人工智能基础

第一章 人工智能概述
第一节 人工智能概况
一、什么是人工智能
二、什么是智能
第二节 人工智能的研究途径
第三节 人工智能的研究目标
第四节 人工智能的研究领域
一、模式识别（Pattern Recognition）
二、问题求解（Problem Solving）
三、自然语言理解（Natural Language Understanding）
四、自动定理证明（Automatic Theorem Proving）
五、机器视觉（Machine Vision）
六、自动程序设计（Automatic Programming）
七、专家系统（Expert System）
八、机器学习（Machine Learning）
九、机器人（Robots）
第五节 人工智能研究的历史回顾及进展
一、人工智能研究的历史回顾
二、人工智能研究的进展
习题一
第二章 问题求解的基本原理
第一节 状态空间法问题求解
一、问题的状态空间表示
二、状态空间的穷搜索法
三、启发式搜索法
第二节 问题归约法
一、问题归约描述
二、与或图表了
三、AO*算法
第三节 博弈树搜索
一、极大极小过程
二、a－p过程
习题二
第三章 基于逻辑的问题求解方法
第一节 一阶谓词逻辑基础
一、谓词逻辑的符号体系
二、谓调演算公式
三、谓词公式的解释
四、谓词演算的基本等价式及推理规则
五、谓词逻辑的演绎推理方法
大、谓词公式的规范化
七、置换与合—
第二节 基于一价谓调逻辑的知识表达
第三节 归结（消解）原理
一、归结原理简介
二、归结原理在问题求解中的应用举例
第四节 基于规则的演绎推理
一、基于规则的正向演绎推理（FR）
二、基于规则的反向演绎推理（BR）
第五节 时序逻辑
一、时序逻辑概述
二、基于系统状态的时序逻辑
三、基于时序规则的控制领域知识表达——时序规则法
习题三
第四章 产生式系统
第一节 产生式系统概述
第二节 产生式系统的工作周期
第三节 产生式系统的控制策略
一、正向推理
二、反向推理
三、正反向混合推理
第四节 典型的产生式系统CLIPS
一、CLIPS的基本组成与知识表示
二、CLIPS的推理机制
第五节 对产生式系统的评价
一、RETE算法
二、知识库编译
三、并计处理
习题四
第五章 基于结构化表示的问题求解
第一节 语义网络
一、语义网络的知识表示
二、语义网络的推理
三、语义网络表示的特点与不足
第二节 框架系统
一、框架的构成
二、框架系统的推理
三、框架表示的特点与不足
第三节  面向对象的表示方法
一、关于对象的定义
二、消息、接口和方法
三、类（class）
四、封装与继承
五、面向对象知识表示与语义网络、框架系统的比较
习题五
第六章 不确定知识表示及推理
第一节 不确定推理概述
一、不确定性问题的代数模型
二、几种主要的不确定性推理方法
第二节 不确定推理方法
一、确定性因子法
二、主观Bayes方法
三、D-S证据理论
四、可能性理论
五、信念网络
第三节 非单调推理
一、缺省推理
二、自认识逻辑
三、界限理论
四、正确性维持系统
第四节 粗集理论
一、RSY的概述
二、粗集理论的不确定性知识表示
习题六
第七章 规划来解系统
第一节 规划
一、规划的概念
二、规划的特性和作用
三、系统规划求解的方法与途径
第二节 机器规划成功性基本原理
一、概述
二、总规划的设计与分层规划原理
三、规划问题求解与最优规划原理
四、规划的双序求解与诊断
第三节 规划搜索求解
一、搜索域的分层规划
二、分层规划搜索的并行处理
三、一个实例--魔方问题的规划搜索求解
第四节 机器人规划问题求解
一、机器人工作规划及生成方法
二、规划的执行与操作控制台
三、机器人过程控制与环境约束
第五节 基于谓词逻辑的机器规划设计
一、机器人行动规划问题分析
二、机器人行动规划状态与操作设计
三、机器人行动规划过程设计
四、机器人多级规划
习题七
第八章 机器学习
第一节 机器学习的概念
一、什么是学习
二、人类学习与机器学习
第二节 机器学习系统
一、什么是机器学习系统
二、一种机器学习系统模型
第三节 机器学习分类
一、基于推理策略的分类
二、基于系统性的分类
第四节 机器学习的发展简史
第五节 从例子中学习
一、概述
二、从例子学习的两个空间模型
三、学习单个概念
四、学习多个概念
五、学习执行多步任务
第六节 基于解释的学习
一、基于解释学习系统的结构
二、基于解释学习的工作原理
三、基于解释学习的方法
第七节 从观察中学习
习题八
第九章 数据库中的知识发现
第一节 引言
第二节 KDD研究现状
第三节 KDD的一般机理和理论基础
一、一般机理
二、主要研究方法
三、抽取知识的类型和表示
四、知识发现状态空间
五、KDD数据挖掘及其他相关领域之间的关系
第四节 KDD系统的基本框架
一、KDD系统的特点
二、KDD用系统的基本框架
第五节 数据库发现知识的方法
第六节 KDD所面临的问题和研究方向
习题九
第十章 遗传算法
第一节 遗传算法的基本概念
第二节 简单遗传算法
第三节 图式定理
第四节 遗传算法应用中的一些基本问题
一、知识表示（编码）
二、适应度函数
三、控制参数和终止判推
第五节 高级遗传算法（RGA）
一、改进的选择方法
二、高级遗传运算和算法
三、混合遗传算法
四、并行遗传算法
第六节 遗传算法（GA）应用举例
一、GA在lSP（旅行商）问题求解中应用
二、GA在电网优化规划中的应用
三、GA在木材切割优化中的应用
习题十
第十一章 专家系统概述
第一节 专家系统简介
一、专家系统概念及发展动态
二、专家系统的特点
三、专家系统应用举例
第二节 专家系统的基本结构及工作原理
第三节 专家系统的开发过程
第四节 PC计算机故障诊断指导专家系统（PCDGES）示例
习题十—
第十二章 自然语言处理
第一节 自然语言处理的一般问题
一、自然语言处理的概念及意义
二、自然语言处理的发展简史
三、自然语言处理领域中的几种思想
四、自然语言处理的层次
第二节 语法层：形式语法分析
一、转换生成语法
二、扩充转移网络
第三节 语义层：格语法
第四节 语用层：篇章算法
一、篇章结构与文本连贯性
二、框架理论
三、修辞结构理论
第五节 自然语言生成
一、自然语言生成
二、语言生成系统特点分析
三、生成系统结构。
四、系统功能请法
第六节自然语言处理系统
习题十二
第十三章 计算机视觉
第一节 图像的理解与分析
一、关于视觉信息的表像框架
二、边缘距离的计算
三、表面方向的确定
第二节 物体形状的描述与计算
一、物体形状的广义锥体表示
二、广义锥体描述的计算
第三节 机器人三维视觉
一、视觉系统设计
二、臂技立体摄像机
三、三维物体识别系统
习题十三
第十四章 人工智能语言
第一节 人工智能语言概述
第二节 Probog语言
一、Prolog概述
二、PDC Prolog简介
三、Prolog的三种基本语句
四、PDC Prolog程序的基本结构
五、Prolog的基本数据结构
六、Prolog的基本工作原理
七、Prolog程序应用举例
第三节 LISP语言
一、LISP语言的数据结构
二、LISPI语言的程序结构与基本因数
三、LISP语言中的递归和循环
四、LISP在产生式系统中的应用举例
第四节 小结
习题十四
第十五章 人工神经网络
第一节 人工神经网络（ANN）概述
第二节 多层前债神经网络（BP网络）
一、单层感知机神经网络
二、多层感知机神经网络概述
三、多层感知机神经网络（BP网络）的学习算法——反向传播算法
四、BP网络设计中的一些问题
五、多层感知机神经网络应用举例——基于神经网络的水净化控制决策系统（WCCD）
第三节 HOPFIELD神经网络
一、HOPFIELD神经网络概述
二、离散型HOP网络的基本学习规则
三、HOP网络的应用
第四节 海明（Hamming）神经网络
第五节 自组织特征映射神经网络（SOM）
习题十五
第十六章 融合多种智能技术的智能系统
第一节 概述
第二节 ES与NN的结合
一、ES与NN的结合概述
二、ES与NN结合的一些方法
三、ES与NN结合举例
第三节 GA与RZ的集成
一、概述
二、使用GA设计FZ系统
三、使用FZ控制GA系统
第四节 GA与NN的集成
第五节 GA与ES的集成
一、GA与ES的相互辅助
二、GA与ES的协同
习题十六
第十七章 人工智能的发展
第一节 人工智能的基本问题、主要学派及其观点
一、人工智能的五大基本问题
二、人工智能的主要学派
第二节 人工智能研究的策略
第三节 人工智能研究的新课题
参考文献
后记