第1章　緒論 1 1.1 人工智能的基本概念 3 1.1.1 智能 3 1.1.2 智能機器 4 1.1.3 人工智能 4 1.2 人類智能與人工智能的關系 5 1.2.1 人工智能模擬人類的認知過程 5 1.2.2 人類思維與機器思維的差異 6 1.3 人工智能的發展概況 7 1.3.1 人工智能的起源 7 1.3.2 人工智能的發展階段 8 1.4 人工智能的主要學派與技術路線 10 1.4.1 傳統學派 10 1.4.2 現代學派 13 1.4.3 人工智能的技術路線 14 1.5 人工智能的主要研究領域 15 1.5.1 博弈 15 1.5.2 自動定理證明 16 1.5.3 專家系統 17 1.5.4 模式識別 18 1.5.5 自然語言處理 18 1.5.6 機器學習 19 1.5.7 機器視覺 20 1.5.8 機器人 20 1.5.9 計算智能 21 1.6 人機關系與工程倫理 22 1.6.1 人工智能對經濟的影響 22 1.6.2 人工智能對人類社會的影響 22 1.6.3 人工智能對認知方式的影響 23 1.6.4 人工智能對文化生活的影響 23 1.6.5 人工智能的技術風險 24 1.7 人工智能的未來展望 25 1.7.1 理論突破 25 1.7.2 技術集成 25 1.7.3 應用領域拓展 26 本章小結 27 習題 27第2章 知識表示與推理技術 28 2.1 概述 29 2.1.1 知識表示的基本概念 30 2.1.2 人工智能系統的知識類型 31 2.1.3 知識表示方法的類型 31 2.2 狀態空間法 32 2.2.1 狀態空間法的要素 32 2.2.2 狀態圖 33 2.2.3 產生式系統 34 2.2.4 狀態空間法的應用實例 35 2.3 問題歸約法 38 2.3.1 問題歸約的過程 38 2.3.2 問題歸約的與或圖表示 40 2.3.3 問題歸約的機理 42 2.4 謂詞邏輯法 43 2.4.1 命題邏輯 43 2.4.2 謂詞演算 43 2.4.3 謂詞公式 46 2.4.4 置換與合一 49 2.5 語義網絡法 50 2.5.1 語義網絡的構成 50 2.5.2 二元語義網絡的表示 51 2.5.3 多元語義網絡的表示 52 2.5.4 語義網絡中連詞的表示 52 2.5.5 語義網絡中量詞的表示 55 2.5.6 語義網絡的推理 56 2.5.7 語義網絡法求解問題的過程 59 2.6 框架表示法 60 2.6.1 框架的構成 60 2.6.2 框架系統 61 2.6.3 框架推理 63 2.7 過程式知識表示 65 2.7.1 過程式知識表示的相關概念 65 2.7.2 過程式知識表示舉例 65 2.7.3 過程式推理 67 本章小結 68 習題 69第3章 線性模型 70 3.1 線性模型的基本形式 71 3.2 線性回歸 72 3.2.1 一元線性回歸 72 3.2.2 多元線性回歸 74 3.3 對數幾率回歸 76 3.3.1 對數幾率回歸模型 76 3.3.2 *優回歸系數的確定 78 3.4 線性分類算法 81 3.4.1 線性判別分析 81 3.4.2 感知機 84 本章小結 87 習題 88第4章 決策樹 89 4.1 基本流程 91 4.2 特征選擇 92 4.2.1 信息熵 92 4.2.2 信息增益 93 4.2.3 信息增益率 95 4.3 決策樹生成 96 4.3.1 ID3算法 97 4.3.2 C4.5算法 98 4.4 決策樹剪枝 100 4.5 多變量決策樹 101 本章小結 102 習題 102第5章 貝葉斯分類 103 5.1 貝葉斯決策理論 104 5.2 極大似然估計 105 5.3 樸素貝葉斯分類 106 5.4 貝葉斯網絡 109 5.4.1 網絡的結構 109 5.4.2 學習與推理 112 本章小結 113 習題 114第6章 支持向量機 115 6.1 支持向量機的原理 116 6.2 對偶問題 119 6.3 核函數 121 6.3.1 核函數的定義 121 6.3.2 常用核函數 123 6.3.3 非線性支持向量機 124 6.4 正則化 124 6.5 支持向量回歸 126 本章小結 128 習題 128第7章 聚類算法 129 7.1 概述 130 7.2 性能度量 131 7.3 距離計算 133 7.4 K均值聚類 135 7.5 基于密度的聚類算法 138 7.6 層次聚類算法 142 本章小結 146 習題 146第8章 神經計算 147 8.1 人工神經網絡的發展概況 148 8.2 神經元與神經網絡 150 8.2.1 生物神經元與神經網絡 150 8.2.2 人工神經元與神經網絡 151 8.3 人工神經網絡的典型結構 153 8.3.1 感知機 153 8.3.2 前饋型網絡 155 8.3.3 反饋型網絡 156 8.4 人工神經網絡的學習方法與規則 158 8.4.1 人工神經網絡的學習方法 158 8.4.2 人工神經網絡的學習規則 161 8.5 BP神經網絡 162 8.5.1 BP算法的流程 162 8.5.2 誤差反向傳播的計算過程 163 8.5.3 BP神經網絡的計算實例 167 8.6 其他常見神經網絡 169 8.6.1 RBF神經網絡 169 8.6.2 ART神經網絡 170 8.6.3 SOM神經網絡 171 8.6.4 級聯相關神經網絡 171 8.6.5 玻爾茲曼機 172 8.7 人工神經網絡的應用 173 8.7.1 模式識別 173 8.7.2 計算和優化 174 8.7.3 建模和預測 174 8.7.4 智能控制與處理 175 8.7.5 深度學習 175 本章小結 176 習題 177第9章 智能優化算法 178 9.1 概述 180 9.2 遺傳算法 180 9.2.1 遺傳算法的起源 180 9.2.2 遺傳算法的技術原理 181 9.2.3 遺傳算法案例 184 9.3 粒子群優化算法 186 9.3.1 粒子群優化算法的起源 186 9.3.2 粒子群優化算法的技術原理 186 9.3.3 粒子群優化算法的分類 188 9.3.4 粒子群優化算法案例 190 9.4 蟻群算法 191 9.4.1 蟻群算法的原理 191 9.4.2 蟻群算法的分類 192 9.4.3 蟻群算法案例 194 本章小結 195 習題 196第10章 模糊計算 197 10.1 模糊理論 198 10.1.1 模糊性 198 10.1.2 模糊數學 199 10.1.3 模糊邏輯 199 10.1.4 模糊理論的發展概況 200 10.2 模糊集合 200 10.2.1 模糊集合概述 200 10.2.2 模糊集合的運算：并、交、補 203 10.2.3 模糊集合的運算定律 204 10.3 模糊關系與模糊矩陣 205 10.3.1 模糊關系 205 10.3.2 模糊矩陣概述 205 10.3.3 模糊矩陣的運算 207 10.3.4 模糊矩陣的合成 207 10.4 模糊邏輯推理 208 10.4.1 模糊規則 209 10.4.2 模糊三段論 211 10.5 模糊系統 212 10.5.1 模糊系統的構成 212 10.5.2 模糊系統實例 212 10.5.3 模糊系統的應用 214 本章小結 216 習題 216第11章 經典優化算法 217 11.1 概述 218 11.2 單點搜索算法 219 11.2.1 單點搜索算法概述 219 11.2.2 單點搜索算法的分類 220 11.2.3 單點搜索算法的優缺點 220 11.2.4 單點搜索算法展望 221 11.3 模擬退火算法 221 11.3.1 模擬退火算法概述 221 11.3.2 模擬退火算法流程 223 11.3.3 模擬退火算法案例 224 11.3.4 模擬退火算法展望 225 11.4 禁忌搜索算法 226 11.4.1 禁忌搜索算法概述 226 11.4.2 禁忌搜索算法的構成要素 226 11.4.3 禁忌搜索算法的基本思想和流程 228 11.4.4 禁忌搜索算法案例 229 11.4.5 禁忌搜索算法展望 230 本章小結 231 習題 231第12章 專家系統 233 12.1 專家系統概述 234 12.1.1 專家系統的概念與發展簡況 234 12.1.2 專家系統的特點 235 12.1.3 專家系統的結構 235 12.1.4 專家系統的類型 236 12.2 基于規則的專家系統 238 12.2.1 基于規則的專家系統的基本結構 238 12.2.2 基于規則的專家系統的特點 239 12.2.3 基于規則的專家系統實例 239 12.3 基于框架的專家系統 240 12.3.1 基于框架的專家系統的定義 240 12.3.2 基于框架的專家系統的特點 240 12.3.3 基于框架的專家系統實例 241 12.4 基于模型的專家系統 241 12.4.1 基于模型的專家系統的定義 241 12.4.2 基于模型的專家系統的特點 242 12.4.3 基于模型的專家系統實例 242 12.5 專家系統的設計與開發 243 12.5.1 專家系統的設計步驟 243 12.5.2 專家系統開發工具 244 本章小結 246 習題 246參考文獻 247