简明人工智能 - 中国高校教材图书网
|
|
|
书名： |
简明人工智能
|
| ISBN： | 978-7-5606-5345-7 |
条码： | |
| 作者： |
焦李成
相关图书
|
装订： | 0 |
| 印次： | 1-1 |
开本： | 16开 |
| 定价： |
￥79.00
折扣价：￥75.05
折扣：0.95
节省了3.95元
|
字数： |
683千字
|
| 出版社： |
西安电子科技大学出版社 |
页数： |
544页
|
| 发行编号： | |
每包册数： |
5
|
| 出版日期： |
2019-11-01 |
|
|
| 内容简介： |
本书以简明的方式系统地论述了人工智能的基础知识及其拓展和应用。全书共16章，前10章介绍人工智能学科的基础知识，包括人工智能的发展历史、知识的表示、搜索策略、确定性推理、不确定性推理、专家系统、神经网络、智能计算、机器学习和模式识别；接下来5章进行了拓展，讲述了混合智能系统和表示学习，还介绍了神经网络在模式识别和图像处理中的应用、自然计算在聚类上的应用，并介绍了多目标优化算法及动态多目标优化；最后一章介绍了人工智能领域的前沿技术及其展望。每章都附有习题、延伸阅读和参考文献。
本书可作为高等院校智能科学与技术、计算机科学、电子科学与技术、信息科学、控制科学与工程、模式识别与人工智能等专业本科生及研究生的教材，同时可为相关领域的研究人员以及对自然计算和神经网络及其应用感兴趣的工程技术人员提供参考。
|
| 作者简介： |
|
|
| 章节目录： |
第1章 人工智能简史 1
1.1 人工智能定义 1
1.1.1 生物智能与人类智能 1
1.1.2 智能与人工智能 2
1.2 人工智能的历史 3
1.2.1 人工智能的诞生 4
1.2.2 人工智能的黄金时代 5
1.2.3 人工智能的第一次低谷 5
1.2.4 人工智能的繁荣期 6
1.2.5 人工智能的冬天 7
1.2.6 人工智能的新春 7
1.2.7 人工智能现状与未来目标 9
1.3 人工智能研究的不同学派 10
1.3.1 符号主义 11
1.3.2 连接主义 11
1.3.3 行为主义 12
1.4 人工智能应用领域 13
1.4.1 计算机视觉领域 13
1.4.2 自然语言处理领域 15
1.4.3 认知与推理 16
1.4.4 机器人学 17
1.4.5 机器博弈 18
1.4.6 机器学习 18
本章小结 19
习题1 19
延伸阅读 19
参考文献 20
第2章 知识表示 21
2.1 基本概念 21
2.1.1 知识 21
2.1.2 知识表示 22
2.2 状态空间表示法 23
2.2.1 问题状态空间的构成 23
2.2.2 利用状态空间表示问题的步骤 24
2.2.3 利用状态空间求解问题的过程 24
2.2.4 状态空间知识表示举例 24
2.3 问题归约表示法 26
2.3.1 问题的分解与等价变换 26
2.3.2 问题归约的与/或图表示 27
2.3.3 利用与/或图表示问题的步骤 28
2.3.4 与/或图知识表示举例 28
2.4 谓词逻辑表示法 29
2.4.1 谓词逻辑表示的逻辑学基础 29
2.4.2 利用谓词逻辑表示知识的步骤 31
2.4.3 谓词逻辑表示的特点 32
2.4.4 谓词逻辑知识表示举例 33
2.5 语义网络表示法 34
2.5.1 语义网络的概念及其结构 34
2.5.2 语义网络中常用的语义联系 35
2.5.3 语义网络表示知识的方法 37
2.5.4 利用语义网络表示知识的步骤 40
2.5.5 利用语义网络求解问题的过程 41
2.5.6 语义网络表示法的特点 41
2.5.7 语义网络知识表示举例 42
2.6 新型知识表示 43
2.6.1 知识图谱 43
2.6.2 模糊Petri网 44
2.6.3 神经网络 44
本章小结 44
习题2 45
延伸阅读 46
参考文献 46
第3章 搜索策略 47
3.1 基本概念 47
3.1.1 什么是搜索 47
3.1.2 搜索的分类 47
3.1.3 搜索算法的评价标准 48
3.2 状态空间搜索 48
3.2.1 状态空间的盲目搜索 48
3.2.2 状态空间的启发式搜索 57
3.3 与/或树搜索 62
3.3.1 与/或树的盲目搜索 62
3.3.2 与/或树的启发式搜索 66
3.4 博弈树的启发式搜索 70
3.4.1 极大极小过程 70
3.4.2 αβ剪枝技术 72
3.5 新型搜索技术 74
3.5.1 爬山法 74
3.5.2 模拟退火算法 75
3.5.3 遗传算法 75
本章小结 75
习题3 76
延伸阅读 77
参考文献 78
第4章 确定性推理 79
4.1 推理的基本概念 79
4.1.1 推理的概念 79
4.1.2 推理的分类 79
4.1.3 推理的策略 81
4.2 推理的逻辑基础 83
4.2.1 命题逻辑 83
4.2.2 谓词逻辑 83
4.3 自然演绎推理 92
4.4 归结演绎推理 93
4.4.1 海伯伦定理 93
4.4.2 鲁宾逊归结原理 95
4.4.3 归结策略 98
4.4.4 归结反演 99
4.5 基于规则的演绎推理 101
4.5.1 规则正向演绎系统 102
4.5.2 规则逆向演绎系统 105
4.5.3 规则双向演绎系统 107
本章小结 109
习题4 109
延伸阅读 110
参考文献 110
第5章 不确定性推理与不确定性人工智能 111
5.1 不确定性推理的基本概念 111
5.1.1 不确定性的表示与度量 111
5.1.2 不确定性的算法 112
5.1.3 不确定性推理方法分类 113
5.2 概率推理 114
5.2.1 概率的基本公式 114
5.2.2 概率推理方法 116
5.3 主观贝叶斯方法 117
5.3.1 基于主观贝叶斯方法的不确定性表示 117
5.3.2 主观贝叶斯方法的推理算法 121
5.4 可信度方法 123
5.4.1 基于可信度的不确定性表示 123
5.4.2 可信度方法的推理算法 125
5.4.3 带有阈值限度的不确定性推理 126
5.4.4 加权的不确定性推理 127
5.5 证据理论 128
5.5.1 基于证据理论的不确定性 129
5.5.2 证据理论的不确定性推理模型 132
5.6 模糊推理 133
5.6.1 模糊集合 134
5.6.2 模糊关系及其合成 137
5.6.3 模糊推理 139
5.6.4 模糊决策 140
5.7 不确定性人工智能 141
5.7.1 人类智能的不确定性 142
5.7.2 云模型 143
5.7.3 不确定性人工智能的应用及展望 145
本章小结 146
习题5 146
延伸阅读 148
参考文献 148
第6章 专家系统 149
6.1 专家系统的产生与发展 149
6.2 专家系统的概念 150
6.2.1 专家系统的定义 150
6.2.2 专家系统的基本特征 151
6.2.3 专家系统的类型 153
6.2.4 传统专家系统的缺陷 156
6.3 专家系统的工作原理 156
6.3.1 专家系统的基本结构 156
6.3.2 专家系统各部分功能 157
6.4 专家系统的分类 160
6.4.1 基于规则的专家系统 160
6.4.2 基于框架的专家系统 161
6.4.3 基于模型的专家系统 162
6.5 知识获取 164
6.5.1 知识获取的定义 164
6.5.2 知识获取的过程 164
6.5.3 知识获取的途径 166
6.6 知识推理 167
6.6.1 人类推理 167
6.6.2 机器推理 169
6.7 专家系统的建立 171
6.7.1 专家系统的开发步骤 171
6.7.2 专家系统的开发实例 173
6.8 新型专家系统 175
6.8.1 新型专家系统的特征 175
6.8.2 模糊专家系统 176
6.8.3 分布式专家系统 178
本章小结 180
习题6 180
延伸阅读 180
参考文献 181
第7章 深度人工神经网络 182
7.1 人工神经网络的基本原理 182
7.1.1 生物神经系统 182
7.1.2 人工神经网络的模型 183
7.1.3 人工神经网络的结构建模 185
7.2 学习机理 186
7.2.1 单层感知器及其学习算法 186
7.2.2 BP 神经网络及其学习算法 189
7.3 人工神经网络的分类 192
7.3.1 前馈网络 192
7.3.2 反馈网络 192
7.4 人工神经网络的基本学习算法 196
7.4.1 Hebb规则 196
7.4.2 误差修正学习算法 197
7.4.3 胜者为王学习规则 198
7.5 从神经网络到深度学习 198
7.6 深度网络 199
7.6.1 卷积神经网络 199
7.6.2 稀疏深度神经网络 203
7.6.3 深度融合网络 207
本章小结 210
习题7 210
延伸阅读 211
参考文献 212
第8章 智能计算基础 213
8.1 智能计算基础 213
8.2 进化计算 215
8.2.1 进化计算的产生和发展 215
8.2.2 进化计算的一般框架 216
8.2.3 进化计算的四个分支 217
8.2.4 经典遗传算法 219
8.2.5 遗传算法在最优化问题中的应用 224
8.3 群智能 229
8.3.1 粒子群优化算法 229
8.3.2 蚁群优化算法 231
8.4 新型智能计算算法 235
8.4.1 免疫计算 235
8.4.2 差分进化算法 237
8.4.3 协同进化算法 239
8.4.4 量子计算 241
本章小结 243
习题8 244
延伸阅读 244
参考文献 244
第9章 机器学习基础 248
9.1 机器学习理论基础 248
9.1.1 机器学习的定义和研究意义 248
9.1.2 机器学习的发展史 249
9.2 机器学习的方法 250
9.2.1 机器学习系统的基本结构 250
9.2.2 机器学习方法的分类 251
9.2.3 几种机器学习算法介绍 253
9.3 机器学习算法的应用 270
本章小结 275
习题9 275
延伸阅读 276
参考文献 276
第10章 模式识别 278
10.1 模式识别的基本概念 278
10.1.1 模式识别的定义 278
10.1.2 模式识别与分类器 279
10.1.3 有监督学习与无监督学习 279
10.1.4 实例：手写数字识别 279
10.2 模式识别系统 281
10.2.1 基本框架 281
10.2.2 基本方法 282
10.3 特征提取与选择 284
10.3.1 基本概念 284
10.3.2 特征评价 285
10.3.3 特征选择算法 289
10.3.4 特征提取 292
10.4 分类器设计 296
10.4.1 经典的有监督分类器 296
10.4.2 经典的无监督分类器 305
10.5 分类器的评价 313
10.5.1 监督模式识别系统评价 313
10.5.2 非监督模式识别系统评价 316
本章小结 317
习题10 318
延伸阅读 319
参考文献 321
第11章 混合智能系统 323
11.1 混合智能系统的基本概念 323
11.2 密母算法 324
11.2.1 Memetic基本思想 324
11.2.2 密母算法的一般框架 325
11.2.3 密母算法的局部搜索策略 327
11.2.4 基于密母算法的复杂网络社团检测 328
11.3 基于遗传算法的人工神经网络 335
11.3.1 遗传算法优化神经网络的连接权 335
11.3.2 遗传算法优化神经网络的结构 336
11.3.3 遗传算法优化神经网络的学习规则 337
11.3.4 遗传算法优化神经网络举例 338
11.4 混合遗传算法——遗传算法与粒子群优化算法的混合 341
11.4.1 两种优化算法的优劣势分析 341
11.4.2 两种优化算法的结合方式 342
11.4.3 基于遗传粒子群混合算法举例 343
11.5 进化算法在机器学习中的应用 345
11.5.1 贝叶斯分类的一般原理 345
11.5.2 朴素贝叶斯分类模型 347
11.5.3 基于遗传算法的朴素贝叶斯分类举例 348
本章小结 351
习题11 351
延伸阅读 351
参考文献 352
第12章 表示学习 356
12.1 表示学习概述 356
12.1.1 表示学习的基本概念 356
12.1.2 表示学习的理论基础 357
12.1.3 表示学习的典型应用 357
12.1.4 表示学习的主要优点 358
12.2 有监督的表示学习 359
12.2.1 稀疏表示初步 359
12.2.2 字典学习 362
12.3 无监督的表示学习 368
12.3.1 Kmeans聚类 369
12.3.2 主成分分析 371
12.3.3 局部线性嵌入 374
12.3.4 独立主成分分析 377
12.4 多层/深层架构 384
12.4.1 玻尔兹曼机和递归神经网络 384
12.4.2 自动编码器 388
12.5 共享表示学习 393
12.5.1 迁移学习和领域自适应 393
12.5.2 多任务学习 398
本章小结 400
习题12 401
延伸阅读 401
参考文献 402
第13章 基于深度神经网络的模式识别与图像处理 403
13.1 深度神经网络与浅层人工神经网络 403
13.2 深度学习在模式识别领域的发展与挑战 404
13.3 基于深度神经网络的模式识别 406
13.3.1 文字识别 406
13.3.2 语音识别 408
13.3.3 指纹识别 410
13.4 基于深度神经网络的图像处理 411
13.4.1 图像分类 411
13.4.2 图像分割 414
13.4.3 目标检测 416
13.4.4 图像变化检测 419
本章小结 421
习题13 421
延伸阅读 421
参考文献 422
第14章 自然计算与数据聚类 424
14.1 聚类与自然计算 424
14.2 基于遗传算法的聚类算法 426
14.2.1 模糊C均值聚类算法 426
14.2.2 基于遗传算法的模糊聚类算法 427
14.2.3 基于可变长度编码的遗传自动聚类算法 431
14.3 基于免疫计算的聚类算法 433
14.3.1 免疫克隆选择算法 434
14.3.2 基于克隆选择的模糊聚类算法 436
14.3.3 基于转座子的免疫克隆选择自动聚类算法 437
14.3.4 基于动态局部搜索的免疫自动聚类算法 443
14.3.5 基于协同双变异算子的免疫多目标自动聚类算法 450
14.4 基于粒子群优化的聚类算法 452
14.4.1 粒子群的编码和初始化 453
14.4.2 四种距离测度 453
14.4.3 基于粒子群优化的聚类算法步骤 457
14.4.4 基于几种自然计算的聚类算法的性能对比 457
本章小结 461
习题14 461
延伸阅读 462
参考文献 462
第15章 进化多目标优化及动态优化 465
15.1 进化多目标优化 465
15.1.1 第二代非支配排序遗传算法（NSGAⅡ） 468
15.1.2 基于分解的多目标优化算法（MOEA/D） 472
15.2 进化动态多目标优化 475
15.2.1 动态多目标优化的基本概念及研究现状 475
15.2.2 DNSGAⅡ算法 477
15.2.3 基于预测策略的动态多目标免疫优化算法（PSDMIO） 481
15.3 进化高维多目标优化与偏好多目标优化 489
15.3.1 高维进化多目标优化 489
15.3.2 偏好进化多目标优化 491
15.4 用于多目标优化的粒子群算法 492
15.4.1 多目标粒子群优化算法（MOPSO） 492
15.4.2 动态多目标粒子群优化 494
15.5 深度神经网络的优化 502
15.5.1 深度神经网络的权值优化 502
15.5.2 深度神经网络的结构优化 503
15.5.3 深度神经网络的学习规则优化 505
本章小结 506
习题15 507
延伸阅读 507
参考文献 507
第16章 下一代人工智能 511
16.1 人工智能的发展阶段 511
16.2 人工智能围棋 512
16.2.1 AlphaGo 512
16.2.2 AlphaGo Zero 513
16.3 无人驾驶 514
16.3.1 原理概述 514
16.3.2 研究概况 515
16.4 无人超市 516
16.4.1 诞生背景 516
16.4.2 Amazon Go 517
16.5 情感机器人 518
16.5.1 情感机器人的定义 518
16.5.2 情感机器人研究概况 519
16.6 智能医疗 519
16.6.1 智能医疗设备 520
16.6.2 智能医疗系统 521
16.7 智能家居 522
16.7.1 背景 522
16.7.2 发展现状 523
16.7.3 主要功能 523
16.8 智能艺术 525
16.8.1 作诗 525
16.8.2 绘画 526
16.9 下一代人工智能展望 527
16.9.1 人工智能的未来趋势 527
16.9.2 人工智能面临的挑战 528
本章小结 530
习题16 530
延伸阅读 531
参考文献 531
|
| 精彩片段： |
|
|
| 书 评： |
|
|
| 其 它： |
|
|
|
