人工智能與專家系統

前言
第1章 緒論
1.1 人工智能及其發(fā)展 
1.2 人工智能的研究與應用領域
習題一
第2章 知識表示
 
2.1 一階謂詞邏輯表示法
2.1.1 謂詞邏輯
2.1.2 一階謂詞邏輯表示法的特點
2.2 產生式表示法
2.2.1 產生式與產生式系統
2.2.2 產生式系統的分類及其特點
2.3 框架表示法
2.3.1 框架與框架網絡
2.3.2 框架的推理及其特點
2.4 語義網絡表示法
2.4.1 語義網絡
2.4.2 語義網絡的推理及其特點 
2.5 面向對象表示法
2.5.1 面向對象的知識表示
2.5.2 面向對象表示法的特點
習題二
第3章 經典邏輯推理
3.1 推理的基本概念
3.1.1 推理方式及其分類
3.1.2 推理的控制策略
3.1.3 模式匹配及其變量代換
3.2 自然演繹推理
3.3 歸結演繹推理
3.3.1 謂詞公式化為子句集的方法
3.3.2 海伯倫理論
3.3.3 歸結原理
3.3.4 歸結反演
3.3.5 基于歸結反演的問題求解
3.3.6 歸結反演策略
3.4 與/或形演繹推理
3.4.1 與/或形正向演繹推理
3.4.2 與/或形逆向演繹推理
3.4.3 代換的一致性與剪枝策略
第4章 搜索策略
4.1 問題求解過程的形式表示
4.1.1 狀態(tài)空間表示法
4.1.2 與/或樹表示法
4.2 狀態(tài)空間的盲目搜索策略
4.2.1 寬度優(yōu)先搜索
4.2.2 深度優(yōu)先搜索
4.2.3 有界深度優(yōu)先搜索
4.2.4 代價樹的寬度優(yōu)先搜索
4.2.5 代價樹的深度優(yōu)先搜索
4.3 狀態(tài)空間的啟發(fā)式探索策略
4.3.1 估價函數一擇優(yōu)搜索
4.3.2 圖的有序搜索與A*算法
4.4 與/或樹的搜索策略
4.4.1 與/或樹的寬度優(yōu)先搜索
4.4.2 與/或樹的有界深度優(yōu)先搜索
4.4.3 與/或樹的有序搜索
4.4.4 博弈樹的啟發(fā)式搜索
4.5 搜索性能的量度
習題四
第5章 專家系統
5.1 專家系統概述
5.1.1 專家系統的類型與特點
5.1.2 專家系統的結構與開發(fā)方法
5.2 LISP語言
5.2.1 LISP語言的特點與表達式
5.2.2 LISP語言的基本函數
5.2.3 迭代與遞歸
5.3 知識庫與推理機
5.3.1 產生式規(guī)則與規(guī)則庫的存儲結構
5.3.2 推理機及其實現 
5.3.3 元知識與元規(guī)則
5.4 解釋機制與元規(guī)則
5.4.1 解釋的方法
5.4.2 解釋器及其實現
5.5 知識獲取
5.5.1 知識獲取的任務與方式
5.5.2 知識的檢測與求精
5.5.3 知識的組織與管理
5.6 專家系統工具
5.6.1 專家系統工具概述
5.6.2 專家系統工具CLIPS及其應用
5.7 分布式專家系統與協同式專家系統
5.7.1 分布式專家系統及其驅動方式
5.7.2 協同式專家系統及其協同方法
習題五
   
第6章 知識的不確定性與不確定推理
6.1 知識的不確定性 
6.1.1 證據的不確定性
6.1.2 規(guī)則的不確定性
6.1.3 推理的不確定性
6.2 基于概率的不確定推理
6.2.1 有關概率的基本概念與計算
6.2.2 基于概率的不確定推理方法
6.3 基于可信度的不確定推理
6.3.1 可信度不確定推理方法
6.3.2 帶有閾限的不確定推理
6.3.3 加權的不確定推理
6.3.4 可信度不確定推理方法的改進
6.4 模糊邏輯與模糊推理
6.4.1 模糊集合的定義與運算
6.4.2 模糊知識表示與模糊匹配
6.4.3 模糊推理方法
6.4.4 帶有可信度的模糊推理  
習題六
第7章 機器學習
7.1 機器學習的概念與方法分類 
7.2 歸納學習
7.2.1 歸納學習的基本概念
7.2.2 基于描述空間的歸納學習方法
7.2.3 基于決策樹的歸納學習方法
7.3 基于解釋的學習
7.3.1 基于解釋的學習框架
7.3.2 基于解釋的學習過程
7.4 遺傳算法
7.4.1 遺傳算法的概念與計算方法
7.4.2 遺傳算法的應用
習題七
第8章 人工神經網絡
8.1 人工神經元與感知器
8.1.1 人工神經元模型
8.1.2 感知器及其學習算法
8.2 人工神經網絡模型
8.2.1 神經網絡的互連結構
8.2.2 前向神經網絡
8.2.3 反饋神經網絡
8.3 神經網絡的學習
8.3.1 神經網絡的兩類學習方法
8.3.2 BP學習算法及其改進方法
8.4 人工神經網絡的應用
8.4.1 神經網絡專家系統
8.4.2 基于神經網絡的模糊分類器
8.4.3 神經網絡在預測中的應用
8.4.4 模糊邏輯與神經網絡的結合 
習題八 
參考文獻