人工智能原理与应用PDF|Epub|txt|kindle电子书版本网盘下载

人工智能原理与应用PDF格式电子书版下载

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

目 录1

第1章绪论1

1.1人工智能的界定1

1.1. 1 什么是人工智能2

1.1.2 人工智能的研究目标4

1.1.3 人工智能中的通用问题求解方法5

1.2人工智能的学科范畴8

1.2.1 人工智能的研究范畴8

1.2.2 人工智能技术的应用12

1.3人工智能的研究方法15

1.3.1 人工智能研究的特点15

1.3.2 人工智能的研究途径15

1.4人工智能的发展简史和趋势18

1.4.1 人工智能的发展简史18

1.4.2 人工智能发展趋势22

1.5本书的目标和范围23

1.6 小结24

习题24

2.1 引言25

第2章搜索技术25

2.2通用问题求解方法26

2.2.1 宽度优先搜索27

2.2.2深度优先搜索29

2.2.3迭代加深搜索30

2.3启发式搜索32

2.3.1 启发性信息和评估函数33

2.3.2 启发式OR图搜索算法33

2.4.1 问题归约的描述45

2.4.2 AND-OR图表示45

2.4 问题归约和AND-OR图启发式搜索45

2.4.3 AO*算法47

2.5博弈52

2.5.1 极大极小过程53

2.5.2 α-β过程55

2.6约束满足搜索57

2.7 小结60

习题61

第3章知识表示及逻辑推理63

3.1 概述63

3.1.1 知识和知识表示63

3.2知识表示语言问题65

3.1.2 人工智能对知识表示方法的要求65

3.3命题逻辑67

3.3.1 语法67

3.3.2 语义68

3.4谓词逻辑70

3.4.1 语法70

3.4.2语义76

3.5逻辑推理78

3.5.1 谓词公式的等价性和永真蕴涵78

3.5.2 谓词公式的有效性和可满足性80

3.6符号逻辑中的范式83

3.7一阶谓词逻辑的应用84

3.8小结86

习题87

第4章归结原理及其应用89

4.1 引言89

4.2命题演算中的归结90

4.2.1 归结推理规则90

4.2.2 归结反演91

4.2.3命题逻辑归结反演的合理性和完备性93

4.2.4 归结反演的搜索策略93

4.3.1 子句型95

4.3谓词演算中的归结95

4.3.2 置换和合一98

4.3.3合一算法100

4.3.4 归结式102

4.3.5 归结反演103

4.3.6答案的提取105

4.4谓词演算归结反演的完备性和合理性108

4.4.1 Herbrand域108

4.4.2 Herbrand解释109

4.4.3语义树110

4.4.4 Herbrand定理112

4.4.5 完备性和合理性114

4.5逻辑程序设计原理117

4.5.1 逻辑程序定义117

4.5.2 Prolog数据结构和递归118

4.5.3 SLD归结119

4.5.4 非逻辑成分：CUT121

4.5.5 其他逻辑程序设计语言123

4.6小结124

习题124

5.1 引言128

第5章缺省和非单调推理128

5.2非单调推理129

5.3封闭世界假设131

5.4缺省推理133

5.5限制理论137

5.6非单调逻辑139

5.7真值维护系统141

5.8框架问题144

5.8.1 什么是框架问题145

5.8.2 框架问题的非单调解决方案149

5.9 小结154

习题155

第6章不确定性推理157

6.1概述157

6.1.1 什么是不确定推理157

6.1.2 不确定推理要解决的基本问题158

6.1.3 不确定性推理方法分类160

6.2主观Bayes方法161

6.2.1 全概率公式和Bayes公式161

6.2.2 主观Bayes方法163

6.3.1 建造医学专家系统时的问题171

6.3确定性理论171

6.3.2 C-F模型172

6.3.3 确定性方法的说明177

6.4证据理论178

6.4.1 假设的不确定性178

6.4.2 证据的不确定性182

6.4.3 证据的组合函数182

6.4.4规则的不确定性183

6.4.5 不确定性的传递183

6.4.6 不确定性的组合184

6.5.1 模糊集合及其运算186

6.4.7 证据理论的特点186

6.5模糊逻辑和模糊推理186

6.5.2模糊关系188

6.5.3语言变量189

6.5.4模糊逻辑189

6.5.5模糊推理190

6.6 小结198

习题199

第7章产生式系统201

7.1概述201

7.2.2 CLIPS中知识的表示模式203

7.2产生式专家系统CLIPS203

7.2.1 产生式系统语言CLIPS203

7.2.3 CLIPS运行207

7.3产生式系统的匹配算法209

7.3.1索引记数法210

7.3.2 Rete算法210

7.3.3 书写规则时效率的考虑214

7.4产生式系统的冲突消解策略216

7.5.1 什么是元知识217

7.5元知识217

7.5.2元知识的作用218

7.5.3 元知识的使用模式219

7.6产生式系统的推理方向220

7.7产生式系统的类型222

7.8产生式系统的特点223

7.9小结224

习题224

第8章知识的结构化表示226

8.1引言226

8.2.1 语义网络的基本概念227

8.2语义网络227

8.2.2 基本事实的表示228

8.2.3表示情况和动作230

8.2.4 多元语义网络的表示231

8.2.5 连接词与量词的表示231

8.2.6 语义网络的推理过程234

8.2.7 语义网络表示方法的特点238

8.3框架239

8.3.1 框架理论239

8.3.2 框架240

8.3.3 框架系统243

8.3.4 框架中预先定义的槽245

8.3.5 框架中的推理247

8.3.6 框架表示方法的特点249

8.3.7 框架系统、语义网络、面向对象知识表示的比较250

8.4 Petri网251

8.5概念依赖253

8.6脚本255

8.7小结256

习题257

9.1专家系统概述259

9.1.1 什么是专家系统259

第9章专家系统259

9.1.2 专家系统的结构260

9.2问题求解组织结构263

9.2.1 议程表263

9.2.2 问题求解的黑板模型264

9.2.3 面向对象的问题组织结构266

9.3知识获取266

9.3.1 知识获取的手工方法266

9.4有效性、验证和维护问题269

9.3.2 知识获取的机器学习方法269

9.4.1 专家系统的有效性270

9.4.2 知识库的验证272

9.4.3 知识库的维护275

9.5专家系统开发工具276

9.6小结278

习题279

第10章机器学习280

10.1 机器学习的概念和方法280

10.1.1 什么是机器学习280

10.1.2 机器学习研究概况281

10.1.3 机器学习研究方法282

10.2 归纳学习285

10.2.1 归纳学习的基本概念285

10.2.2 版本空间学习287

10.2.3 基于决策树的归纳学习方法289

10.2.4 Induce算法292

10.3其他学习方法294

10.3.1 类比学习294

10.3.2 解释学习295

10.4加强学习297

10.5 归纳逻辑程序设计学习300

10.6基于范例的学习301

10.6.1 CBR的过程模型302

10.6.2 范例的表示和索引303

10.6.3 范例的推理304

10.6.4 范例的学习306

10.7小结306

习题307

第11章人工神经网络理论309

11.1概述309

11.1.1 基本的神经网络模型309

11.1.2 神经网络的学习方法310

11.2人工神经元及感知机模型311

11.2.1 基本神经元311

11.2.2 感知机模型312

11.3前馈神经网络313

11.3.1 前馈神经网络模型313

11.3.2 多层前馈神经网络的误差反向传播（BP）算法314

11.3.3 BP算法的若干改进316

11.4反馈神经网络317

11.4.1 离散Hopfield网络317

11.4.2连续Hopfield网络322

11.4.3 Hopfield网络应用323

11.4.4 双向联想记忆（BAM）模型324

11.5随机神经网络325

11.5.1 模拟退火算法325

11.5.2 玻尔兹曼机327

11.6 自组织特征映射神经网络330

11.6.1 网络的拓扑结构330

11.6.2 网络自组织算法331

11.7 小结332

习题332

11.6.3 有教师学习332

第12章统计学习理论与支持向量机334

12.1统计学习理论334

12.1.1 机器学习的表示334

12.1.2 学习过程一致性的条件335

12.1.3 VC维理论337

12.1.4 推广性的界337

12.1.5 结构风险最小化338

1 2.2支持向量机339

12.2.1 最优分类超平面340

12.2.2 广义最优分类超平面341

12.2.3 支持向量机342

12.2.4 核函数343

12.2.5 SVM的算法及多类SVM344

12.2.6 ε-不敏感损失函数345

12.2.7 用于非线性回归的支持向量机346

12.2.8 SVM的应用研究348

12.3小结348

习题349

第13章遗传算法350

13.1 简介350

13.2遗传算法的历史351

13.4遗传算法的描述353

13.3遗传算法的研究内容和取得的进展353

13.5遗传算法的特点357

13.6遗传算法的马尔柯夫链分析359

13.6.1 概率意义下的收敛359

13.6.2 有限Markov链的预备知识359

13.6.3 Markov链的分析方法回顾360

13.6.4 GA的收敛性分析361

13.7遗传算法的研究展望362

习题364

13.8小结364

第14章智能Agent365

14.1引言365

14.2分布式人工智能366

14.2.1 分布式问题求解367

14.2.2 多Agent系统369

14.3 Agent与智能Agent369

14.3.1 什么是Agent370

14.3.2 什么是智能Agent371

14.3.3 Agent、专家系统与对象373

14.3.4 智能Agent的抽象结构374

14.4模态逻辑375

14.4.1 可能世界模型376

14.4.2模态逻辑377

14.5知道和信念逻辑381

14.5.1 知道和信念逻辑381

14.5.2 公共和分布式知识383

14.5.3 自认知逻辑384

14.6逻辑万能问题388

14.6.1 演绎规则的不完全性方法389

14.6.2 隐式和显式信念391

14.7理性Agent模型393

14.7.1 Cohen和Levesque的理性逻辑396

14.7.2 Rao和Georgeff的BDI逻辑399

14.7.3 KARO框架402

14.8 Agent结构403

14.8.1基于逻辑的Agent404

14.8.2反应Agent406

14.8.3 BDI Agent408

14.8.4层次Agent410

14.9 小结412

习题412

15.1 引言414

第15章多Agent系统414

15.2 Agent通信415

15.2.1通信与DAI415

15.2.2通信的层次417

15.2.3 言语动作417

15.2.4 知识查询处理语言KQML421

15.2.5 Agent通信语言ACL425

15.2.6 Agent通信与对话427

15.2.7 Agent通信与WWW429

15.3协调与合作429

15.3.1 协调430

15.3.2 合作434

15.3.3协商435

15.3.4 市场机制438

15.4 Agent的社会性439

15.4.1 识别（Recognition）439

15.4.2 团队形成441

15.4.3规划形成442

15.4.4 团队行动443

15.5小结443

习题444

16.1.1 自然语言理解的概念及意义445

第16章 自然语言理解445

16.1 自然语言理解的一般问题445

16.1.2 自然语言理解研究的发展446

16.1.3 自然语言理解的层次448

16.2词法分析449

16.3句法分析450

16.3.1 短语结构语法和Chomsky语法体系450

16.3.2 句法分析树452

16.3.3转移网络453

16.3.4 转移网络的神经网络实现455

16.3.5 扩充转移网络456

16.4.1语义文法459

16.4语义分析459

16.4.2格文法460

16.5大规模真实文本的处理461

16.5.1 语料库语言学及其特点461

16.5.2 统计学方法的应用及所面临的问题464

16.5.3 汉语语料库加工的基本方法465

16.6对话和语用分析468

16.7小结469

习题469

参考文献470