人工智能及其演化

前言 第1章 緒論 1．1 人工智能的產(chǎn)生及其發(fā)展 1．1．1 人工智能的產(chǎn)生 1．1．2 人工智能的早期發(fā)展 1．1．3 人工智能的高速發(fā)展 1．2 人工智能的研究目標 1．3 人工智能涉及的技術領域 1．4 全書內(nèi)容概述 第2章 人工神經(jīng)網(wǎng)絡的發(fā)展與應用 2．1 引言 2．2 定義 2．3 特征 2．3．1 網(wǎng)絡結構特征 2．3．2 性能特點 2．3．3 能力特征 2．3．4 實現(xiàn)方式 2．4 歷史發(fā)展回顧 2．4．1 第一階段——啟蒙時期 2．4．2 第二階段——興盛時期 2．4．3 第三階段——反思時期 2．4．4 第四階段——復興時期 2．4．5 第五階段——新發(fā)展時期 2．5 人工神經(jīng)網(wǎng)絡信息處理的機理與結構 2．5．1 人工神經(jīng)網(wǎng)絡信息處理的機理 2．5．2 人工神經(jīng)網(wǎng)絡結構 2．5．3 一類典型的神經(jīng)網(wǎng)絡算例 2．6 網(wǎng)絡類型、學習類型與規(guī)則 2．6．1 感知器神經(jīng)網(wǎng)絡 2．6．2 線性神經(jīng)網(wǎng)絡 2．6．3 BP神經(jīng)網(wǎng)絡 2．6．4 徑向基函數(shù)網(wǎng)絡 2．6．5 自組織網(wǎng)絡（Kohonen神經(jīng)網(wǎng)絡） 2．6．6 反饋網(wǎng)絡 2．6．7 Hopfield網(wǎng)絡 2．6．8 人工神經(jīng)場（ANEF）模型 2．7 發(fā)展現(xiàn)狀及應用方向 第3章 遺傳算法及其應用 3．1 遺傳算法的產(chǎn)生及其發(fā)展 3．1．1 遺傳算法的生物學基礎 3．1．2 遺傳算法的發(fā)展歷史 3．1．3 遺傳算法的基本思想 3．1．4 遺傳算法的相關概念 3．2 遺傳算法的基本原理 3．2．1 編碼 3．2．2 適應度函數(shù) 3．2．3 初始群體的選取 3．2．4 簡單算例 3．3 遺傳算法收斂性 3．4 遺傳算法的特點 3．5 遺傳算法的編程實例 3．5．1 極大值、最大值、局部最優(yōu)解、全局最優(yōu)解 3．5．2 “袋鼠跳”問題 3．5．3 實現(xiàn)方法 3．6 遺傳算法的應用領域 3．7 遺傳算法的現(xiàn)狀及發(fā)展趨勢 第4章 人工生命及其應用 4．1 人工生命的生物學基礎 4．1．1 生命的起源 4．1．2 關于生命的兩種觀點 4．1．3 生命系統(tǒng)的內(nèi)涵和特征 4．2 人工生命的產(chǎn)生及其發(fā)展 4．2．1 人工生命的發(fā)展歷史 4．2．2 人工生命的定義 4．3 人工生命的特點 4．4 人工生命的基本思想 4．5 人工生命的算法原理 4．5．1 人工生命的基本算法 4．5．2 人工生命的改進算法 4．6 人工生命的主要研究領域 4．6．1 細胞自動機 4．6．2 人工腦 4．6．3 數(shù)字生命 4．6．4 數(shù)字社會 4．6．5 數(shù)字生態(tài)環(huán)境 4．6．6 進化機器人 4．6．7 虛擬生物 4．6．8 進化算法 4．7 人工生命的實現(xiàn)技術 4．8 人工生命的現(xiàn)狀及發(fā)展前景 第5章 專家系統(tǒng)的形成與發(fā)展 5．1 引言 5．2 定義 5．3 特點 5．4 專家系統(tǒng)的產(chǎn)生與發(fā)展 5．4．1 第一階段——初創(chuàng)期 5．4．2 第二階段——成熟期 5．4．3 第三階段——發(fā)展期 5．5 專家系統(tǒng)的結構與工作原理 5．5．1 專家系統(tǒng)的一般結構 5．5．2 專家系統(tǒng)的開發(fā)環(huán)境 5．5．3 專家知識的獲取方式 5．5．4 專家系統(tǒng)知識表示 5．5．5 專家系統(tǒng)推理機的設計 5．5．6 專家系統(tǒng)的工作原理 5．6 專家系統(tǒng)的類型 5．6．1 基于規(guī)則的專家系統(tǒng) 5．6．2 基于案例的專家系統(tǒng) 5．6．3 基于框架的專家系統(tǒng) 5．6．4 基于模糊邏輯的專家系統(tǒng) 5．6．5 基于D-S證據(jù)理論的專家系統(tǒng) 5．6．6 基于人工神經(jīng)網(wǎng)絡的專家系統(tǒng) 5．6．7 基于遺傳算法的專家系統(tǒng) 5．7 專家系統(tǒng)的應用 5．7．1 專家系統(tǒng)在農(nóng)業(yè)灌溉管理中的應用 5．7．2 專家系統(tǒng)在地震方面的應用 5．8 專家系統(tǒng)的發(fā)展趨勢 5．8．1 通用性專家系統(tǒng) 5．8．2 分布式專家系統(tǒng) 5．8．3 協(xié)同式專家系統(tǒng) 第6章 知識工程 6．1 知識工程的發(fā)展歷史 6．2 知識工程的基本概念 6．2．1 數(shù)據(jù)、信息和知識 6．2．2 知識工程中的人 6．3 知識的獲取 6．3．1 知識獲取的方式 6．3．2 數(shù)據(jù)挖掘的常用方法 6．4 知識的表示 6．4．1 傳統(tǒng)知識表示方法的改進 6．4．2 面向對象的知識表示方法 6．4．3 模糊技術的知識表示方法 6．4．4 人工神經(jīng)網(wǎng)絡知識表示方法 6．5 基于知識發(fā)現(xiàn)的應用 6．5．1 在工業(yè)設計中的應用 6．5．2 在機械產(chǎn)品參數(shù)化設計中的應用 6．5．3 在工藝決策方面的應用 6．5．4 知識工程在教育領域的應用 6．5．5 在電子政務與電子商務領域中的應用 6．5．6 在虛擬企業(yè)中的應用 6．5．7 本體與知識共享 6．6 知識工程的典型案例 6．6．1 復雜產(chǎn)品創(chuàng)新設計中知識本體的構建 6．6．2 航天產(chǎn)品設計知識的表示與重用技術研究案例 6．6．3 基于知識的復雜產(chǎn)品設計過程研究案例 6．6．4 面向軍工企業(yè)的知識管理模式與戰(zhàn)略方法研究案例 6．6．5 支持航天產(chǎn)品數(shù)字化設計的KBE系統(tǒng)架構案例研究 第7章 深度學習簡介 7．1 深度學習的產(chǎn)生及發(fā)展 7．1．1 深度學習的神經(jīng)學基礎 7．1．2 深度學習的發(fā)展歷史 7．2 發(fā)展深度學習的必要性 7．2．1 淺層結構函數(shù)表示能力的局限性 7．2．2 引入深度學習的必要性 7．3 典型深度學習模型 7．3．1 卷積神經(jīng)網(wǎng)絡模型（CNN） 7．3．2 深度置信型網(wǎng)絡模型（DBN） 7．3．3 堆棧自編碼網(wǎng)絡模型 7．3．4 混合型結構模型 7．4 深度學習的訓練算法 7．5 深度學習的應用領域 7．5．1 語音識別 7．5．2 圖像和視頻 7．5．3 自然語言處理 7．5．4 搜索廣告與CTR預估 7．6 深度學習未來的研究方向及發(fā)展前景 7．6．1 理論問題 7．6．2 建模問題 7．6．3 特征提取 7．6．4 訓練與優(yōu)化求解 7．6．5 工程問題 7．6．6 研究拓展 7．6．7 發(fā)展前景 第8章 展望 8．1 人工智能的重要影響 8．1．1 人工智能對科學的影響 8．1．2 人工智能對經(jīng)濟的影響 8．1．3 人工智能對社會的影響 8．2 人工智能的產(chǎn)業(yè)化可能 8．2．1 谷歌機器學習產(chǎn)業(yè)化 8．2．2 百度深度學習實驗室 8．3 人工智能的前景 8．3．1 大腦計劃 8．3．2 面向交互的程序設計與社會構造 8．3．3 并發(fā)約束模型，智能計算的基礎 8．3．4 一種基于DAI的新型軟件設計風范 8．3．5 知識表示 8．3．6 建立與理解復雜的自適應系統(tǒng) 8．3．7 語言技術與界面 參考文獻 彩圖