人工智能高级技术导论

第一章 绪论
1．1 人工智能研究的发展
1．2 人工智能应用研究的发展趋势
1．3 基于知识的软件智能化技术
1．3．1 知识处理技术的深化
1．3．2 对KB系统现状的反思
1．3．3 软件智能化实践
1．3．4 开发人工智能高级技术
本章 小结
习题
参考文献
第二章 基于知识的问题求解
2．1 知识表示
2．2 问题求解
2．2．1 问题求解的基本方法
2．2．2 问题求解的组织
2．3 KB系统
2．3．1 KB系统的一般概念
2．3．2 知识获取和KB系统开发
2．3．3 KB系统开发工具和环境
2．4 知识级分析
2．4．1 表示和知识
2．4．2 计算机系统的功能分级
2．4．3 知识级
2．4．4 知识级细节
2．4．5 结论
2．5 符号推理的高级技术
2．5．1 基于假设的推理
2．5．2 从属和辩证
2．5．3 约束满足
2．5．4 元推理
本章 小结
习题
参考文献
第三章 KB系统的高级技术
3．1 开发的必要性
3．2 定性物理方法
3．2．1 定性演算
3．2．2 用定性演算推理行为
3．2．3 典型的定性物理方法
3．3 基于模型的推理(MBR)
3．3．1 因果建模
3．3．2 不精确模型
3．4 深、浅层推理的综合
3．4．1 一个实例——动态系统的适应性多级诊断建模
3．4．2 综合深、浅层推理的技术
3．5 问题求解的结构化模型
3．5．1 问题求解建模
3．5．2 知识获取工具的开发工具
3．6 功能化体系结构
3．6．1 常见任务
3．6．2 诊断推理中的常见任务举例
3．6．3 常见任务工具集
3．6．4 功能化体系结构方式的评价
3．7 知识级问题求解建模
3．7．1 知识获取观点
3．7．2 中间模型
3．7．3 专门知识建模
3．7．4 可重用的专门知识元素
3．7．5 知识变异
3．7．6 结构保留设计
3．7．7 知识获取过程
3．7．8 结论
本章 小结
习题
参考文献
第四章 非单调推理和软计算
4．1 传统逻辑系统的局限性
4．2 非单调推理
4．2．1 非单调推理简介
4．2．2 非单调推理的形式化方法
4．2．3 真值维持系统
4．2．4 约束满足问题
4．3 不确定推理
4．3．1 主观Bayes方法
4．3．2 确定性方法
4．3．3 D—S证据理论
4．3．4 应用不确定推理的准则
4．4 模糊逻辑和模糊推理
4．4．1 模糊逻辑
4．4．2 模糊推理
4．4．3 模糊控制
4．4．4 应用模糊逻辑时的问题
4．5 神经网络
4．5．1 神经元和神经网络
4．5．2 面向映射_／变换的BP网
4．5．3 面向联想记忆的神经网络
4．5．4 神经网络的实现技术
本章 小结
习题
参考文献
第五章 基于范例的推理
5．1 基于范例的推理系统
5．1．1 研究动机
5．1．2 CBR系统分类
5．1．3 应用例——基于范例的服务调度
5．2 范例表示和索引
5．2．1 范例的内容
5．2．2 范例索引
5．3 检索、改编和辩证
5．3．1 范例检索和存储更新
5．3．2 解答改编
5．3．3 解答辩证
5．4 基于范例的学习
5．4．1 学习方式
5．4．2 学习方法的比较
5．5 基于范例的推理应用
5．5．1 某些CBR应用系统
5．5．2 集成CBR和其他信息处理技术
5．6 结论
本章 小结
习题
参考文献
第六章 关于时间和空间的推理
6．1 伴有时间的推理
6．1．1 时间和逻辑
6．1．2 时间概念及其表示
6．1．3 实现伴有时间的推理
6．1．4 基于时态逻辑的RWT理论框架
6．2 时间的不确定性和分支
6．2．1 关于事件时间的不完全知识
6．2．2 时间分支
6．3 关于空间的推理
6．3．1 空间概念及其表示
6．3．2 空间搜索
6．3．3 多层次空间表示
6．4 关于形状的推理
6．5 时空推理小结
本章 小结
习题
参考文献
第七章 机器学习研究与应用的新进展
第八章 Agent技术和信息基础设施智能化
第九章 新一代网络计算的技术基础及智能化