人工智能

《21世纪高等学校规划教材·计算机科学与技术:人工智能》：
教学目标明确，注重理论与实践的结合
教学方法灵活，培养学生自主学习的能力
教学内容先进，反映了计算机学科的最新发展
教学模式完善，提供配套的教学资源解决方案

《21世纪高等学校规划教材·计算机科学与技术:人工智能》系统地阐述了人工智能的基本原理、方法和应用技术，比较全面地反映了国内外人工智能领域研究的最新进展和研究动态。全书将人工智能划分为3篇，第1篇：基本人工智能。论述人工智能的基本理论与技术。第2篇：高级人工智能。论述人工智能的高级理论与技术，主要涉及粗糙集与软计算、进化计算、模糊计算，以及粒度计算等人工智能的研究热点。第3篇：人工智能的展望。讨论人工智能的争论与展望。
《21世纪高等学校规划教材·计算机科学与技术:人工智能》力求科学性、实用性、可读性好。内容由浅入深、循序渐进，条理清晰，让学生在有限的时间内，掌握人工智能的基本原理与应用技术。
《21世纪高等学校规划教材·计算机科学与技术:人工智能》可作为高等院校高年级本科生和研究生的人工智能课程教材，也可供从事人工智能研究与应用的科技工作者学习参考。

第1篇 基本人工智能
第1章 绪论 3
1.1 什么是人工智能 3
1.1.1 人工智能的定义 3
1.1.2 人工智能研究的目标 4
1.2 人工智能的发展 4
1.2.1 人工智能的孕育期 4
1.2.2 摇篮期 5
1.2.3 形成期 5
1.2.4 发展期 6
1.2.5 实用期 7
1.2.6 稳步增长期 8
1.3 人工智能的研究方法 8
1.3.1 符号主义 8
1.3.2 连接主义 9
1.3.3 行为主义 9
1.4 人工智能的应用领域 9
1.4.1 机器学习 9
1.4.2 问题求解 10
1.4.3 专家系统 10
.1.4.4 模式识别 10
1.4.5 自然语言处理 11
1.4.6 智能决策支持系统 11
1.4.7 人工神经网络 11
1.4.8 自动定理证明 12
1.4.9 机器人学 12
1.5 本章小结 12
习题1 13

第2章 知识表示 14
2.1 概述 14
2.1.1 知识与知识表示 14
2.1.2 知识表示方法 15
2.2 谓词逻辑表示法 16
2.2.1 命题逻辑 16
2.2.2 谓词逻辑 18
2.3 产生式表示法 22
2.3.1 产生式可表示的知识种类及其基本形式 23
2.3.2 知识的表示方法 23
2.3.3 产生式系统的组成 24
2.3.4 产生式系统的推理方式 25
2.3.5 产生式表示法的特点 26
2.4 语义网络表示法 28
2.4.1 语义网络的概念及结构 28
2.4.2 语义网络的基本语义联系 29
2.4.3 语义网络表示知识的方法及步骤 31
2.4.4 语义网络知识表示举例 34
2.4.5 语义网络的推理过程 35
2.4.6 语义网络表示法的特点 36
2.5 框架表示法 37
2.5.1 框架结构 37
2.5.2 框架表示知识举例 39
2.5.3 推理方法 40
2.5.4 框架表示法的特点 40
2.6 脚本表示法 41
2.6.1 脚本的定义与组成 41
2.6.2 用脚本表示知识的步骤 43
2.6.3 用脚本表示知识的推理方法 44
2.6.4 脚本表示法的特点 45
2.7 状态空间表示法 45
2.7.1 问题状态空间的构成 45
2.7.2 用状态空间表示问题的步骤 46
2.7.3 利用状态空间求解问题的过程 46
2.8 面向对象的知识表示 48
2.8.1 面向对象的基本概念 48
2.8.2 面向对象的知识表示 49
2.8.3 面向对象方法学的主要观点 50
2.9 本章小结 50
习题2 51

第3章 搜索策略 53
3.1 引言 53
3.2 基于状态空间图的搜索技术 54
3.2.1 图搜索的基本概念 55
3.2.2 状态空间搜索 55
3.2.3 一般图的搜索算法 60
3.3 盲目搜索 61
3.3.1 宽度优先搜索 61
3.3.2 深度优先搜索 63
3.3.3 有界深度搜索和迭代加深搜索 65
3.3.4 搜索最优策略的比较 66
3.4 启发式搜索 67
3.4.1 启发性信息和评估函数 67
3.4.2 启发式搜索a算法 68
3.4.3 实现启发式搜索的关键因素和a*算法 69
3.4.4 迭代加深a*算法 72
3.4.5 爬山法和回溯策略 73
3.5 问题规约和与或图启发式搜索 74
3.5.1 问题规约 74
3.5.2 与或图表示 76
3.5.3 与或图的启发式搜索 78
3.6 博弈 81
3.6.1 极大极小过程 83
3.6.2 α β 过程 85
3.7 本章小结 87
习题3 87

第4章 确定性推理 89
4.1 推理技术概述 89
4.1.1 推理的概述和类型 89
4.1.2 推理的控制策略 92
4.2 推理的逻辑基础 93
4.2.1 谓词与个体 93
4.2.2 谓词公式的永真性和可满足性 94
4.3 自然演绎推理 96
4.4 归结演绎推理 97
4.4.1 子句型 97
4.4.2 鲁滨逊归结原理 100
4.4.3 归结演绎推理的归结策略 103
4.4.4 用归结反演求取问题的答案 107
4.5 本章小结 108
习题4 109

第5章 不确定性推理 110
5.1 概述 110
5.1.1 什么是不确定性推理 110
5.1.2 不确定性推理要解决的基本问题 111
5.1.3 不确定性推理方法分类 112
5.2 不确定性的表示和度量 113
5.2.1 知识的不确定性 113
5.2.2 证据的不确定性 114
5.2.3 不确定性的表示 114
5.3 主观bayes方法 114
5.3.1 知识不确定性的表示 115
5.3.2 证据不确定性的表示 118
5.3.3 不确定性的更新 119
5.3.4 结论不确定性的合成算法 120
5.4 可信度方法 123
5.4.1 可信度模型 124
5.4.2 确定性方法的说明 129
5.5 证据理论 130
5.5.1 证据的不确定性 130
5.5.2 证据的组合函数 132
5.5.3 规则的不确定性 133
5.5.4 不确定性的组合 134
5.6 本章小结 136
习题5 137

第6章 机器学习 139
6.1 机器学习概述 139
6.1.1 机器学习的基本概念 139
6.1.2 机器学习的发展简史 140
6.1.3 机器学习分类 141
6.1.4 机器学习的应用与研究目标 142
6.2 归纳学习 142
6.2.1 归纳学习的基本概念 143
6.2.2 变型空间学习 144
6.2.3 归纳偏置 146
6.3 决策树学习 147
6.3.1 决策树的组成及分类 147
6.3.2 决策树的构造算法cls 148
6.3.3 基本的决策树算法id3 150
6.3.4 决策树的偏置 152
6.4 基于实例的学习 153
6.4.1 近邻算法 153
6.4.2 距离加权最近邻法 154
6.4.3 基于范例的学习 155
6.5 强化学习 159
6.5.1 强化学习模型 159
6.5.2 马尔可夫决策过程 160
6.5.3 学习 161
6.6 本章小结 163
习题6 164

第2篇 高级人工智能
第7章 支持向量机 169
7.1 概述 169
7.2 统计学习理论 170
7.2.1 学习问题的表示 170
7.2.2 期望风险和经验风险 171
7.2.3 vc维理论 172
7.2.4 推广性的界 173
7.2.5 结构风险最小化 174
7.3 支持向量机 175
7.3.1 函数集结构的构造 175
7.3.2 支持向量机 176
7.4 核函数 179
7.4.1 概述 179
7.4.2 核函数的分类 180
7.5 svm的算法及多类svm 181
7.5.1 svm的算法 181
7.5.2 多类问题中的svm 181
7.6 svm的应用现状 182
7.6.1 人脸检测、验证和识别 182
7.6.2 说话人/语音识别 182
7.6.3 文字/手写体识别 182
7.6.4 图像处理 183
7.7 本章小结 183

第8章 神经计算 185
8.1 人工神经元模型 185
8.2 感知器 187
8.2.1 感知器的结构 187
8.2.2 感知器学习算法 188
8.3 反向传播网络 190
8.3.1 bp网络的结构 190
8.3.2 bp网络的学习算法 190
8.4 自组织映射神经网络 193
8.4.1 som网络结构 193
8.4.2 som网络的学习算法 194
8.5 hopfield网络 196
8.5.1 离散hopfield网络的结构 196
8.5.2 离散hopfield 网络的稳定性 197
8.5.3 离散hopfield 网络的学习算法 197
8.6 脉冲耦合神经网络 198
8.6.1 pcnn的结构 198
8.6.2 pcnn的学习算法 198
8.7 神经计算的发展趋势 199
8.8 本章小结 200
习题8 201

第9章 进化计算 202
9.1 概述 202
9.2 遗传算法 203
9.2.1 遗传算法的基本原理 203
9.2.2 遗传算法的应用示例 204
9.2.3 模式定理 207
9.2.4 遗传算法的改进 210
9.3 进化规划 211
9.3.1 标准进化规划及其改进 211
9.3.2 进化规划的基本技术 213
9.4 进化策略 214
9.4.1 进化策略及其改进 214
9.4.2 进化策略的基本技术 215
9.5 ga、ep、es的异同 216
9.6 本章小结 217
习题9 218

第10章 模糊计算 219
10.1 模糊集合的概念 219
10.1.1 模糊集合的定义 219
10.1.2 模糊集合的表示方法 220
10.2 模糊集合的代数运算 223
10.3 正态模糊集和凸模糊集 226
10.4 模糊关系 226
10.4.1 模糊关系 226
10.4.2 模糊关系的性质 227
10.5 模糊逻辑推理 227
10.6 模糊判决 229
10.7 模糊计算在模式识别中的应用 230
10.7.1 最大隶属度原则 230
10.7.2 择近原则 231
10.8 本章小结 232
习题10 232

第11章 粗糙集 234
11.1 概述 234
11.2 基本粗糙集理论 236
11.3 粗糙集中的知识表示 238
11.4 知识约简 239
11.5 知识的约简算法 241
11.5.1 信息系统的知识约简算法 241
11.5.2 决策表的知识约简算法 242
11.6 本章小结 244
习题11 244

第12章 粒度计算 245
12.1 粒度计算概述 245
12.1.1 粒度计算的定义 245
12.1.2 粒度计算的基本成分 245
12.2 粒度计算的基本问题 247
12.3 几个粒度计算的典型模型 248
12.3.1 基于粗糙集理论的粒度计算模型 248
12.3.2 基于商空间的粒度计算模型 250
12.3.3 基于模糊集合论的词计算模型 253
12.3.4 三大模型之间的关系 256
12.4 本章小结 258
习题12 259

第3篇 展望
第13章 人工智能的争论 263
13.1 人工智能的学派 263
13.2 对人工智能理论的争论 264
13.3 对人工智能方法的争论 265
13.4 对人工智能技术路线的争论 265
13.5 对强弱人工智能的争论 266
13.5.1 强弱人工智能 266
13.5.2 对强人工智能的哲学争论 266
13.6 本章小结 267

第14章 人工智能的展望 268
14.1 人工智能的未来问题 268
14.1.1 更新的理论框架 268
14.1.2 更好的技术集成 269
14.1.3 更成熟的应用方法 269
14.2 脑机接口 270
14.3 本章小结 271
参考文献272