图书介绍
人工智能基础PDF|Epub|txt|kindle电子书版本网盘下载
- 高济等编著 著
- 出版社： 北京：高等教育出版社
- ISBN：7040110970
- 出版时间：2002
- 标注页数：478页
- 文件大小：22MB
- 文件页数：488页
- 主题词：人工智能(学科: 高等学校) 人工智能
PDF下载
下载说明
人工智能基础PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第一章 人工智能研究的发展和基本原则1
1.1 人工智能的研究和应用1
1.2 人工智能研究的发展5
1.3 人工智能研究的成果6
1.4 人工智能研究的基本原则10
1.5 存在的问题和发展前景12
习题14
参考文献14
第二章 问题求解的基本方法15
2.1 一般图搜索15
2.1.1 状态空间搜索15
2.1.2 启发式搜索23
2.1.3 状态空间抽象和生成一测试法29
2.1.4 启发式搜索的适用性讨论31
2.2 问题归约33
2.2.1 问题归约的描述33
2.2.2 与或图搜索38
2.2.3 与或图的启发式搜索40
2.3 基于归结的演绎推理44
2.3.1 谓词演算44
2 3.2 归结演绎方法51
2.3.3 归结反演59
2.4 基于规则的演绎推理63
2.4.1 基于规则的正向演绎推理64
2.4.2 基于规则的逆向演绎推理70
2.4.3 演绎推理的应用讨论72
2.4.4 逻辑编程语言Prolog74
本章小结82
习题83
参考文献87
第三章 知识表示88
3.1 知识和知识表示88
3.1.1 知识原则88
3.1.2 知识表示的作用89
3.1.3 知识表示的功能91
3.1.4 知识表示的性能92
3.1.5 基本的知识表示方式93
3.2 产生式表示96
3.2.1 产生式系统96
3.2.2 控制策略101
3.2.3 产生式系统的分类105
3.3 结构化表示107
3.3.1 语义网络107
3.3.2 框架表示法113
3.3.3 面向对象的表示法117
3.4 知识表示的实用化问题118
3.4.1 程序性和陈述性知识118
3.4.2 表示能力和推理效率之间的制约关系119
本章小结124
习题125
参考文献127
第四章 基于知识的系统129
4.1 KB系统的开发129
4.1.1 KB系统的一般概念129
4.1.2 KB系统的体系结构原则133
4.1.3 KB系统的开发过程135
4.1.4 KB系统的开发工具和环境137
4.2 设计基于产生式表示的KB系统开发工具138
4.2.1 总体设计138
4.2.2 Xps的实现141
4.2.3 应用实例——家族树143
4.2.4 性能改进146
4.2.5 开发工具OPS5147
4.3 专家系统实例——MYCIN148
4.3.1 知识库的构造149
4.3.2 推理机的设计151
4.3.3 系统服务设施155
4.3.4 开发工具EMYCIN157
4.4 问题求解的结构化组织158
4.4.1 结构化组织的需求159
4.4.2 事务表160
4.4.3 黑板法161
4.4.4 问题求解建模163
4 4.5 新一代KB系统技术167
本章小结170
习题171
参考文献173
第五章 自动规划和配置174
5.1 经典规划技术174
5.1.1 经典规划技术的发展174
5.1.2 规划的基本概念175
5.1.3 早期的自动规划技术179
5.1.4 部分排序规划技术185
5.2.1 非经典规划技术的开发189
5.2 自动规划技术的新进展189
5.2.2 自动规划技术的实用化190
5.2.3 智能的调度、规划和项目管理193
5.3 自动配置200
5.3.1 配置的一般概念200
5.3.2 自动配置的建模202
5.3.3 XCON——计算机自动配置系统208
本章小结214
习题216
参考文献217
6.1.1 机器学习的基本概念219
6.1 机器学习概论219
第六章 机器学习219
6.1.2 机器学习的发展历史220
6.1.3 机器学习分类223
6.2 示例学习229
6.2.1 示例学习的基本策略230
6.2.2 决策树构造法ID3238
6.3 基于解释的学习243
6.3.1 基于解释的泛化(EBG)244
6.3.2 基于解释学习的若干基本问题248
6.4 遗传算法249
6.4.1 简单遗传算法250
6.4.2 分类系统253
6.5 加强学习258
6.5.1 加强学习的基本方法258
6 5.2 Q学习261
6.5.3 有关加强学习的进一步讨论263
6.6 基于范例的学习264
6.6.1 基于范例推理的过程265
6.6.2 应用实例：智能饲料配方系统ICIX267
6.7 知识发现与数据挖掘270
6.7.1 定理发现270
6.7.2 数据挖掘275
6.7.3 数据库及网络中的知识发现278
本章小结282
习题284
参考文献286
第七章 非单调推理和软计算289
7.1 传统逻辑系统的局限性289
7.2 非单调推理290
7.2.1 非单调推理简介291
7.2.2 非单调推理的形式化方法293
7.2.3 真值维持系统299
7.3 不确定推理307
7.3.1 主观Bayes方法307
7.3.2 确定性方法314
7.3.3 D-S证据理论317
7.3 4 应用不确定推理的准则322
7.4 模糊逻辑和模糊推理322
7.4.1 模糊逻辑323
7.4.2 模糊推理325
7.4.3 模糊控制330
7.5 神经网络332
7.5.1 神经元和神经网络333
7.5.2 面向映射变换的BP网335
7.5.3 面向联想记忆的神经网络339
7.5.4 神经网络的实现技术344
本章小结347
习题350
参考文献353
第八章 机器感知354
8.1 视觉与视觉图像354
8.1.1 视觉世界355
8.1.2 计算机视觉357
8.1.3 视觉图像360
8.2 图像特征提取364
8.2.1 线性特征的检测364
8.2.2 图像的区域分割367
8.3 视觉模型与识别370
8.3.1 空间建模371
8.3.2 模式识别374
8.3.3 图像的理解377
8.4 自然语言理解382
8.4.1 自然语言理解的研究382
8.4.2 单句理解387
8.4.3 句法分析388
8.4.4 增强的转变网络392
8.4.5 语义分析396
8.5 机器翻译400
8.5.1 机器翻译的一般过程400
8.5.2 多句理解401
8.5.3 目标语言的生成404
本章小结405
习题408
参考文献409
第九章 Agent技术和信息基础设施智能化410
9.1 Agent技术的研究和发展411
9.1.1 Agent技术的形成411
9.1.2 Agent的基本特征412
9.1.3 Agent技术的研究现状413
9.1.4 Agent分类概观417
9.2 多Agent协作419
9.2.1 合作型Agent体系结构ARCHON419
9.2.2 多Agent协作的建立421
9.2.3 合作的协调430
9.2.4 Agent社会443
9.3 Agent通信446
9.3.1 信息和知识共享447
9.3.2 Agent交互协议451
9.3.3 通信促进服务454
9.4 信息基础设施的智能化457
9.4.1 技术挑战458
9.4.2 智能系统的作用459
9.4.3 虚拟组织的信息基础设施463
本章小结471
习题476
参考文献477