人工智能与机器人

图书标准信息

• 作者 倪建军、史朋飞、罗成名 著
• 出版社 科学出版社
• 出版时间 2019-10
• 版次 1
• ISBN 9787030624178
• 定价 99.00元
• 装帧 平装
• 开本 16开
• 页数 340页

【内容简介】

《人工智能与机器人》旨在系统介绍人工智能与机器人研究领域的相关基础理论，同时展示国内外*新的研究成果，《人工智能与机器人》分为人工智能基础与智能机器人两大部分，共17章。第一部分主要介绍人工智能的基本概念、知识工程、确定性推理、不确定性推理、搜索技术、人工神经网络、机器学习、进化计算与群体智能、分布式人工智能等内容。第二部分主要介绍智能机器人的定义和研究领域、机器人感知、机器人定位与建图、机器人导航、机器人路径规划、多机器人系统、生物启发式方法在机器人中的应用、智能机器人设计与开发等内容。

【目录】

目录 
前言 
第一部分 人工智能基础 
第1章 人工智能概述 3 
1.1 人工智能的基本概念 3 
1.1.1 人工智能的定义 3 
1.1.2 人工智能的研究目标 5 
1.2 人工智能发展简史 6 
1.2.1 孕育期 6 
1.2.2 形成期 6 
1.2.3 发展和应用期 8 
1.3 人工智能的不同学派 10 
1.3.1 符号主义学派 10 
1.3.2 联结主义学派 11 
1.3.3 行为主义学派 11 
1.3.4 三大学派的综合集成 12 
1.4 人工智能研究的基本内容 12 
1.5 人工智能的主要研究领域 13 
1.6 人工智能与机器人的关系 21 
课后习题 21 
第2章 知识工程 22 
2.1 知识表示方法 22 
2.1.1 一阶谓词逻辑表示法 22 
2.1.2 产生式表示法 28 
2.1.3 框架表示法 29 
2.1.4 语义网络表示法 32 
2.2 知识获取 38 
2.3 知识管理与知识工程 39 
2.3.1 知识管理 39 
2.3.2 知识工程 39 
2.3.3 知识管理系统 40 
课后习题 41
第3章 确定性推理 43 
3.1 推理方法概述 43 
3.1.1 推理的定义 43 
3.1.2 推理方式分类 43 
3.1.3 推理的控制策略 44 
3.2 自然演绎推理 50 
3.3 归结演绎推理 51 
3.3.1 归结演绎推理的逻辑基础 51 
3.3.2 海伯伦定理 55 
3.3.3 罗宾逊归结原理 56 
3.3.4 归结演绎推理 60 
课后习题 62 
第4章 不确定性推理 64 
4.1 不确定性推理概述 64 
4.2 基本概率方法 65 
4.2.1 贝叶斯理论 65 
4.2.2 简单概率推理 66 
4.3 主观贝叶斯推理 67 
4.3.1 知识不确定性的表示 67 
4.3.2 证据不确定性的表示 68 
4.3.3 组合证据不确定性算法 68 
4.3.4 不确定性的传递算法 69 
4.3.5 结论不确定性的合成算法 70 
4.3.6 主观贝叶斯方法的优缺点 72 
4.4 模糊推理 73 
4.4.1 模糊数学基础 73 
4.4.2 简单模糊推理 76 
4.5 证据理论 79 
4.5.1 证据理论的基本概念 79 
4.5.2 基于证据理论的不确定性推理 80 
4.6 粗糙集理论 82 
课后习题 85 
第5章 搜索技术 87 
5.1 状态空间搜索技术 87 
5.2 盲目搜索策略 90 
5.2.1 广度优先搜索 90 
5.2.2 深度优先搜索 91
5.2.4 代价推进搜索 94 
5.3 启发式搜索算法 96 
5.3.1 启发式搜索算法基本概念 96 
5.3.2 局部择优搜索 97 
5.3.3 全局择优搜索 98 
5.3.4 图的有序搜索算法 100 
课后习题 101 
第6章 人工神经网络 102 
6.1 人工神经网络概述 102 
6.1.1 人工神经网络发展史 102 
6.1.2 人工神经网络特点 103 
6.2 人工神经网络基本原理 104 
6.2.1 神经元数学模型 104 
6.2.2 人工神经元转移函数 105 
6.2.3 人工神经网络分类 107 
6.3 人工神经网络主要算法 109 
6.3.1 BP神经网络 109 
6.3.2 RBF神经网络 111 
6.3.3 Hop-eld神经网络 113 
6.3.4 自组织神经网络 115 
6.4 模糊神经网络 117 
课后习题 120 
第7章 机器学习 121 
7.1 机器学习概述 121 
7.1.1 机器学习的主要策略 122 
7.1.2 机器学习系统的基本结构 122 
7.2 决策树学习 123 
7.3 贝叶斯学习 127 
7.3.1 贝叶斯公式的密度函数形式 127 
7.3.2 贝叶斯法则 128 
7.3.3 朴素贝叶斯学习 129 
7.3.4 贝叶斯信念网 129 
7.4 统计学习 131 
7.4.1 机器学习问题表示 131 
7.4.2 学习过程的一致性条件 132 
7.4.3 函数集的学习性能与VC维 133 
7.4.4 推广性的界 134 
7.4.5 结构风险*小化 134
7.4.6 支持向量机 135 
7.5 强化学习 137 
7.5.1 强化学习概述 137 
7.5.2 Q学习 139 
7.5.3 强化学习存在的问题 139 
7.6 深度学习 140 
7.6.1 深度学习概述 140 
7.6.2 深度学习与神经网络 140 
7.6.3 深度学习的常用模型 141 
课后习题 143 
第8章 进化计算与群体智能 144 
8.1 遗传算法 144 
8.1.1 遗传算法概述 144 
8.1.2 遗传算法原理 145 
8.1.3 遗传算法优缺点 147 
8.1.4 遗传算法举例 148 
8.2 进化策略 151 
8.2.1 进化策略概述 151 
8.2.2 (1+1)-ES算法 152 
8.2.3 进化策略算法演变 152 
8.2.4 一般进化策略算法 154 
8.3 蚁群算法 154 
8.3.1 蚁群算法概述 154 
8.3.2 蚁群算法基本原理 155 
8.3.3 蚁群算法基本步骤 156 
8.3.4 蚁群算法优缺点 158 
8.4 粒子群优化算法 159 
8.4.1 粒子群优化算法概述 159 
8.4.2 PSO基本工作原理 159 
8.4.3 PSO优缺点 161 
8.4.4 应用举例 162 
课后习题 164 
第9章 分布式人工智能 165 
9.1 分布式人工智能概述 165 
9.1.1 分布式人工智能的特点 165 
9.1.2 分布式人工智能的研究与发展 166 
9.2 Agent简介 168 
9.2.1 Agent的基本概念 168
9.2.2 Agent的模型与结构 169 
9.3 多Agent学习 172 
9.3.1 多Agent学习概述 172 
9.3.2 多Agent-Q学习算法 173 
9.4 多Agent协调 174 
9.4.1 基本概念 174 
9.4.2 合同网模型 175 
课后习题 177 
第二部分 智能机器人 
第10章 智能机器人概述 181 
10.1 机器人发展简史 181 
10.2 机器人分类 186 
10.2.1 按发展程度分类 186 
10.2.2 按负载能力分类 187 
10.2.3 按开发内容和目的分类 187 
10.2.4 按应用领域分类 188 
10.3 机器人定义和主要特征 190 
10.3.1 机器人定义 190 
10.3.2 机器人主要特征 190 
10.3.3 机器人优缺点 191 
10.4 智能机器人 192 
10.4.1 智能机器人概念 192 
10.4.2 智能机器人关键技术 193 
10.4.3 智能机器人发展与展望 195 
课后习题 198 
第11章 机器人感知 199 
11.1 机器人传感器 199 
11.1.1 内部传感器 199 
11.1.2 外部传感器 201 
11.2 图像处理与机器人视觉 203 
11.2.1 图像处理基础 203 
11.2.2 图像处理的常用方法 206 
11.2.3 机器人视觉 211 
11.3 语音识别与机器人听觉 213 
11.3.1 语音识别技术简介 213 
11.3.2 语音识别常用算法 215 
11.3.3 机器人听觉系统 217
11.4 多源信息融合 218 
11.4.1 信息融合基本概念 218 
11.4.2 多源信息融合的主要方法 219 
11.4.3 信息融合技术在机器人中的应用 220 
课后习题 220 
第12章 机器人定位与建图 222 
12.1 机器人定位技术 222 
12.1.1 经典定位方法 222 
12.1.2 机器人无线定位算法 224 
12.2 机器人地图构建 229 
12.2.1 地图模型 229 
12.2.2 基于距离测量的地图构建算法 231 
12.3 机器人同时定位与建图 232 
12.3.1 SLAM基本概念 232 
12.3.2 基于EKF的SLAM方法 233 
12.3.3 基于PF的FastSLAM方法 235 
课后习题 237 
第13章 机器人导航 238 
13.1 机器人导航概述 238 
13.2 机器人导航基础知识 239 
13.2.1 机器人坐标系 239 
13.2.2 机器人导航方式 240 
13.3 传统导航方法 242 
13.3.1 航位推算法 242 
13.3.2 惯性导航法 244 
13.3.3 人工势场法 245 
13.4 智能导航方法 250 
13.4.1 基于模糊逻辑的机器人导航 250 
13.4.2 基于强化学习的机器人导航 251 
课后习题 253 
第14章 机器人路径规划 254 
14.1 机器人路径规划概述 254 
14.1.1 路径规划的研究内容 254 
14.1.2 路径规划方法分类 255 
14.2 传统路径规划方法 255 
14.2.1 构形空间方法 255 
14.2.2 可视图法 256 
14.2.3 栅格法 257
14.2.4 拓扑法 258 
14.2.5 概率路径图法 259 
14.3 智能路径规划方法 260 
14.3.1 基于遗传算法的路径规划 260 
14.3.2 基于蛙跳算法的路径规划 263 
课后习题 266 
第15章 多机器人系统 267 
15.1 多机器人系统概述 267 
15.1.1 研究内容 267 
15.1.2 发展现状 269 
15.1.3 存在的问题 272 
15.2 多机器人任务分配 273 
15.2.1 任务分配方式分类 273 
15.2.2 任务分配常用方法 274 
15.3 多机器人路径规划 278 
15.3.1 基于模糊逻辑的多机器人路径规划 278 
15.3.2 基于差分进化算法的多机器人路径规划 280 
15.4 多机器人编队控制 282 
15.4.1 基于行为的