图书介绍
人工智能的原理与方法PDF|Epub|txt|kindle电子书版本网盘下载
- 马宪民主编 著
- 出版社： 西安：西北工业大学出版社
- ISBN：7561215355
- 出版时间：2002
- 标注页数：211页
- 文件大小：10MB
- 文件页数：223页
- 主题词：
PDF下载
下载说明
人工智能的原理与方法PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 绪论1
1.1 人工智能的概念1
1.1.1 什么是人工智能1
1.1.2 为什么要研究人工智能1
1.2 人工智能的研究目标2
1.3 人工智能的研究内容2
1.4 人工智能的研究途径3
1.5 人工智能的研究领域4
1.5.1 问题求解（Problem solving）4
1.5.2 专家系统（Expert Sys tem-ES）4
1.5.3 模式识别（Pattern Recognition）5
1.5.4 机器学习（Machine learning）5
1.5.5 自动定理证明（Antomated mechanical theory proving）5
1.5.6 自然语言理解（Natural language understanding）6
1.5.7 自动程序设计（Automatic programming）6
1.5.8 智能机器人（Intelligent robot）6
1.5.9 智能决策系统（Intelligent decision system）6
1.5.10 人工神经网络（Artificial neural network）7
1.6 人工智能的发展概况7
习题18
第2章 人工智能语言9
2.1 概述9
2.2 函数型程序设计语言LISP9
2.2.1 LISP语言的数据结构9
2.2.2 LISP程序结构10
2.2.3 基本函数10
2.2.4 LISP语言中的递归和循环11
2.2.5 LISP程序举例11
2.3 逻辑型程序设计语言PROLOG12
2.3.1 PROLOG三种基本语句12
2.3.2 PROLOG的基本数据结构13
2.3.3 PROLOG的程序设计原理14
2.3.4 PROLOG程序应用举例15
2.4 面向对象程序设计语言Smalltalk16
2.4.1 基本概念和对象16
2.4.2 消息模式和消息表达式17
2.4.3 语句和程序块17
2.4.4 程序流程控制18
2.4.5 类库和类定义19
习题219
第3章 人工智能的数学基础21
3.1 命题逻辑与谓词逻辑21
3.1.1 命题21
3.1.2 谓词22
3.1.3 谓词公式23
3.1.4 谓词公式的解释24
3.1.5 谓词公式的等价性与永真蕴含25
3.2 多值逻辑27
3.3 概率论28
3.3.1 随机现象28
3.3.2 样本空间与随机事件28
3.3.3 事件概率30
3.3.5 全概率公式与Bayes公式32
3.4 模糊理论32
3.4.1 模糊概念33
3.4.2 模糊集合与隶属函数33
3.4.3 模拟集的表示方法35
3.4.4 模糊集的运算35
3.4.5 模糊集的λ水平截集36
3.4.6 分解定理与扩张原理37
3.4.7 模糊关系及其合成38
3.4.8 模糊变换40
习题341
第4章 知识与知识表示43
4.1 什么是知识43
4.1.1 知识的特征43
4.1.2 知识的分类和表示43
4.2 一阶谓词逻辑表示法44
4.2.1 什么是一阶谓词44
4.2.2 一阶谓词逻辑表示法的特点44
4.3 产生式表示法45
4.3.1 产生式系统的定义和组成45
4.3.2 产生式系统的分类46
4.3.3 产生式系统的控制策略48
4.3.4 产生式系统的推理过程48
4.4 框架（Frame）表示法49
4.4.1 框架的概念49
4.4.2 框架的表达能力51
4.4.3 基于框架的推理52
4.5 语义网络表示法52
4.5.1 语义网络的概念53
4.5.2 语义网络的表达能力53
4.5.3 基于语义网络的推理55
4.5.4 语义网络表示法的特点56
4.6 过程表示法57
4.7 脚本表示法57
4.8 面向对象表示法59
4.8.1 面向对象的基本概念59
4.8.2 面向对象表示法的特点59
4.9 Petri网表示法61
习题462
第5章 基本谓词的逻辑推理63
5.1 谓词逻辑的演绎推理方法63
5.2 归结原理64
5.2.1 子句64
5.2.2 代换与合一66
5.2.3 命题逻辑中的归结原理67
5.2.4 谓词逻辑中的归结原理69
5.2.5 基于归结的问题的求解方法70
5.2.6 归结策略72
5.3 与/或形演绎推理76
5.3.2 与/或形逆向演绎推理（BR）79
5.3.3 与/或形双向演绎推理82
习题582
第6章 不确定性与不确定推理85
6.1 基本概念85
6.1.1 什么是不确定性推理85
6.1.2 不确定推理中的基本问题85
6.1.3 不确定推理方法的分类88
6.2 概率方法89
6.2.1 经典概率方法89
6.2.2 逆概率方法89
6.3 主观Bayes方法90
6.3.1 知识不确定性的表示90
6.3.2 证据不确定性的表示91
6.3.3 组合证据不确定性的算法91
6.3.4 不确定性的传递算法92
6.3.5 结论不确定性的合成算法93
6.4 可信度方法93
6.4.1 可信度的概念93
6.4.2 C-F模型94
6.4.3 带有阀值限度不确定推理95
6.5 模糊推理96
6.5.1 模糊命题96
6.5.2 模糊知识的表示97
6.5.3 模糊匹配与冲突消解98
6.5.4 简单模糊推理的基本模式99
习题699
第7章 搜索策略100
7.1 基本概念100
7.1.1 什么是搜索100
7.1.2 状成图表示法101
7.1.3 与/或图表示法104
7.2 状态图搜索技术108
7.2.1 图搜索的基本概念108
7.2.2 宽度优先搜索109
7.2.3 深度优先搜索112
7.2.4 有限深度优先搜索113
7.2.5 启发式搜索的A算法和A＊算法114
7.3 与/或图搜索策略120
7.3.1 与/或图搜索120
7.3.2 启发式与/或图搜索123
7.4 博弈树搜索126
7.4.1 博弈树的概念126
7.4.2 极小极大分析法127
7.4.3 α-β剪枝技术129
习题7130
第8章 专家系统133
8.1 专家系统的基本概念133
8.1.1 什么是专家系统133
8.1.2 专家系统的特点和类型133
8.2 专家系统的结构138
8.2.1 概念结构138
8.2.2 实际结构141
8.2.3 分布式结构141
8.2.4 黑板结构141
8.3 专家系统的发展概况144
8.3.1 专家系统的意义144
8.3.2 专家系统的发展概况144
8.3.3 专家系统的应用146
8.4 知识获取知识工程147
8.4.1 知识获取的任务147
8.4.2 知识获取的方法148
8.4.3 知识工程149
8.5 专家系统的设计与实现150
8.5.1 一般步骤与方法150
8.5.2 知识表示与知识描述153
8.5.3 知识库与知识库管理系统154
8.5.4 推理机与解释机构156
8.5.5 人机界面设计157
8.6 专家系统的开发工具157
8.6.1 专家系统外壳157
8.6.2 专家系统开发环境159
8.7 新一代专家系统的研究160
8.7.1 模糊专家系统160
8.7.2 神经网络专家系统161
8.7.3 网上专家系统164
8.8 专家系统举例166
8.8.1 计算机网络故障及性能分析专家系统166
8.8.2 矿井通风系统优化选择的专家咨询系统168
习题8170
第9章 神经网络172
9.1 基本概念172
9.1.1 生物神经元172
9.1.2 人工神经元172
9.1.3 神经网络173
9.2 神经网络模型174
9.2.1 感知器174
9.2.2 BP网络及其反向传播算法175
9.2.3 Hopefield神经网络175
9.3 基于神经网络的知识表示与推理176
9.4 神经网络与专家系统177
9.5 遗传算法178
9.5.1 遗传算法的基本概念178
9.5.2 遗传算法的基本运算179
9.6 神经网络发展概况182
习题9183
第10章 模式识别184
10.1 模式识别的基本概念184
10.2 统计模式识别185
10.2.1 模板匹配分类法185
10.2.2 最小距离分类法186
10.2.3 几何分类法186
10.2.4 概率分类法186
10.2.5 聚类分类法187
10.3 结构模式识别188
10.4 模糊模式识别189
10.5 神经网络模式识别191
习题10193
第11章 机器学习194
11.1 基本概念194
11.1.1 机器学习的定义194
11.1.2 机器学习的发展过程194
11.1.3 机器学习的主要研究方向195
11.1.4 机器学习的主要策略195
11.1.5 机器学习的方法195
11.1.6 机器学习系统的原理、结构和功能196
11.2 机器学习分类197
11.2.1 符号学习198
11.2.2 连接学习198
11.2.3 遗传算法学习198
11.3 符号学习198
11.3.1 记忆学习198
11.3.2 示教学习199
11.3.3 演绎学习200
11.3.4 类比学习201
11.3.5 示例学习202
11.3.6 发现学习203
11.3.7 解释学习204
11.4 神经网络学习206
11.4.1 神经网络学习概述207
11.4.2 BP网络及其学习208
习题11209
参考文献210