本书系统地介绍了人工智能的基本原理和相关的应用领域.全书共分九章,**章叙述人工智能的定义、发展简史及其研究领域。第二章介绍知识的各种表达法;第三章介绍问题求解技术,**介绍启发式搜索技术;第四章介绍基本的推理技术;第五章介绍不**推理技术;第六章介绍重要的人工智能语言Prolog;第七章介绍专家系统;第八章介绍了机器学习的各种基本方法;第九章介绍人工神经网络的基本结构和学习方法,**介绍前馈型神经网络和Hopfield神经网络。本书可作计算机,信息处理,自动化及相关专业的本科生及专科生的教材或教学参考书,也可供有关专业领域科技人员使用.

目 录第1章 绪论 1.1 人工智能概述 1.1.1 什么是人工智能 1.1.2 什么是自然智能 1.2 人工智能的发展史1.2.1 **阶段——孕育期(1956年以前)1.2.2 第二阶段——人工智能基础技术的研究和形成(1956年~1970年)1.2.3 第三阶段——发展和实用化阶段(1971年~1980��) 1.2.4 第四阶段——知识工程与专家系统(1980年至今) 1.3 人工智能的研究领域1.3.1 专家系统(Expert System)1.3.2 自然语言处理(Natural Language Processing)1.3.3 机器学习(Machine Learning) 1.3.4 自动定理证明(Automatic Theorem Proving)1.3.5 分布式人工智能(Distributed Artificial Intelligence)1.3.6 机器人(Robots)1.3.7 模式识别(Pattern Recognition) 1.3.8 博弈(Game Playing)1.3.9 计算机视觉(Computer Vision)1.3.10 人工神经网络(Artificial Neural Network) 习题1 第2章 知识表达技术 2.1 知识的概念与含义 2.2 知识类型和知识模型的变换2.2.1 知识类型 2.2.2 知识模型的变换 2.3 状态空间表达法2.3.1 状态空间表达法的概念2.3.2 状态空间表达法的例子 2.4 与/或图表达法2.4.1 与/或图表达法的概念2.4.2 与/或图表达法的例子 2.5 产生式系统2.5.1 产生式系统的基本结构2.5.2 产生式系统的表示2.5.3 产生式系统的例子 2.6 知识的逻辑表达方法2.6.1 命题逻辑2.6.2 谓词逻辑 2.6.3 一阶谓词逻辑表达方法2.6.4 谓词逻辑表达法的特性和应用 2.7 语义网络2.7.1 语义网络的概念和特性2.7.2 语义网络的知识表示2.8 框架表达法2.8.1 框架的构成2.8.2 框架系统与产生式系统的结合2.9 特征表表达法2.10 面向对象的表示2.10.1 对象、消息和方法2.10.2 类、类层次和继承性2.10.3 面向对象知识表示与语义网络、框架系统的比较 习题2第3章 基本的问题求解方法 3.1 状态空间搜索概述3.1.1 图的概念3.1.2 状态空间的图描述3.1.3 问题的状态空间的图描述3.1.4 将问题求解定义为状态空间搜索3.1.5 搜索的基本概念 3.2 盲目的图搜索策略3.2.1 搜索策略概述3.2.2 回溯策略3.2.3 宽度优先搜索3.2.4 深度优先搜索3.2.5 图搜索 3.3 启发式图搜索策略 3.3.1 启发式策略3.3.2 启发信息和估价函数3.3.3 启发式图搜索法——A及A﹡搜索算法3.3.4 A﹡搜索算法的讨论 3.4 与/或图搜索3.4.1 与/或图的概念3.4.2 AO及AO﹡搜索算法3.4.3 博弈树搜索 3.5 通用问题求解技术简介3.5.1 概述3.5.2 GPS系统 3.6 中间_结局分析法3.6.1 概念3.6.2 中间结局分析法分析步骤3.6.3 讨论 3.7 生成与测试 3.8 约束与满足 习题3第4章 基本的推理技术 4.1 推理技术概述4.1.1 推理的概念和类型4.1.2 推理的控制策略 4.2 归结反演系统4.2.1 归结原理4.2.2 归结反演4.2.3 归结反演的控制策略4.2.4 应用归结反演求取问题的答案 4.3 基于规则的演绎推理4.3.1 正向演绎推理4.3.2 反向演绎推理4.3.3 双向演绎推理 习题4第5章 不**推理 5.1 概述 5.2 概率方法5.2.1 概率论基础5.2.2 概率推理模型 5.3 主观Bayes方法5.3.1 不确定性的表示5.3.2 主观Bayes方法推理的基本算法 5.4 可信度方法5.4.1 基于可信度的不确定性的表示5.4.2 可信度方法推理的基本算法 5.5 模糊推理5.5.1 模糊理论基础5.5.2 语言变量及模糊推理 习题5第6章 PROLOG语言 6.1 PROLOG语言概述6.1.1 PROLOG语言的发展6.1.2 PROLOG语言的特点 6.2 PROLOG语言的结构6.2.1 数据结构6.2.2 程序结构 6.3 PROLOG语言的内部谓词6.3.1 比较类6.3.2 表达式类6.3.3 输入输出类6.3.4 文件操作类6.3.5 控制谓词类6.3.6 复杂目标类6.3.7 项类6.3.8 结构分量类6.3.9 项维护类 6.4 PROLOG语言的搜索策略6.4.1 例化与匹配6.4.2 回溯控制6.4.3 搜索策略 6.5 谓词!的讨论6.5.1 谓词!的作用6.5.2 用法及举例 6.6 PROLOG程序设计6.6.1 数学函数6.6.2 八皇后问题6.6.3 专家系统示意 6.7 PROLOG语言与C语言的连接6.7.1 语言条件6.7.2 外部谓词说明6.7.3 参数传递6.7.4 外部C语言子程序6.7.5 两个限制 习题6第7章 专家系统 7.1 专家系统的定义与分类7.1.1 专家系统的定义与特点7.1.2 专家系统的类型 7.2 专家系统的结构与工作原理7.2.1 专家系统的一般结构7.2.2 专家系统的工作原理 7.3 知识获取7.3.1 知识获取的任务7.3.2 知识获取的模式 7.4 专家系统的建立7.4.1 适于专家系统求解的问题7.4.2 专家系统的设计原则与开发步骤7.4.3 专家系统的评价 7.5 专家系统实例7.5.1 动物识别专家系统7.5.2 医学专家系统——MYCIN7.5.3 地质勘探专家系统——PROSPECTOR 7.6 专家系统的开发工具7.6.1 用于开发专家系统的程序设计语言7.6.2 骨架系统7.6.3 通用型知识表达语言7.6.4 专家系统开发环境 习题7第8章 机器学习 8.1 机器学习概述8.1.1 机器学习的基本概念8.1.2 机器学习的主要策略8.1.3 机器学习系统的基本结构8.1.4 机器学习系统的主要特性 8.2 机械学习8.2.1 机械学习的模式及主要问题8.2.2 机械学习应用举例 8.3 相关产生式学习系统8.3.1 相关产生式的概念8.3.2相关产生式学习方法 8.4 示例学习8.4.1 示例学习模型8.4.2 基于示例学习的一般过程8.4.3 示例的表示8.4.4 示例复用8.4.5 示例保存 8.5 类比学习8.5.1 类比学习的概念8.5.2 类比学习的表示与求解 8.6 几种类比学习系统介绍8.6.1 转换类比学习系统8.6.2 派生类比学习8.6.3 因果关系型类比学习8.6.4 联想类比学习 8.7 归纳学习 8.7.1 归纳学习概述8.7.2 归纳学习的一般模式8.7.3 类型定义8.7.4 结构归纳学习及示例8.7.5 基于决策树的归纳学习方法 习题8第9章 人工神经网络 9.1 人工神经网络概述 9.2 人工神经元模型 9.3 人工神经网络结构及工作方式 9.4 神经网络的学习方法9.4.1 学习方式9.4.2 学习规则9.4.3 学习与自适应 9.5 前馈型神经网络9.5.1 前馈型神经网络结构9.5.2 利用BP算法进行网络训练 9.6 神经联想记忆与Hopfield网络9.6.1 神经联想记忆9.6.2 Hopfield网络9.6.3 Hopfield网络的一个范例 习题9参考文献