人工智能与知识工程

前言
第一章 绪论
1.1 人工智能
1.1.1 什么是人工智能
1.1.2 什么是智能
1.2 人工智能的发展史
1.2.1 第一阶段——孕育期
1.22 第二阶段——人工智能基础技术的研究与形成
1.23 第三阶段——发展和实用化阶段
1.2.4 第四阶段——知识工程与专家系统
1.3 人工智能的研究领域
1.3.1 专家系统
1.3 2 自然语言处理
1.3.3 机器学习
1.3.4 定理证明
1.3.5 分布式人工智能
1.3.6 机器人
1.3 7 模式识别
1.3.8 博弈
1.3.9 计算机视觉
1.3.10 人工神经网络
习题
第二章 谓词演算与消解原理
2.1 命题演算
2.1.1 符号和命题
2.1.2 命题演算的语义
2.2 谓词演算
2.2.1 谓词的语法和命题
2.2.2 谓词演算的语义
2.3 使用推理规则产生谓词演算表达式
2.3.1 推理规则
2.3.2 合一
2.3.3 合一的一个例子
2.4 应用：一个基于逻辑的金融投资辅助决策程序
2.5 消解原理
2.5.1 引言
2.5.2 为消解否证产生子句形式
2.5.3 消解证明过程
2.5.4 消解的策略和简化技术
2.5.5 从消解否证中提取解答
习题
第三章 知识表示
3.1 引言
3.1.1 知识
3.1.2 使用知识
3.1.3 不确定性和语义原语
3.1.4 模块性和理解力
3.1.5 明确知识和灵活性
3.1.6 陈述性与过程性表示
3.2 知识表示技术综述
3.2.1 逻辑表示模式
3.2.2 语义网络
3.2.3 过程表示和产生式系统
3.2.4 模拟或直接表示法
3.2.5 特性表
3.2.6 框架和剧本
3.3 逻辑表示模式
3.3.1 命题演算
3.3.2 谓词演算
3.3.3 逻辑表示在人工智能中的应用
3.3.4 小结
3.4 基于规则的产生式系统
3.4.1 引言
3.4.2 问题求解的方法
3.4.3 问题求解中的搜索策略
3.5 语义网络
3.5.1 什么是语义网络
3.5.2 扩展的语义网络
3.5.3 部分语义网络
3.6 框架表示法
3.6.1 基本概念
3.6.2 框架的实例化以及用不同观点表示实体
3.6.3 类展特性，默认值和槽条件
3.6.4 框架结构
3.6.5 匹配和识别
3.6.6 推理
3.6.7 类比推理
3.6.8 错误和遗漏检查
3.6.9 过程附加
3.6.10 框架表示法的特点与不足
3.7 概念从属
3.7.1 引言
3.7.2 概念从属基本构成
3.7.3 概念从属示例
习题
第四章 状态空间搜索
4.1 图论
4.1.1 状态空间搜索的结构
4.1.2 问题的状态空间表示法
4.2 状态空间搜索策略
4.2.1 数据驱动和目标驱动的搜索
4.2.2 图搜索的实现
4.2.3 深度和广度优先搜索
4.2.4 有界深度优先搜索
4.3 谓词演算推理的状态空间表示法
4.3.1 逻辑的状态空间描述
4.3.2 与／或图
4.3.3 讨论
4.4 基于速归的搜索
4.4.1 递归
4.4.2 递归搜索
4.5 模式驱动搜索
4.6 产生式系统
4.6.1 定义与历史
4.6.2 产生式系统示例
4.6.3 产生式系统搜索的控制
4.6.4 人工智能产生式系统的优点
习题
第五章 启发式搜索
5.1 启发信息和估价函数
5.2 启发式搜索算法
5.2.1 局部择优搜索法（瞎子爬山法）
5.2.2 最好优先搜索法（有序搜索法）
5.2.3 启发估价函数的实现
5.2.4 启发式搜索与专家系统
5.3 启发式搜索过程的可采纳性、单调性、信息性
5.3.1 可采纳性
5.3.2 单调性
5.3.3 信息性
5.4 启发式搜索在游戏中的应用
5.4.1 强力搜索图上的极大极小化过程
5.4.2 固定层数的极大极小法
5.4.3 启发式搜索在一字棋游戏中的应用
5.4.4 α-β剪枝技术
5.5 复杂性问题
习题
第六章 Prolog语言
6.1 概述
6.2 Prolog语言基本概念和语法
6.2.1 数据结构
6.2.2 程序组成
6.2.3 Prolog语法形式描述
6.3 Prolog系统的搜索策略
6.3.1 例化，匹配
6.3.2 回溯
6.3.3 搜索策略
6.4 Prolog的内部谓词
6.4.1 比较
6.4.2 算术表达式求值
6.4.3 输入输出
6.4.4 文件操作
6.4.5 控制谓词
6.4.6 复杂目标的建立
6.4.7 项的分类
6.4.8 结构分量的建立与获得
6.4.9 子句的增、删、改
6.5 Prolog程序设计
6.5.1 表处理和集合处理
6.5.2 数学函数
6.5.3 梵塔问题
6.5.4 八皇后问题
习题
第七章 LISP语言
7.1 引言
7.1.1 LISP语言及其PC SCHEME版本
7.1.2 语言分类
7.1.3 LISP语言的特性
7.2 LISP语言简介
7.2.1 LISP的数据结构——S一表达式
7.2.2 基本函数
7.2.3 常用的LISP系统函数
7.2.4 条件函数，定义函数
7.2.5 递归与选代
7.3 LISP程序设计及在人工智能中的应用实例
7.3.1 LISP程序结构和用LISP语言解题
7.3.2 梵塔问题
7.3.3 水壶量水问题
7.3.4 皇后问题
7.3.5 向量程序设计
7.3.6 博弈
7.4 基于LISP的专家系统
7.4.1 用函数表示动物分类专家系统
7.4.2 用表表示动物分类专家系统
7.4.3 一个小型医疗诊断专家系统
习题
第八章 专家系统
8.1 什么是专家系统
8.1.1 专家系统的历史
8.1.2 专家系统的特性
8.1.3 专家系统的构造者及其工具
8.1.4 专家系统的优越性
8.2 如何组织专家系统
8.2.1 知识的组织
8.2.2 知识表示
8.3 专家系统与传统程序的区别
8.3.1 专家系统的基本特点
8.3.2 专家系统存在的问题
8.4 专家系统的应用领域
8.4.1 专家系统的分类和基本活动
8.4.2 专家系统求解的类型
8.5 开发专家系统的需求分析
8.5.1 什么情况下开发专家系统是可能的
8.5.2 什么情况下开发专家系统是合理的
8.5.3 什么情况下开发专家系统是合适的
8.6 建造专家系统
8.6.1 建造专家系统的任务
8.6.2 专家系统开发的阶段
8.7 知识获取
8.7.1 知识获取过程
8.7.2 访问专家
8.8 专家系统设计示例
8.8.1 识别食物的简单产生式专家系统
8.8.2 动物分类专家系统
习题
第九章 非精确性推理
9.1 确定性理论
9.1.1 医疗专家系统MYCIN概述
9.1.2 MYCIN系统的推理策略
9.1.3 MYCIN系统的知识表示
9.1.4 MYCIN系统的非精确推理算法
9.2 主观概率论
9.2.1 PROSPECTOR系统概述
9.2.2 推理网络
9.2.3 似然推理模型
习题
第十章 专家系统开发工具
10.1 专家系统开发工具的特征
10.1.1 应用于开发专家系统的程序设计语言
10.1.2 知识工程语言
10.2 知识工程语言M.1
10.2.1 M.1概述
10.2.2 M.1的体系结构
10.2.3 操作原理
10.2.4 M.1的特征
10.2.5 M.1应用领域
10.3 M.1的知识表示
10.3.1 知识库的语法
10.3.2 项的语法
10.4 M.1的推理机
10.4.1 概述
10.4.2 推理机工作过程
10.4.3 可信度计算
10.4.4 调节推理过程
10.5 M.1的应用实例
10.5.1 微型照相顾问
10.5.2 交通工具顾问
习题
第十一章 机器学习
11.1 引言
11.2 机器学习概述
11.2.1 什么是学习
11.2.2 机器学习的意义
11.2.3 机器学习研究的发展
11.2.4 机器学习的目标
11.3 机器学习的模型、策略和方法
11.3.1 简单的学习模型
11.3.2 主要的学习策略
11.3.3 基本的学习方法
11.4 机械学习、示教学习和类比学习
11.4.1 机械学习
11.4 2 示教学习
11.4.3 类比学习
11.5 基于示例的归纳学习
11.5.1 归纳学习分类
11.5.2 示例学习基本概念
11.5.3 示例学习的完备性条件与一致性条件
11.5.4 广例学习中的噪音问题
11.5 5 建立示例学习系统要考虑的几个问题
11.6 ID系列算法
11.6.1 判定树
11.6.2 ID3算法
11.6.3 ID4算法
11.6.4 ID5R算法
11.6.5 ID系列算法的比较分析
11.7 一个基于示例的归纳学习系统
11.7.1 系统概述
11.7.2 系统的总体结构
11.7.3 系统的核心算法
11.7.4 系统运行实例
习题
第十二章 人工神经网络
12.1 引言
12.2 人工神经网络概述
12.2.1 什么是神经网络
12.2.2 脑神经信息活动的特征
12.2.3 神经网络研究的目的和意义
12.2.4 神经网络研究的发展
12.2.5 人工神经网络研究的局限性
12.3 神经网络基本模型
12.3.1 生物神经元的结构
12.3.2 M－P模型
12.3.3 感知机模型
12.3.4 Hopfield网络模型
12.4 神经网络的学习
12.4..1 “突触修正”假说
12.4.2 学习算法的分类
12.4.3 误差修正型学习
12.4.4 竞争型学习
12.4.5 赫布型学习
12.4.6 随机型学习
12.5 误差逆传播网络
12.5.1 基本理论
12.5.2 学习算法
12.5.3 标准误差逆传播和累积误差逆传播
12.5.4 全局最小和局部极小
12.6 自适应谐振理论
12.6.1 基本理论
12.6.2 学习算法
12.6.3 与ART有关的定理
12.6.4 快速学习与慢速学习
12.6.5 基于ART的其他网络模型
12.7 基于域理论的自适应谐振网络
12.7.1 概述
12.7.2 域理论
12.7.3 FTART网络基本理论
12.7.4 FTART学习算法
12.7.5 FTART网络的判别方法
12.7.6 FTART算法测试
12.7.7 运行实例
习题
参考文献