人工智能原理及应用PDF|Epub|txt|kindle电子书版本网盘下载

人工智能原理及应用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

第一章　绪论1

1.1 人工智能学科的由来和发展史1

1.1.1 人工智能的定义1

目录1

1.1.2　人工智能的由来2

1.1.3　人工智能的发展史2

1.2　人工智能的主要应用4

1.2.1 知识工程4

1.2.2 专家系统6

1.2.3 专家系统开发工具与环境9

1.2.4　模式识别技术12

1.2.5 智能控制及智能机器人14

习题一17

2.1 概述18

第一部分　知识表示18

第二章　知识表示方法18

2.2　状态空间表示法19

2.2.1 状态空间三元组19

2.2.2 状态空间表示法举例19

2.2.3 问题归约法和与／或图表示法25

2.2.4 关键状态法和关键操作法27

2.3　谓词逻辑表示法29

2.3.1 一阶谓词逻辑表示29

2.3.2　谓词逻辑表示模式32

2.4　语义网络表示法35

2.4.1　语义网络的概念35

2.4.2　语义网络的表达能力35

2.4.3　基于语义网络的推理38

2.5　框架表示法39

2.5.1　框架的概念39

2.5.2　框架的表达能力40

2.5.3　基于框架的推理41

2.5.4　框架的程序实现42

2.6　产生式规则表示法42

2.6.1 产生式规则与产生式系统42

2.6.2　八数码游戏43

2.7　常识知识表示法44

2.7.1 常识世界44

2.7.2 常识知识表示的困难45

2.7.3 常识知识的重要性45

2.7.5 时间46

2.7.4 常识知识研究范围46

2.7.6　基于网络法的常识知识表示47

2.8　剧本表示法51

2.8.1 概念依赖理论51

2.8.2 剧本表示法52

2.9　面向对象的过程性表示方法53

2.9.1 过程性表示法基本原理53

2.9.2 过程表示法的特点55

习题二56

第二部分　状态空间搜索58

第三章　盲目搜索策略58

3.1　基本概念58

3.1.1 什么是搜索58

3.1.2 状态空间的搜索策略59

3.2.1 搜索算法61

3.2　广度优先搜索61

3.2.2 应用举例62

3.3　深度优先搜索63

3.3.1 深度优先搜索过程63

3.3.2 应用举例64

3.4　有界深度优先搜索65

3.4.1 有界深度优先搜索过程65

3.4.2 应用举例65

3.5　代价树的广度优先搜索67

3.5.1 代价树的广度优先搜索过程67

3.5.2 应用举例68

3.6　代价树的深度优先搜索69

3.6.1 代价树的深度优先搜索过程69

3.6.2 应用举例69

习题三70

第四章　启发式搜索71

4.1　不可撤回方式搜索策略71

4.2　可撤回方式搜索策略72

4.2.1 代价树的有界深度优先搜索过程72

4.2.2 回溯策略（BACKTRACK）73

4.2.3 图搜索策略76

4.3　估计函数和启发信息77

4.4　全局最优搜索法78

4.5　局部择优搜索法79

4.6　八数码难题的启发式搜索79

4.7 A算法及可采纳的A算法82

4.7.1 A算法82

4.7.2　A算法及可采纳性82

4.8.1 与／或树求解中的特殊问题83

4.8　与／或树的启发式搜索83

4.8.2 与／或树的最好优先搜索法86

习题四89

第五章　计划、动作和学习90

5.1　感知／计划／动作循环90

5.2　逼近搜索91

5.2.1 孤岛驱动搜索91

5.2.2 层次搜索92

5.2.3 有限范围搜索93

5.2.4 循环94

5.2.5 建立反应过程94

5.3　学习启发式函数95

5.3.1 显式图95

5.3.2 隐式图96

5.4　奖赏代替目标97

习题五98

第六章　对手式搜索100

6.1　博弈树的启发式搜索100

6.1.1 博弈树的概念100

6.1.2　极大极小分析法101

6.2　α-β剪枝技术103

6.3　搜索的完备性与效率104

6.3.1 完备性104

6.3.2　搜索效率104

6.4　概率博弈105

6.5　各种搜索策略归纳106

6.5.1 状态空间表示法106

6.5.3 搜索策略性能的衡量准则107

6.5.2 与／或树表示法107

习题六108

第三部分　推理方法110

第七章　命题演算和命题演算归结基础110

7.1　对特征值加以约束110

7.2　语言111

7.3　推理规则112

7.4　验证定义113

7.5　语义113

7.5.1　解释113

7.5.2　命题真值表114

7.5.3　可满足性与模型114

7.5.5　等价115

7.5.6　蕴含115

7.5.4　永真性115

7.6　合理性、完备性和命题可满足性116

7.7　命题演算中的归结117

7.7.1 子句上的归结117

7.7.2　转换任意的合式公式为子句的合取式118

7.7.3 归结反演118

习题七120

第八章　谓词逻辑121

8.1　一阶谓词和量词121

8.1.1　谓词和个体121

8.1.2　量词122

8.1.3　合式谓词公式123

8.1.4 自由变元和约束变元123

8.1.5　谓词公式的解释124

8.2.3　量词分配律125

8.2.2　量词辖域的扩张及收缩律125

8.2　含有量词的等价式和蕴含式125

8.2.1 量词转换律125

8.2.4　量词次序的交换126

8.3　谓词逻辑中的推论规则127

8.3.1 约束变元的改名规则127

8.3.2 自由变元的代入规则127

8.3.3　命题变元的代换规则127

8.3.4　取代规则127

8.3.5　全称规定规则US127

8.3.6　存在规定规则ES127

8.4　谓词公式的范式128

8.4.1 前束范式128

8.3.8　全称推广规则UG128

8.3.7　存在推广规则EG128

8.4.2　斯柯林范式129

习题八129

第九章　归结原理131

9.1　置换与合一131

9.1.1　置换131

9.1.2　合一131

9.2　归结原理133

9.2.1 化为子句形的步骤133

9.2.2 归结推理规则135

9.2.3　含有变量子句的归结136

9.3　归结推理在人工智能中的应用138

9.3.1 归结反演在定理证明中的应用138

9.3.3 改进策略142

9.3.2　简化策略142

9.4　由归结反演求取答案的方法144

9.4.1 问题求解中的谓词演算144

9.4.2　答案求取过程146

9.4.3　含有全称量词量化变量的目标公式147

习题九150

第十章　基于规则的演绎系统152

10.1　规则正向演绎系统152

10.1.1 事实表达式的与或形变换152

10.1.2 事实表达式的与或图表示153

10.1.3 与或图的F规则变换154

10.1.4　作为终止条件的目标公式156

10.2.1 目标表达式的与或形式157

10.2　规则逆向演绎系统157

10.2.2 与或图的B规则变换158

10.2.3 作为终止条件的事实节点的一致解图158

10.3　规则双向演绎系统160

习题十161

第十一章　基于逻辑的规划方法163

11.1　积木世界的机器人规划163

11.1.1 积木世界的机器人问题163

11.1.2 用F规则求解规划序列164

11.2 STRIPS规划系统165

11.2.1 STRIPS系统的组成165

11.2.2 STRIPS系统规划过程165

11.2.3 含有多重解答的规划168

11.3.1 递归的STRIPS171

11.3 STRIPS规划分析171

11.3.2 Sussman异常173

11.3.3 逆向搜索方法173

11.3.4 规划空间和部分有序规划175

11.3.5 分层规划178

11.3.6 学习规划183

11.4 具有学习能力的规划系统184

11.4.1 PULP-1系统的结构与操作方式185

11.4.2 PULP-1的世界模型和规划结果186

习题十一187

第十二章 不确定信息的推理191

12.1 回顾概率论191

12.1.1 基本观点191

12.1.2　条件概率193

12.2　概率性推理194

12.2.1 通用方法194

12.2.2　条件独立性196

12.3　Bayes网络196

12.4　Bayes网络中的推理范型198

12.5　不确定证据199

12.6　D-分离200

12.7　复合树中的概率推理201

12.7.1 之上证据（Evidence Above）201

12.7.2　之下证据（Evidence Below）202

12.7.3 之上之下证据（Evidence Above and Below）204

12.7.4　举例204

习题十二206

13.1.2 非单调系统208

13.1.1 非单调逻辑208

第十三章　其他推理技术208

13.1　非单调推理208

13.2　限定推理209

13.2.1 最小模型209

13.2.2 按最小化原则建立假设209

13.3　缺省推理211

13.3.1 缺省推理规则的表示211

13.3.2　缺省规则的分类211

13.4 自认识推理213

13.4.1 自认识逻辑的描述213

13.4.2 自认识逻辑系统AE的语义214

13.5　真值维护系统（TMS）214

习题十三216

14.1 概述218

14.1.1 机器学习的定义及其特点218

第十四章　机器学习218

第四部分　知识获取218

14.1.2　机器学习的发展简史220

14.2　机器学习的基本模型220

14.3　机器学习的分类222

14.3.1　机器学习方法222

14.3.2 学习方法和系统的评价224

14.4　机器学习的研究目标227

习题十四228

第十五章　实例学习229

15.1　实例学习概念及其分类229

15.1.1 实例学习的两个空间模型229

15.2.1 变型空间方法234

15.1.2 实例学习的分类234

15.2　学习单个概念234

15.2.2 改进假设方法238

15.2.3 产生与测试方法239

15.2.4 方案示例方法241

15.3　学习多个概念243

15.3.1 AQ11程序244

15.3.2　ID3系列方法245

15.4　学习多步任务255

15.4.1　LEX的结构255

15.4.2　LEX的运行实例256

15.4.3 问题求解器257

15.4.4 评论器257

15.4.6 问题产生器258

15.4.5　归纳器258

习题十五259

第十六章　类比学习260

16.1　类比学习定义260

16.1.1 类比学习定义260

16.1.2 类比学习的类型261

16.2　类比推理262

16.2.1 可扩展关系表示法262

16.2.2 匹配机制263

16.2.3 类比学习264

16.3　转换类比学习系统264

16.3.1 转换类比系统的基本原理264

16.3.2　应用转换类比的求解265

16.3.3 实例267

16.3.4　派生类比系统268

16.4　因果关系型类比学习269

16.5　联想类比学习272

习题十六273

第十七章　其他学习方法274

17.1 记忆学习274

17.1.1 记忆学习的模式及主要问题274

17.1.2 记忆学习应用举例276

17.2　传授学习277

17.3　归纳学习279

17.3.1 概述279

17.3.2　基于归纳的发现系统CASM280

17.4.2 解释学习的工作原理281

17.4.1 基于解释的学习简介281

17.4　解释学习281

17.4.3　典型系统分析285

17.5　机器学习的展望290

习题十七290

第五部分　人工智能系统291

第十八章　产生式系统291

18.1　产生式规则291

18.1.1 产生式规则291

18.1.2　基于产生式的推理模式292

18.2　产生式系统292

18.2.1 产生式系统的组成292

18.2.2 产生式系统的运行过程293

18.2.3 控制策略与常用算法293

18.4.1 产生式规则的程序语言实现296

18.3　产生式系统的应用296

18.4　产生式系统的程序实现296

18.4.2　规则库的程序实现298

18.4.3　动态数据库的程序实现298

18.4.4　推理机的程序实现298

习题十八299

第十九章　专家系统300

19.1　概述300

19.1.1 专家系统的由来300

19.1.2 专家系统的定义302

19.1.3　专家系统的分类304

19.2　专家系统的结构305

19.2.1 专家系统的一般结构305

19.2.2 专家系统的知识构成308

19.3　黑板系统结构321

19.3.1 黑板模型321

19.3.2 黑板框架结构323

19.3.3 HEARSAY-Ⅲ系统简介325

19.4　专家系统开发工具327

19.4.1 智能程序设计语言327

19.4.2　骨架系统332

19.4.3　通用开发工具336

19.5 一个典型的专家系统MYCIN338

习题十九345

第二十章　基于知识的系统347

20.1　面对实际问题347

20.2　用Horn子句推理347

20.3　维护动态知识库351

20.4　基于规则的专家系统354

20.5　规则学习356

20.5.1 学习命题演算规则357

20.5.2 学习一阶逻辑规则360

20.5.3　基于解释的产生器363

20.6　知识库系统的组成364

20.6.1　知识库364

20.6.2 知识库管理系统365

20.6.3 知识库系统366

20.8.2　知识库应用系统的开发特点及开发过程367

20.8.1 知识库系统应用的特点367

20.8　知识库系统的应用367

20.7.2　专用人工智能开发工具367

20.7.1 通用型的人工智能语言367

20.7　知识库系统开发方法和工具367

20.8.3 知识库系统的类型及应用领域368

20.9　知识库系统在图形处理及CAD中的应用369

20.9.1 图形的构造369

20.9.2 图形的坐标变换370

20.9.3 图形逻辑理论基本内容371

20.10　知识库系统的发展趋势372

20.10.1　扩大知识表示372

20.10.2 知识推理及推理的不确定性372

20.10.3 知识获取和机器学习373

习题二十374

21.1　模糊算法概述376

第二十一章　模糊算法376

第六部分　新型人工智能算法376

21.1.1　模糊集合的概念377

21.1.2　模糊集合的操作382

21.1.3　模糊关系385

21.1.4 扩张原理388

21.1.5　模糊逻辑389

21.1.6 模糊规则391

21.1.7 最大-最小合成393

21.1.8 可能性和概率395

21.1.9 转换规则397

21.1.10　模糊专家系统中的不确定性399

21.2　模糊规则推理401

21.2.1 模糊假言推理和广义假言推理401

21.2.3　假言三段论式推理402

21.2.2　模糊拒取式推理402

21.3　模糊决策推理403

21.4　应用举例403

习题二十403

第二十二章　人工神经网络405

22.1　生物神经元模型及基本特征405

22.2　前向网络模型及BP算法406

22.2.1 网络结构406

22.2.2　BP算法407

22.2.3　BP算法的改进方案409

22.3　反馈网络模型及Hopfield算法409

22.3.1 网络结构及学习规则409

22.3.2　能量函数与稳定性411

22.3.4　连续Hopfield网络412

22.3.3　存储容量及改进学习规则412

22.4 自组织及随机神经网络415

22.4.1 Hamming Net MAXNET416

22.4.2 自适应共振理论417

22.4.3 Kohonen网络418

22.4.4 对传网络（CPN网络）419

22.4.5 随机网络420

22.5　神经网络的应用421

22.5.1 专家系统421

22.5.2　信号处理与图像422

22.5.3 智能控制423

22.5.4　模式识别423

22.5.5　神经网络多媒体424

习题二十二425

第二十三章　遗传算法426

23.1　遗传算法的主要步骤426

23.1.1 遗传算法与生物进化426

23.1.2　遗传算法的过程426

23.1.3 遗传算法的特点429

23.2　表示模式429

23.2.1 模式429

23.2.2 模式定理430

23.2.3　积木块假设431

23.3　选择操作432

23.4　交叉操作433

23.5　变异操作434

23.6.1 主从式（master-slave）模型435

23.6　并行遗传算法435

23.6.2　粗粒度模型436

23.6.3　细粒度模型437

23.7　基于遗传算法的学习系统437

23.7.1 概述437

23.7.2　分类器系统438

23.7.3 学习系统LS-1440

习题二十三441

第七部分　交互与通信443

第二十四章　代理间的通信443

24.1　代理（agent）间的通信443

24.1.1 规划说行为444

24.1.2 实现说行为444

24.2　理解语言串444

24.2.1 短语结构语法445

24.2.2 语义分析447

24.2.3 扩展语法451

24.3　有效的通信451

24.3.1　运用上下文451

24.3.2　运用知识来解决多义问题452

24.4 自然语言的处理453

习题二十四454

第二十五章　代理的构造455

25.1 三层构造455

25.2　目标裁决（公断）456

25.3　三塔结构457

25.4 引导程序457

习题二十五458

参考文献459