網(wǎng)絡開始了對失敗原因的分析階段。作為人工智能創(chuàng)始人之一的著名學者明斯基（Minsky）應用數(shù)學理論對以感知器為代表的簡單網(wǎng)絡作了深入的分析，于1969年他與白伯脫（：Papert）共同發(fā)表了頗有影響的《Perceptrons》一書。書中證明了那時使用的單層人工神經(jīng)網(wǎng)絡，無法實現(xiàn)一個簡單的異或門（XOR）所完成的功能，因而明斯基本人也對神經(jīng)網(wǎng)絡的前景持悲觀態(tài)度。由于明斯基的理論證明和個人.威望，這本書的影響很大，使許多學者放棄了在該領域中的繼續(xù)努力，政府機構也改變了基金資助的方向。另外，由于在此期間，人工智能基于邏輯與符號推理途徑的研究不斷取得進展和成功，也掩蓋了發(fā)展新途徑的必要性和迫切性。于是，神經(jīng)網(wǎng)絡的研究進入低谷。然而，仍有少數(shù)杰出科學家，如寇耐（T Kohonen）、葛勞斯伯格（S.Grossberg）、安特生（J.Andenson）等，在極端艱難的環(huán)境下仍堅韌不拔地繼續(xù)努力。經(jīng)過這些科學家的艱苦探索，神經(jīng)網(wǎng)絡的理論和技術在經(jīng)過近20年的暗淡時期后終于有了新的突破和驚人的成果。1985年，美國霍布金斯大學的賽諾斯（T.sejnowsk）開發(fā)了名為NETtalk的英語讀音學習用的神經(jīng)網(wǎng)絡處理器，輸入為最多由7個字母組成的英語單詞，輸出為其發(fā)音。該處理器自己可以學習許多發(fā)音規(guī)則，因此從一無所知起步，經(jīng)過3個月的學習所達到的水平已可同經(jīng)過20年研制成功的語音合成系統(tǒng)相媲美。同年，美國物理學家霍普菲爾特（J.Hopfield）用神經(jīng)網(wǎng)絡迅速求得了巡回推銷員路線問題（即旅行商問題）的準優(yōu)解，顯示它在求解“難解問題”上的非凡能力。實際上，早在1962年，霍普菲爾特就提出了著名的HNN模型。在這個模型中，他引入了“計算能量函數(shù)”的概念，給出了網(wǎng)絡的穩(wěn)定性判據(jù)，從而開拓了神經(jīng)網(wǎng)絡用于聯(lián)想記憶和優(yōu)化計算的新途徑。此外，還有不少成功的例子，這些重大突破和成功轟動了世界。人們開始對冷落了近20年的神經(jīng)網(wǎng)絡又刮目相看了。另外，在這一時期，雖然在符號主義途徑上，人工智能在專家系統(tǒng)、知識工程等方面取得很大的進展，但在模擬人的視覺、聽覺和學習、適應能力方面，卻遇到了很大的困難。這又使人們不得不回過頭來對人工智能的研究途徑進行新的反思，不得不去尋找新的出路。正是在這樣的背景下，神經(jīng)網(wǎng)絡研究的熱潮又再度出現(xiàn)。學會，并出版會刊《Neural Networks》。

編輯推薦

《人工智能技術簡明教程》：21世紀高等學校計算機規(guī)劃教材

圖書封面

評論、評分、閱讀與下載

---

    人工智能技術簡明教程 PDF格式下載

---