人工智能與知識工程

     目 錄
   第一章 緒 論
    1.1人工智能的發(fā)展概況
    1.1.1什么是人工智能
    1.1.2人工智能的研究途徑
    1.1.3人工智能學科的發(fā)展
    1.2人工智能的應用
    1.2.1人工智能的應用領域
    1.2.2專家系統(tǒng)
   第二章 人工智能程序設計語言
    2.1LISP語言
    2.1.1概 述
    2.1.2LISP的基本功能
    2.1.3遞歸與迭代
    2.1.4輸入輸出功能
    2.1.5LISP的其他功能
    2.2PROLOG語言
    2.2.1概 述
    2.2.2重復與遞歸
    2.2.3表處理方法
    2.2.4字符串處理方法
    2.2.5輸入輸出功能
    習 題
   第三章 知識表示
    3.1概 述
    3.1.1知識與知識表示
    3.1.2知識表示的方法
    3.2邏輯表示法
    3.2.1一階謂詞邏輯
    3.2.2謂詞邏輯用于知識表示
    3.3規(guī)則表示法
    3.3.1產生式規(guī)則與產生式系統(tǒng)
    3.3.2Markov算法與Rete算法
    3.3.3控制策略的類型
    3.4語義網絡表示法
    3.4.1語義網絡的基本概念
    3.4.2語義網絡的應用
    3.5框架表示法
    3.5.1框架的基本概念
    3.5.2框架表示的應用
    3.6概念從屬與劇本表示法
    3.6.1概念從屬
    3.6.2劇 本
    習 題
   第四章 基本的問題求解方法
    4.1狀態(tài)空間搜索
    4.1.1概 述
    4.1.2回溯策略
    4.1.3圖搜索策略
    4.1.4任一路徑的圖搜索
    4.1.5最佳路徑的圖搜索
    4.1.6與或圖的搜索
    4.2博弈樹搜索
    4.2.1概 述
    4.2.2極小極大過程
    4.2.3α－β過程
    4.3約束滿足搜索
    4.3.1概 述
    4.3.2生長法
    4.3.3修改法
    4.4通用問題求解
    4.4.1手段目的分析
    4.4.2生成與測試（Generate－and－test）
    習 題
   第五章 基本的推理方法
    5.1歸結反演系統(tǒng)
    5.1.1謂詞演算基礎
    5.1.2歸結反演（refutation）
    5.1.3歸結反演的控制策略
    5.1.4從歸結反演中提取解答
    5.2基于規(guī)則的演繹系統(tǒng)
    5.2.1正向演繹系統(tǒng)
    5.2.2逆向演繹系統(tǒng)
    5.3規(guī)劃生成系統(tǒng)
    5.3.1機器人問題求解
    5.3.2正向系統(tǒng)
    5.3.3規(guī)劃的表示
    5.3.4逆向系統(tǒng)
    習 題
   第六章 實用推理技術
    6.1推理的類型
    6.1.1從邏輯基礎上的分類
    6.1.2從推理方法上的分類
    6.2非單調推理
    6.2.1概 述
    6.2.2非單調邏輯
    6.2.3非單調系統(tǒng)
    6.3不精確推理
    6.3.1概 述
    6.3.2概率方法
    6.3.3可信度方法
    6.3.4主觀Bayes方法
    6.3.5證據(jù)理論
    6.3.6可能性理論
    6.4基于模型的推理
    6.4.1基本原理
    6.4.2基于規(guī)則與模型的系統(tǒng)
    6.4.3基于模型的故障診斷系統(tǒng)
    6.5基于事例的推理
    6.5.1基本概念
    6.5.2基本方法
    6.5.3與基于規(guī)則的系統(tǒng)的比較
    6.5.4實例系統(tǒng)
    習 題
   第七章 專家系統(tǒng)
    7.1基本結構
    7.2元知識結構
    7.2.1什么是元知識
    7.2.2元知識的作用
    7.2.3元知識在專家系統(tǒng)中的應用
    7.3黑板系統(tǒng)結構
    7.3.1黑板模型
    7.3.2黑板結構
    7.3.3知識源
    7.3.4控制策略
    7.3.5黑板模型的優(yōu)越性
    7.4黑板控制結構
    7.4.1基本概念
    7.4.2知識源的表示
    7.4.3控制黑板的組織
    7.4.4調度機制
    7.4.5黑板控制結構的優(yōu)點與不足
    7.5實 例
    7.5.1MYCIN系統(tǒng)
    7.5.2AM系統(tǒng)
    習 題
   第八章 知識獲取與機器學習
    8.1概 述
    8.1.1知識獲取的基本過程
    8.1.2知識獲取的主要手段
    8.1.3機器學習
    8.1.4知識獲取工具
    8.2通過例子學習
    8.2.1概 述
    8.2.2學習單個概念
    8.2.3學習多個概念
    8.2.4學習執(zhí)行多步任務
    8.3通過類比學習
    8.3.1概 述
    8.3.2類比學習與推理系統(tǒng)
    8.3.3轉換類比與派生類比系統(tǒng)
    8.4基于解釋的學習
    8.4.1概 述
    8.4.2基于解釋的抽象
    8.5通過觀察學習
    8.5.1合取概念聚類系統(tǒng)
    8.5.2結構對象的概念聚類
    8.6從數(shù)據(jù)庫學習
    8.6.1數(shù)據(jù)庫中的知識發(fā)現(xiàn)
    8.6.2數(shù)據(jù)挖掘方法
    習 題
   第九章 計算智能
    9.1演化計算
    9.1.1遺傳算法概述
    9.1.2遺傳算法的理論基礎
    9.1.3演化策略與演化規(guī)劃
    9.2連接計算
    9.2.1概 述
    9.2.2感知機
    9.2.3多層前向網絡
    9.2.4Hopfield網絡
    9.3混合系統(tǒng)
    9.3.1混合系統(tǒng)結構
    9.3.2用神經網絡表示符號知識
   第十章 智能Agent
    10.1關于智能Agent
    10.1.1基本概念
    10.1.2Agent理論
    10.1.3Agent系統(tǒng)結構
    10.1.4Agent程序設計
    10.1.5Agent的應用
    10.2多Agent系統(tǒng)
    10.2.1概 述
    10.2.2多Agent系統(tǒng)的結構
    10.2.3Agent通信語言
    10.2.4多Agent系統(tǒng)的協(xié)商機制
   第十一章 分布式專家系統(tǒng)工具DEST
    11.1分布式系統(tǒng)結構
    11.2面向對象的知識表示
    11.2.1對象的表示
    11.2.2規(guī)則的表示
    11.2.3方法的表示
    11.3問題求解機制
    11.3.1概 述
    11.3.2模糊規(guī)則推理
    11.3.3模糊決策樹推理
    11.3.4神經網絡的模擬
    11.3.5實 例
   附錄 DEST系統(tǒng)函數(shù)
   參考文獻