人工智能技術（簡體書）

《人工智能技術》系統介紹了人工智能技術的基本理論和應用技術。全書共9章，主要內容包括：知識表示技術，知識推理技術，模糊邏輯技術，神經網絡技術，遺傳算法，專家系統，機器學習，群集智能。《人工智能技術》是作者在總結近年來教學和科研成果，學習國內外人工智能技術領域最新技術的基礎上編寫而成的。全書內容體系新穎，選材具有先進性、系統性和實用性的特點。
《人工智能技術》可作為高等學校計算機科學與技術專業、電子信息工程專業、電工及自動化類專業、機電一體化專業的高年級本科生和研究生的教材，也可供相關專業的工程技術人員參考。

第1章 概論
1.1 人工智能
1.1.1 智能
1.1.2 人工智能的定義
1.1.3 人工智能的發展簡史
1.1.4 人工智能的目標與表現形式
1.1.5 人工智能的研究途徑
1.1.6 人工智能的研究領域
1.2 智能工程
1.2.1 智能工程的提出
1.2.2 智能工程與人工智能
1.2.3 智能製造系統
1.3 智能控制
1.3.1 智能控制的發展概況
1.3.2 智能控制系統的基本結構
1.3.3 智能控制的結構理論
1.3.4 智能控制的特點
1.3.5 智能控制研究的數學工具
1.3.6 智能控制的主要研究內容
習題和思考題

第2章 知識表示技術
2.1 概述
2.1.1 知識、信息和數據
2.1.2 知識的特性
2.1.3 知識的分類
2.1.4 知識的表示
2.2 邏輯表示法
2.2.1 命題邏輯
2.2.2 謂詞邏輯
2.2.3 謂詞邏輯表示法的特點
2.3 語義網絡表示法
2.3.1 語義網絡的概念
2.3.2 語義網絡表示知識的方法及步驟
2.3.3 語義網絡中常用的語義聯系
2.3.4 語義網絡表示下的推理過程
2.3.5 語義網絡表示法的特點
2.4 框架表示法
2.4.1 框架結構及知識表示
2.4.2 基於框架的推理
2.4.3 框架表示法的特點
2.5 產生式表示法
2.5.1 產生式的基本形式
2.5.2 產生式系統
2.5.3 產生式系統示例
2.5.4 產生式表示法的特點
2.6 狀態空間表示法
2.6.1 狀態空間表示法的描述
2.6.2 狀態空間表示法示例
2.7 問題歸約法
2.7.1 問題歸約描述
2.7.2 與或圖表示法
2.8 面向對象表示法
2.8.1 面向對象的基本概念
2.8.2 面向對象的知識表示
習題和思考題

第3章 知識推理技術
3.1 推理方式及其分類
3.1.1 演繹推理、歸納推理、默認推理
3.1.2 確定性推理、不確定性推理
3.1.3 單調推理、非單調推理
3.1.4 定性推理
3.2 推理的控制策略
3.2.1 正向推理
3.2.2 反向推理
3.2.3 正反向推理
3.3 搜索策略
3.3.1 狀態空間的一般搜索過程
3.3.2 寬度優先搜索策略
3.3.3 深度優先搜索策略
3.3.4 啟發式搜索策略
習題和思考題

第4章 模糊邏輯技術
4.1 模糊邏輯的數學基礎
4.1.1 模糊集合
4.1.2 模糊集合的表示方法
4.1.3 模糊集合的運算
4.1.4 隸屬函數確定方法
4.1.5 模糊關係
4.2 模糊邏輯的推理
4.2.1 模糊命題
4.2.2 模糊邏輯
4.2.3 模糊語言
4.2.4 模糊推理
4.3 模糊控制系統概述
4.3.1 模糊控制系統的構成
4.3.2 模糊控制系統的原理
4.4 模糊控制器原理
4.5 模糊控制器設計基礎
4.6 雙人單出模糊控制器設計
4.6.1 模糊化
4.6.2 模糊控制規則、模糊關係的推理
4.6.3 清晰化
4.6.4 控制表計算程序
習題和思考題

第5章 神經網絡技術
5.1 神經網絡基礎
5.1.1 生物神經元結構
5.1.2 神經元數學模型
5.2 神經網絡的結構和學習規則
5.2.1 神經網絡的結構
5.2.2 神經網絡的學習
5.2.3 神經網絡的記憶
5.3 典型前向網絡——BP網絡
5.3.1 感知機
5.3.2 BP網絡
5.4 典型反饋網絡——Hopfield網絡
5.4.1 離散型Hopfield網絡
5.4.2 連續型Hopfield網絡
5.5 應用神經網絡產生模糊集的隸屬函數
5.6 神經網絡控制原理
5.6.1 神經網絡控制的基本思想
5.6.2 神經網絡在控制中的作用
5.7 神經網絡在工程中的應用
5.7.1 基於神經網絡的系統辨識
5.7.2 基於神經網絡的自適應控制
5.8 單神經元控制的直流調速系統
5.8.1 系統組成
5.8.2 單神經元控制器及其學習算法設計
5.8.3 單神經元直流調速系統參數設計
5.9 模糊神經網絡
5.9.1 模糊系統的標準模型
5.9.2 模糊神經網絡的結構
5.9.3 學習算法
5.9.4 應用模糊神經網絡在線檢測參數
習題和思考題

第6章 遺傳算法
6.1 遺傳算法的基本原理
6.1.1 遺傳算法的基本遺傳學基礎
6.1.2 遺傳算法的原理和特點
6.1.3 遺傳算法的基本操作
6.2 遺傳算法的模式理論
6.2.1 模式
6.2.2 復制對模式的影響
6.2.3 交叉對模式的影響
6.2.4 變異對模式的影響
6.2.5 遺傳算法有效處理的模式數量
6.3 遺傳算法應用中的一些基本問題
6.3.1 目標函數值到適值形式的映射
6.3.2 適值的調整
6.3.3 編碼原則
6.3.4 多參數級聯定點映射編碼
6.4 高級遺傳算法
6.4.1 改進的復制方法
6.4.2 高級GA算法
6.5 基於遺傳算法的模糊控制
6.6 免疫遺傳算法
6.6.1 免疫遺傳算法的基本概念
6.6.2 免疫算子的機理與構造
6.6.3 TSP問題的免疫遺傳算法
習題和思考題

第7章 專家系統
7.1 專家系統的概念
7.1.1 什麼是專家系統
7.1.2 專家系統的產生和發展
7.1.3 專家系統的特點
7.1.4 專家系統的類型
7.1.5 專家系統與知識系統
7.1.6 專家系統與知識工程
7.2 專家系統的結構與工作原理
7.2.1 專家系統的一般結構
7.2.2 專家系統的工作原理
7.3 知識的獲取
7.3.1 知識獲取的方式
7.3.2 知識獲取的步驟
7.4 專家系統的建造與評價
7.4.1 專家系統的建造原則
7.4.2 專家系統的建造步驟
7.4.3 專家系統的評價
7.5 專家系統設計舉例
7.5.1 動物識別系統
7.5.2 專家生產指導系統
7.6 專家控制系統
7.6.1 專家控制系統的工作原理
7.6.2 專家控制系統的類型
7.6.3 直接專家控制系統
7.6.4 間接專家控制系統
7.6.5 實時專家控制系統
7.7 新一代的專家系統
7.7.1 深層知識專家系統
7.7.2 模糊專家系統
7.7.3 神經網絡專家系統
7.7.4 大型協同分布式專家系統
7.7.5 網上專家系統
習題和思考題

第8章 機器學習
8.1 機器學習的基本概念
8.1.1 什麼是機器學習
8.1.2 學習系統
8.1.3 機器學習的主要策略
8.1.4 機器學習系統的基本結構
8.2 機械學習
8.2.1 機械學習的模式
8.2.2 機械學習的主要問題
8.3 指導學習
8.4 類比學習
8.4.1 類比推理
8.4.2 屬性類比學習
8.4.3 轉換類比學習
8.5 歸納學習
8.5.1 實例學習
8.5.2 觀察與發現學習
8.6 解釋學習
8.6.1 解釋學習的概念
8.6.2 解釋學習的過程
8.6.3 解釋學習的例子
8.6.4 領域知識的完善性
8.7 知識發現與數據挖掘
8.7.1 知識發現
8.7.2 數據挖掘概述
8.7.3 數據挖掘技術簡介
8.8 學習控制系統
8.8.1 基於模式識別的學習控制
8.8.2 反復學習控制
8.8.3 自學習控制系統
習題和思考題

第9章 群集智能
9.1 群集智能概述
9.1.1 群集智能的基本概念
9.1.2 群集智能研究方法的主要優缺點
9.1.3 群集智能的底層機制
9.1.4 群集智能不同算法的比較
9.2 蟻群算法
9.2.1 蟻群算法的生物原型
9.2.2 基本蟻群算法的原理
9.2.3 蟻群優化算法的特點及收斂性
9.2.4 基本蟻群算法的數學模型
9.2.5 蟻群算法的參數設置
9.2.6 改進的蟻群算法
9.3 粒子群優化算法
9.3.1 粒子群優化算法的生物原型
9.3.2 標準粒子群優化算法
9.3.3 改進粒子群優化算法
9.3.4 改進粒子群算法對BP神經網絡的優化
9.4 人工魚群算法
9.4.1 人工魚群算法的來源
9.4.2 基本人工魚群算法
9.4.3 改進人工魚群算法
9.4.4 改進人工魚群算法優化BP神經網絡
9.4.5 改進人工魚群算法優化BP神經網絡的在線運行
習題和思考題
參考文獻