人工智能技术

图书标准信息

• 作者 修春波 著
• 出版社 机械工业出版社
• 出版时间 2018-08
• 版次 1
• ISBN 9787111604099
• 定价 44.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 269页
• 字数 424千字
• 丛书 普通高等教育“十三五”规划教材

【内容简介】

本书介绍了人工智能的发展历史､基本流派､研究领域, 知识表示方法和推理技术､图搜索技术, 专家系统及其开发工具的使用和设计方法,模糊理论及应用, 机器学习和神经网络, 卷积神经网络, 混沌理论, 智能优化算法原理和应用, 多智能体技术等内容｡ 

本书是作者在多年教学和科研实践的基础上, 参阅了国内外现有教材和相关文献后编写的｡全书注重理论与实践的结合, 注重算法的实际应用与实现方法, 注重创新思维的训练与培养｡ 

本书可作为高等院校人工智能､自动化､电气工程及其自动化､计算机科学与技术､电子信息工程等专业学生“人工智能” 课程的本科生､研究生教材, 也可供从事人工智能研究与应用的科技工作者学习参考｡

【目录】

目录 

前 言 

第1 章 绪论 1 

 1. 1 人工智能的起源与发展 1 

 1. 2 人工智能学术流派 4 

 1. 3 人工智能的研究与应用领域 6 

 习题 10 

第2 章 知识表示和推理 11 

 2. 1 知识和知识表示的基本概念 11 

 2. 2 命题逻辑 14 

 2. 2. 1 语法 14 

 2. 2. 2 语义(Semantics) 15 

 2. 2. 3 命题演算(Calculas) 形式系统 16 

 2. 3 谓词逻辑 17 

 2. 3. 1 语法 18 

 2. 3. 2 语义 21 

 2. 4 归结推理 25 

 2. 4. 1 子句集及其简化 26 

 2. 4. 2 海伯伦定理 29 

 2. 4. 3 Robinson 归结原理 33 

 2. 4. 4 利用Robinson 归结原理实现定理 

证明 38 

 2. 4. 5 应用归结原理求解问题 42 

 2. 5 产生式系统 43 

 2. 5. 1 产生式系统的组成部分 44 

 2. 5. 2 产生式系统的控制策略 45 

 2. 5. 3 产生式系统的推理方式 46 

 2. 6 语义网络表示法 47 

 2. 6. 1 语义网络的结构 47 

 2. 6. 2 基本命题的语义网络表示 47 

 2. 6. 3 语义网络的知识表示方法 50 

 2. 6. 4 语义网络表示法的特点 54 

 2. 7 框架表示法 54 

 2. 8 状态空间表示法 56 

 2. 9 与或图表示法 57 

 习题 58 

第3 章 图搜索技术 59 

 3. 1 问题的提出 59 

 3. 2 状态图搜索 61 

 3. 2. 1 状态图搜索分类 61 

 3. 2. 2 穷举式搜索 63 

 3. 2. 3 启发式搜索 66 

 3. 2. 4 A 算法及A∗算法 69 

 3. 3 与或图搜索 71 

 3. 3. 1 与或图 71 

 3. 3. 2 与或图搜索 72 

 3. 4 博弈图搜索 76 

 3. 4. 1 博弈图 76 

 3. 4. 2 极大极小分析法 78 

 3. 4. 3 剪枝技术 80 

 习题 81 

第4 章 专家系统 82 

 4. 1 专家系统的概述 82 

 4. 1. 1 专家系统的概念与特点 82 

 4. 1. 2 专家系统和传统程序的区别 83 

 4. 1. 3 专家系统的类型 83 

 4. 2 专家系统的结构 84 

 4. 3 专家系统的设计原则与开发过程 85 

 4. 3. 1 专家系统的设计原则 85 

 4. 3. 2 专家系统的开发过程 86 

 4. 4 专家系统评价 87 

 4. 5 MYCIN 专家系统实例分析 88 

 4. 6 专家系统开发工具 90 

 4. 6. 1 骨架型开发工具 90 

 4. 6. 2 语言型开发工具 91 

 4. 6. 3 构造辅助工具 91 

 4. 6. 4 支撑环境 92 

 4. 7 Prolog 语言 93 

 4. 7. 1 Prolog 语言的特点 93 

 4. 7. 2 基本Prolog 的程序结构 94 

4. 7. 3 Prolog 程序的运行机理 95 

 4. 7. 4 Turbo Prolog 程序结构 97 

 4. 7. 5 Turbo Prolog 的数据与表达式 98 

 4. 7. 6 Visual Prolog 介绍 103 

 4. 7. 7 PIE: Prolog 的推理机 107 

 习题 109 

第5 章 模糊理论及应用 110 

 5. 1 模糊理论的产生与发展 110 

 5. 2 模糊理论的数学基础 111 

 5. 2. 1 经典集合论的基本概念 111 

 5. 2. 2 模糊集合的基本概念 112 

 5. 2. 3 模糊关系与复合运算 115 

 5. 3 模糊推理 117 

 5. 3. 1 模糊条件语句 117 

 5. 3. 2 模糊推理 120 

 5. 4 模糊控制系统及模糊控制器 122 

 5. 4. 1 模糊控制系统的基本结构 122 

 5. 4. 2 模糊控制器 123 

 5. 4. 3 模糊控制器的设计 124 

 5. 4. 4 模糊PID 控制器的设计 130 

 5. 5 模糊聚类分析与模糊模式识别 133 

 5. 5. 1 模糊聚类分析 134 

 5. 5. 2 模糊模式识别 137 

 5. 6 模糊聚类应用案例分析 138 

 习题 143 

第6 章 机器学习和神经网络 144 

 6. 1 机器学习的基本概念和发展史 144 

 6. 2 经典机器学习方法 145 

 6. 3 基于神经网络的学习 148 

 6. 3. 1 神经网络概述 148 

 6. 3. 2 人工神经网络模型 149 

 6. 4 BP 神经网络 153 

 6. 4. 1 网络结构 153 

 6. 4. 2 网络学习算法 154 

 6. 4. 3 BP 网络的改进算法 156 

 6. 4. 4 BP 神经网络的特点 157 

 6. 4. 5 神经网络应用实例解析 158 

 6. 5 RBF 神经网络 160 

 6. 5. 1 径向基函数 160 

 6. 5. 2 径向基函数网络结构 162 

 6. 5. 3 网络学习算法 162 

 6. 5. 4 RBF 网与BP 网的对比 163 

 6. 6 CMAC 神经网络 164 

 6. 6. 1 CMAC 网络结构 164 

 6. 6. 2 网络学习算法 164 

 6. 6. 3 CMAC 网络的特点 166 

 6. 7 Hopfield 神经网络 166 

 6. 7. 1 离散型Hopfield 网络 167 

 6. 7. 2 连续型Hopfield 网络 168 

 6. 8 Elman 神经网络 171 

 6. 8. 1 Elman 神经网络结构 171 

 6. 8. 2 Elman 神经网络学习算法 172 

 6. 9 模糊神经网络 172 

 6. 9. 1 网络结构 173 

 6. 9. 2 学习过程 174 

 6. 10 其他类型的神经网络介绍 175 

 习题 178 

第7 章 卷积神经网络及TensorFlow 

应用实践 179 

 7. 1 卷积神经网络发展简介 179 

 7. 2 卷积神经网络工作原理 179 

 7. 3 TensorFlow 学习 185 

 7. 3. 1 TensorFlow 简介 185 

 7. 3. 2 TensorFlow 中的函数和相关 

运算 190 

 7. 3. 3 卷积函数 194 

 7. 3. 4 池化函数 196 

 7. 4 利用TensorFlow 进行图像处理 197 

 7. 4. 1 图像的读取与存储 197 

 7. 4. 2 图像处理常用函数 197 

 7. 5 卷积神经网络在MNIST 的应用 

实例 201 

 习题 212 

第8 章 混沌