本書是普通高等教育“十一五”國家級規劃教材和北京高等教育精品教材。
基本介紹
- 書名：人工智慧原理及其套用（第3版）
- 作者：王萬森
- 出版時間：2012-09
- 千字數：433
內容簡介,目錄,
內容簡介
全書共9章，分別是：第1章人工智慧概述，第2章確定性知識系統，第3章搜尋策略，第4章計算智慧型，第5章不確定性推理，第6章符號學習，第7章聯結學習，第8章分布智慧型，第9章智慧型套用簡介。
目錄
第1章 人工智慧概述（1）
1．1 人工智慧的基本概念（1）
1．1．1 智慧型的概念（1）
1．1．2 人工智慧的概念（3）
1．1．3 人工智慧的研究目標（3）
1．2 人工智慧的產生與發展（4）
1．2．1 孕育期（4）
1．2．2 形成期（4）
1．2．3 知識套用期（5）
1．2．4 從學派分立走向綜合（6）
1．2．5 智慧型科學技術學科的興起（6）
1．3 人工智慧研究的基本內容（7）
1．3．1 與腦科學和認知科學的交叉研究（7）
1．3．2 智慧型模擬的方法和技術研究（8）
1．4 人工智慧研究中的不同學派（8）
1．4．1 符號主義（9）
1．4．2 聯結主義（9）
1．4．3 行為主義（10）
1．5 人工智慧的研究和套用領域（10）
1．5．1 機器思維（10）
1．5．2 機器學習（11）
1．5．3 機器感知（13）
1．5．4 機器行為（14）
1．5．5 計算智慧型（15）
1．5．6 分布智慧型（16）
1．5．7 智慧型系統（16）
1．5．8 人工心理與人工情感（17）
1．5．9 人工智慧的典型套用（17）
1．6 人工智慧的現狀與思考（19）
習題1 （21）
第2章 確定性知識系統（22）
2．1 確定性知識系統概述（22）
2．1．1 確定性知識表示概述（22）
2．1．2 確定性知識推理概述（24）
2．2 確定性知識表示方法（26）
2．2．1 謂詞邏輯表示法（26）
2．2．2 產生式表示法（33）
2．2．3 語義網路表示法（34）
2．2．4 框架表示法（40）
2．3 確定性知識推理方法（47）
2．3．1 產生式推理（47）
2．3．2 自然演繹推理（52）
2．3．3 歸結演繹推理（55）
2．4 確定性知識系統簡例（65）
2．4．1 產生式系統簡例（65）
2．4．2 歸結演繹系統簡例（67）
習題2 （69）
第3章 搜尋策略（72）
3．1 搜尋概述（72）
3．1．1 搜尋的含義（72）
3．1．2 狀態空間問題求解方法（72）
3．1．3 問題歸約求解方法（76）
3．2 搜尋的盲目策略（78）
3．2．1 狀態空間的盲目搜尋（78）
3．2．2 代價樹的盲目搜尋（80）
3．3 狀態空間的啟發式搜尋（81）
3．3．1 啟發性信息和估價函式（82）
3．3．2 A算法（82）
3．3．3 A*算法（84）
3．3．4 A*算法套用舉例（88）
3．4 與/或樹的啟發式搜尋（89）
3．4．1 解樹的代價與希望樹（89）
3．4．2 與/或樹的啟發式搜尋過程（90）
3．5 博弈樹的啟發式搜尋（92）
3．5．1 概述（92）
3．5．2 極大/極小過程（93）
3．5．3 α-β剪枝（93）
習題3 （95）
第4章 計算智慧型（97）
4．1 計算智慧型概述（97）
4．1．1 什麼是計算智慧型（97）
4．1．2 計算智慧型的產生與發展（97）
4．1．3 計算智慧型與人工智慧的關係（98）
4．2 神經計算（98）
4．2．1 神經計算基礎（99）!
4．2．2 人工神經網路的互聯結構（102）
4．2．3 人工神經網路的典型模型（104）
4．3 進化計算（108）
4．3．1 進化計算概述（108）
4．3．2 遺傳算法（112）
4．4 模糊計算（123）
4．4．1 模糊集及其運算（123）
4．4．2 模糊關係及其運算（126）
4．5 粗糙集（128） !
4．5．1 粗糙集概述（128）
4．5．2 粗糙集的基本理論（128）
4．5．3 決策表的約簡（131）
習題4 （135）
第5章 不確定性推理（137）
5．1 不確定性推理概述（137）
5．1．1 不確定性推理的含義（137）
5．1．2 不確定性推理的基本問題（138）
5．1．3 不確定性推理的類型（139）
5．2 可信度推理（139）
5．2．1 可信度的概念（140）
5．2．2 可信度推理模型（140）
5．2．3 可信度推理的例子（144）
5．3 主觀Bayes推理（145）
5．3．1 主觀Bayes方法的機率論基礎（145）
5．3．2 主觀Bayes方法的推理模型（146）
5．3．3 主觀Bayes推理的例子（150）
5．3．4 主觀Bayes推理的特性（152）
5．4 證據理論（152）
5．4．1 證據理論的形式化描述（152）
5．4．2 證據理論的推理模型（156）
5．4．3 推理實例（157）
5．4．4 證據理論推理的特性（159）
5．5 模糊推理（159）
5．5．1 模糊知識表示（159）
5．5．2 模糊概念的匹配（161）
5．5．3 模糊推理的方法（162）
5．6 機率推理（166）
5．6．1 貝葉斯網路的概念及理論（166）
5．6．2 貝葉斯網路推理的概念和類型（169）
5．6．3 貝葉斯網路的精確推理（170）
5．6．4 貝葉斯網路的近似推理（171）
習題5 （172）
第6章 符號學習（175）
6．1 符號學習概述（175）
6．1．1 學習的概念（175）
6．1．2 機器學習的概念（176）
6．1．3 符號學習系統的基本模型（178）
6．2 記憶學習（179）
6．3 示例學習（180）
6．3．1 示例學習的類型（181）
6．3．2 示例學習的模型（181）
6．3．3 示例學習的歸納方法（183）
6．4 決策樹學習（184）
6．4．1 決策樹的概念（184）
6．4．2 ID3算法（185）
6．5 統計學習（188）
6．5．1 小樣本統計學習理論（188）
6．5．2 支持向量機（190）
習題6 （195）
第7章 聯結學習（196）
7．1 聯結學習概述（196）
7．1．1 聯結學習的生理學基礎（196）
7．1．2 聯結學習規則（197）
7．2 感知器學習（198）
7．2．1 單層感知器學習算法（198）
7．2．2 單層感知器學習的例子（199）
7．2．3 多層感知器學習問題（200）
7．3 BP網路學習（201）
7．3．1 BP網路學習的基礎（201）
7．3．2 BP算法的傳播公式（202）
7．3．3 BP網路學習算法（205）
7．3．4 BP網路學習的討論（206）
7．4 Hopfield網路學習（206）
7．4．1 Hopfield網路的能量函式（206）
7．4．2 Hopfield網路學習算法（207）
習題7 （208）
第8章 分布智慧型（209）
8．1 分布智慧型概述（209）
8．1．1 分布智慧型的概念（209）
8．1．2 分散式問題求解（210）!
8．1．3 多Agent系統（211）
Ⅹ 人工智慧原理及其套用（第3版）
8．2 Agent的結構（213）
8．2．1 Agent的機理（213）
8．2．2 反應Agent的結構（214）
8．2．3 認知Agent的結構（214）
8．2．4 混合Agent的結構（215）
8．3 多Agent系統（215）
8．3．1 Agent通信（215）
8．3．2 多Agent合作（220）
8．4 移動Agent （226）
8．4．1 移動Agent系統的一般結構（226）
8．4．2 移動Agent的實現技術及套用（227）
習題8 （229）
第9章 智慧型套用簡介（230）
9．1 自然語言理解簡介（230）
9．1．1 自然語言理解的基本概念（230）
9．1．2 詞法分析（232）
9．1．3 句法分析（233）
9．1．4 語義分析（237）
9．2 專家系統簡介（239）
9．2．1 專家系統概述（239）
9．2．2 基於規則和基於框架的專家系統（243）
9．2．3 模糊專家系統和神經網路專家系統（245）!
9．2．4 基於Web的專家系統（247）
9．2．5 分散式和協同式專家系統（248）
9．2．6 專家系統的開發（250）
習題9 （255）
附錄A 人工智慧課程實驗大綱（257）
A．1 分章實驗（257）
分章實驗1 簡單動物識別系統的知識表示（第2章） （257）
分章實驗2 簡單動物識別系統的推理（第2章） （257）
分章實驗3 簡單的一字棋遊戲（第3章） （258）
分章實驗4 簡單的遺傳最佳化（第4章） （258）
分章實驗5 簡單的可信度推理（第5章） （258）
分章實驗6 簡單的單層感知器分類（第7章） （259）
A．2 綜合實驗（259）
綜合實驗1 智慧型五子棋遊戲（259）
綜合實驗2 基於BP網路的預測或評價系統（259）
綜合實驗3 基於Web的不確定推理專家系統（260）
參考文獻（261）
