人工智慧原理及套用

《人工智慧原理及套用》是2011年機械工業出版社出版的圖書，作者是羅兵。本書系統介紹了人工智慧的基本原理、方法和套用技術，包括知識的表示、確定性推理和搜尋策略，以及不確定性推理方法、機器學習和計算智慧型，並介紹了人工智慧的套用研究和最新研究進展。

基本介紹

• 書名：人工智慧原理及套用
• 作者：羅 兵
• 原版名稱：Artificial Intelligence and Its Applications
• ISBN：9787111344988, 7111344987
• 頁數： 336頁
• 定價：42.0
• 出版社：機械工業出版社; 
• 出版時間：2011年8月1日
• 裝幀：平裝
• 開本：16
• 正文語種：簡體中文

內容簡介

《人工智慧原理及套用》理論講解深入淺出，通俗易懂，原理講解與技術套用緊密結合，適合自動化、計算機、電子商務、電子政務及信息管理等專業的教學和自學，亦可供相關領域的科研人員和工程技術人員參考。

目錄

前言

第1章 緒論

1.1 人工智慧的概念和研究意義

1.1.1 人工智慧的概念

1.1.2 人工智慧的研究意義

1.1.3 人工智慧的研究目標和特點

1.2 人工智慧的起源和發展

1.2.1 萌芽期

1.2.2 形成期

1.2.3 發展期

1.2.4 人工智慧的最新研究進展和爭論

1.3 人工智慧的研究內容和套用領域

1.3.1 人工智慧研究的課題

1.3.2 人工智慧的套用領域

習題一

第2章 知識的表示

2.1 知識及其表示概述

2.1.1 知識的含義與結構

2.1.2 知識的特徵、分類和表示

2.1.3 人工智慧系統所關心的知識

2.1.4 陳述性知識與過程性知識

2.2 狀態空間表示

2.2.1 狀態

2.2.2 操作

2.2.3 狀態空間

2.2.4 問題的解

2.2.5 狀態空間表示法求解步驟

2.3 謂詞邏輯表示

2.3.1 謂詞邏輯的基本內容

2.3.2 個體詞、謂詞與量詞

2.3.3 謂詞公式

2.3.4 謂詞公式的解釋

2.3.5 謂詞邏輯表示知識

2.4 問題歸約表示

2.4.1 問題歸約表示的過程

2.4.2 問題歸約法的與/或圖表示

2.4.3 問題歸約法的節點定義

2.4.4 問題歸約表示的可解性

2.5 語義網路表示

2.5.1 語義網路表示法

2.5.2 語義網路的網路結構

2.5.3 語義網路的語義表示

2.5.4 連詞和量化的表示

2.5.5 語義網路推理的性質繼承及匹配

2.5.6 語義網路表示法的特點

2.6 框架表示

2.6.1 框架理論

2.6.2 框架結構

2.6.3 附加過程

2.6.4 框架系統中的知識組織

2.6.5 框架系統的推理機制

2.6.6 框架表示法的評價

2.7 過程表示

2.7.1 過程知識表示的概念

2.7.2 示例：使用過程表示法求解九宮問題

2.7.3 過程表示的特點

2.8 面向對象的表示

2.8.1 面向對象的概念與特性

2.8.2 面向對象的原則

2.8.3 面向對象的要素

2.8.4 類與類繼承

2.8.5 面向對象的知識表示的內容

2.8.6 面向對象表示的實例

2.8.7 面向對象知識表示的特點

2.9 Prolog語言概述

2.9.1 Prolog語言的背景

2.9.2 Prolog語言的邏輯思想示例

2.9.3 Prolog語言的邏輯程式定義

2.9.4 Prolog語言的數據結構和遞歸

習題二

第3章 確定性推理方法

3.1 推理概述

3.1.1 推理的概念

3.1.2 推理的方法

3.1.3 推理的控制策略

3.1.4 推理中的衝突

3.2 確定性推理的邏輯基礎

3.2.1 命題公式的解釋

3.2.2 等價式

3.2.3 永真蘊含式

3.2.4 前束範式與Skolem範式

3.2.5 置換與合一

3.3 演繹推理方法

3.3.1 演繹推理的概念

3.3.2 演繹推理的特點

3.4 歸結推理方法

3.4.1 子句集及其化簡

3.4.2 Herbrand（海伯倫）定理

3.4.3 Robinson（魯賓遜）歸結原理

3.4.4 利用歸結推理進行定理證明

3.4.5 套用歸結原理進行問題求解

3.5 歸結過程中的控制策略

3.5.1 引入控制策略的原因

3.5.2 歸結控制策略

習題三

第4章 不確定性推理方法

4.1 不確定推理概述

4.1.1 不確定推理的概念

4.1.2 不確定推理的基本問題和方法分類

4.1.3 不確定性推理與產生式表示

4.2 機率推理

4.2.1 機率的基本性質和計算公式

4.2.2 機率推理方法

4.3 主觀貝葉斯方法

4.3.1 知識不確定性的表示

4.3.2 證據不確定性的表示

4.3.3 主觀貝葉斯方法的推理過程

4.3.4 主觀貝葉斯方法套用舉例

4.4 可信度方法

4.4.1 可信度的概念

4.4.2 基於可信度的不確定性表示——CF模型

4.4.3 可信度方法的推理算法

4.4.4 可信度方法套用舉例

4.5 證據理論（D-STheory）

4.5.1 證據理論的形式化描述

4.5.2 證據理論的不確定性推理模型

4.5.3 證據理論套用舉例

4.6 模糊推理

4.6.1 模糊集理論與模糊邏輯

4.6.2 模糊知識的表示和模糊概念的匹配

4.6.3 模糊規則推理方法

習題四

第5章 搜尋策略

5.1 搜尋概述

5.1.1 搜尋的概念及類型

5.1.2 狀態空間的搜尋

5.1.3 與/或樹的搜尋

5.2 狀態空間的盲目搜尋策略

5.2.1 狀態空間圖的一般搜尋過程

5.2.2 廣度優先搜尋和深度優先搜尋

5.2.3 代價樹的搜尋

5.3 狀態空間的啟發式搜尋策略

5.3.1 啟發信息與估價函式

5.3.2 最佳優先搜尋

5.3.3 A*算法

5.3.4 A*算法套用舉例

5.4 與/或樹的盲目搜尋策略

5.4.1 與/或樹的搜尋過程

5.4.2 與/或樹的廣度優先搜尋

5.4.3 與/或樹的深度優先搜尋

5.5 與/或樹的啟發式搜尋策略

5.5.1 解樹的代價與希望樹

5.5.2 與/或樹的啟發式搜尋過程

5.6 博弈樹的啟發式搜尋

5.6.1 博弈樹的搜尋過程

5.6.2 極大極小分析法

5.6.3 α-β剪枝

習題五

第6章 機器學習

6.1 機器學習概述

6.1.1 機器學習的概念

6.1.2 研究機器學習的意義

6.1.3 機器學習的發展過程

6.1.4 機器學習的主要策略

6.2 機械學習

6.2.1 機械學習的過程

6.2.2 機械學習系統要考慮的問題

6.3 歸納學習

6.3.1 示例學習

6.3.2 觀察與發現學習

6.4 解釋學習

6.4.1 解釋學習的基本原理

6.4.2 解釋學習過程和算法

6.4.3 解釋學習舉例

6.5 類比學習

6.5.1 類比學習的概念

6.5.2 類比學習的表示

6.5.3 類比學習的求解

6.6 決策樹學習

6.6.1 ID3算法

6.6.2 實例計算

6.7 神經網路學習

6.7.1 神經網路學習的概念

6.7.2 感知器學習

6.7.3 BP網路學習

6.7.4 Hopfield網路學習

習題六

第7章 計算智慧型

7.1 計算智慧型概述

7.1.1 計算智慧型的概念

7.1.2 計算智慧型的研究發展過程

7.1.3 計算智慧型與人工智慧的關係

7.2 神經計算

7.2.1 生物神經元

7.2.2 人工神經元

7.2.3 神經網路的互連結構

7.2.4 神經網路的典型模型

7.3 模糊計算

7.3.1 模糊集及其運算

7.3.2 模糊關係及其運算

7.4 遺傳算法

7.4.1 遺傳算法的基本概念

7.4.2 遺傳算法的基本原理

7.4.3 遺傳算法的套用

7.5 蟻群算法

習題七

第8章 人工智慧套用研究

8.1 專家系統

8.1.1 專家系統的起源和發展

8.1.2 專家系統的結構

8.1.3 專家系統的特點

8.1.4 專家系統的建立

8.1.5 專家系統套用實例：混凝土成品料溫專家控制系統

8.2 自然語言理解

8.2.1 概述

8.2.2 句法分析

8.2.3 詞性標註

8.3 數據挖掘與知識發現

8.3.1 概述

8.3.2 關聯規則挖掘

8.3.3 分類

8.3.4 聚類分析

8.4 自動規劃

8.4.1 概述

8.4.2 自動規劃的原理

8.4.3 自動規劃技術

8.4.4 自動規劃技術的最新發展

8.5 分散式智慧型與Agent

8.5.1 分散式智慧型概述

8.5.2 Agent的概念和模型

8.5.3 多Agent的概念及其建模

8.5.4 Agent之間的通信

8.5.5 Agent的體系結構

習題八

附錄 實驗指導

實驗一 VisualProlog知識表示與推理實驗

實驗二 狀態空間搜尋——八數碼問題

實驗三 基於MATLAB的模糊推理系統設計

實驗四 基於MATLAB的神經網路設計

實驗五 套用遺傳算法求解最佳化問題

參考文獻