基于包含度的不确定推理(8)/不确定理率与优化丛书

本书以作者提出包含度理论为指导，对不确定推理这一人工智能研究中最为活跃的研究领域的定量方法进行了系统的概括，其中前3章分别为：指出研究不确定推理的原理和方法的绪论，构成全书的数学基础的测试与信息，建立全书的一般方法和框架的包含度理论，其他5章是以包含度理论为基本原理，系统地概括率推理、证据推理、模糊推理、信息推理与计算推理，其中第7章还包括假设生成的方法与修正的方法。     本书可作为研究人工智能和专家系统中不确定推理的参考书，也可作为应用数学、计算数学、系统科学、管理科学等专业的研究生教材。

第1章  绪论   1.1  人工智能及其推理特征   1.2  常识推理的基本内容   1.3  不确定推理原理与方法   1.4  本书的结构 第2章  测试与信息   2.1  经典集合与模糊集合   2.2  粗糙集与随机集   2.3  模糊测试及其性质     2.4  概率测试与贝叶斯公式     2.5  信任测试与似然测试     2.6  可能性测试与必然性测试     2.7  模糊测试各类之间的关系   2.8  不确定性度量与信息 第3章  包含度理论     3.1  包含度的定义及其性质     3.2  包含度的生成方法   3.3  相似度及其在专家系统检索中的应用   3.4  包含度在关系数据库中的应用   3.5  包含度在形式背景中的应用   3.6  蕴涵度及其在中确定推理中的应用   3.7  专家系统中证据的合成、传播与修正     3.8  关系数据库的随机集表示 第4章  概率推理   4.1  概率推理原理   4.2  贝叶斯网络概率推理   4.3  主观贝叶斯概率推理   4.4  主观贝叶斯概率推理的讨论   4.5  主观概率推理的包含度方法   4.6  MYCIN确定因子概率推理方法   4.7  MYCIN确定因子的模糊扩张   4.8  概率推理的区间估计   第5章  证据推理   5.1  证据推理原理   5.2  关于证据推理的进一步讨论   5.3  证据推理模式     5.4  形式背景上的证据推理   5.5  模糊形式背景上的证据推理   5.6  随机关系数据库上的证据推理   5.7  基于随机集的证据理论     5.8  基于粗糙集的证据理论 第6章  模糊推理   6.1  模糊推理原理   6.2  宏观模糊推理   6.3  微观模糊推理   6.4  Mamdani模糊推理   6.5  Lukasiewicz多值逻辑的模糊化   6.6  Mamdani模糊真值推理   6.7  Mamdani模糊推理的神经网络算法   6.8  模糊规则的协调性与矛盾规则的排除 第7章  信息推理   7.1  信息推理原理   7.2  合情推理信息模型   7.3  概率命题的合情推理   7.4  关系数据库上的合情推理   7.5  关系数据库上的知识约简   7.6  假设生成与创新思维   7.7  默认推理的包含度解释     7.8  知识库的维护与修正 第8章  计算推理   8.1  计算推理原理   8.2  单位敬意上的正则蕴涵算子   8.3  命题格以及命题格上的包含度   8.4  命题格上的真度理论     8.5  命题格上的计算推理理论     8.6  命题格上的近似推理 参考文献 常用符号 索引