人工智能与专家系统2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能与专家系统PDF格式电子书版下载

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

第1章 绪论1

1.1 人工智能及其发展1

1.2 人工智能的研究与应用领域9

习题一12

第2章 知识表示13

2.1 一阶谓词逻辑表示法13

2.1.1 谓词逻辑13

2.1.2 一阶谓词逻辑表示法的特点20

2.2 产生式表示法21

2.2.1 产生式与产生式系统22

2.2.2 产生式系统的分类及其特点26

2.3 框架表示法29

2.3.1 框架与框架网络29

2.3.2 框架的推理及其特点35

2.4 语义网络表示法39

2.4.1 语义网络39

2.4.2 语义网络的推理及其特点46

2.5 面向对象表示法49

2.5.1 面向对象的知识表示49

2.5.2 面向对象表示法的特点53

习题二55

第3章 经典逻辑推理58

3.1 推理的基本概念58

3.1.1 推理方式及其分类58

3.1.2 推理的控制策略60

3.1.3 模式匹配及其变量代换64

3.2 自然演绎推理67

3.3 归结演绎推理68

3.3.1 谓词公式化为子句集的方法68

3.3.2 海伯伦理论70

3.3.3 归结原理72

3.3.4 归结反演75

3.3.5 基于归结反演的问题求解76

3.3.6 归结反演策略79

3.4 与/或形演绎推理84

3.4.1 与/或形正向演绎推理84

3.4.2 与/或形逆向演绎推理87

3.4.3 代换的一致性与剪枝策略90

习题三91

第4章 搜索策略95

4.1 问题求解过程的形式表示95

4.1.1 状态空间表示法95

4.1.2 与/或树表示法97

4.2 状态空间的盲目搜索策略100

4.2.1 宽度优先搜索100

4.2.2 深度优先搜索102

4.2.3 有界深度优先搜索104

4.2.4 代价树的宽度优先搜索105

4.2.5 代价树的深度优先搜索107

4.3.1 估价函数与择优搜索109

4.3 状态空间的启发式探索策略109

4.3.2 图的有序搜索与A算法111

4.4 与/或树的搜索策略115

4.4.1 与/或树的宽度优先搜索116

4.4.2 与/或树的有界深度优先搜索118

4.4.3 与/或树的有序搜索120

4.4.4 博弈树的启发式搜索124

4.5 搜索性能的量度127

习题四128

第5章 专家系统134

5.1 专家系统概述134

5.1.1 专家系统的类型与特点134

5.1.2 专家系统的结构与开发方法137

5.2 LISP语言140

5.2.1 LISP语言的特点与表达式140

5.2.2 LISP语言的基本函数142

5.2.3 迭代与递归149

5.3.1 产生式规划与规则库的存储结构151

5.3 知识库与推理机151

5.3.2 推理机及其实现155

5.3.3 元知识与元规则167

5.4 解释机制与解释器170

5.4.1 解释的方法170

5.4.2 解释器及其实现174

5.5 知识获取177

5.5.1 知识的获取的任务与方式177

5.5.2 知识的检测与求精180

5.5.3 知识的组织与管理187

5.6 专家系统工具189

5.6.1 专家系统工具概述189

5.6.2 专家系统工具CLIPS及其应用192

5.7 分布式专家系统与协同式专家系统203

5.7.1 分布式专家系统及其驱动方式203

5.7.2 协同式专家系统及其协同方法205

习题五209

第6章 知识的不确定性与不确定推理211

6.1 知识的不确定性211

6.1.1 证据的不确定性211

6.1.2 规则的不确定性212

6.1.3 推理的不确定性213

6.2 基于概率的不确定推理214

6.2.1 有关概率的基本概念与计算214

6.2.2 基于概率的不确定推理方法216

6.3 基于可信度的不确定推理222

6.3.1 可信度不确定推理方法222

6.3.2 带有阈限的不确定推理226

6.3.3 加权的不确定推理227

6.3.4 可信度不确定推理方法的改进230

6.4 模糊逻辑与模糊推理237

6.4.1 模糊集合的定义与运算237

6.4.2 模糊知识表示与模糊匹配247

6.4.3 模糊推理方法252

6.4.4 带有可信度的模糊推理264

习题六266

第7章 机器学习271

7.1 机器学习的概念与方法分类271

7.2 归纳学习272

7.2.1 归纳学习的基本概念272

7.2.2 基于描述空间的归纳学习方法274

7.2.3 基于决策树的归纳学习方法276

7.3 基于解释的学习282

7.3.1 基于解释的学习框架283

7.3.2 基于解释的学习过程284

7.4 遗传算法286

7.4.1 遗传算法的概念与计算方法286

7.4.2 遗传算法的应用291

习题七294

8.1.1 人工神经元模型296

8.1 人工神经元与感知器296

第8章 人工神经网络296

8.1.2 感知器及其学习算法298

8.2 人工神经网络模型300

8.2.1 神经网络的互连结构300

8.2.2 前向神经网络301

8.2.3 反馈神经网络303

8.3 神经网络的学习306

8.3.1 神经网络的两类学习方法306

8.3.2 BP学习算法及其改进方法307

8.4 人工神经网络的应用314

8.4.1 神经网络专家系统314

8.4.2 基于神经网络的模糊分类器317

8.4.3 神经网络在预测中的应用324

8.4.4 模糊逻辑与神经网络的结合328

习题八331

参考文献333