目錄
《智能科學(xué)技術(shù)著作叢書》序
前言
第1章 結(jié)論 1
1.1 人工智能的淵源 1
1.2 人工智能的認(rèn)知問題 3
1.3 思維的層次模型 4
1.4 符號智能 6
1.5 人工智能的研究方法 7
1.5.1 認(rèn)知學(xué)派 8
1.5.2 邏輯學(xué)派 8
1.5.3 行為學(xué)派 9
1.6 自動推理 9
1.7 機器學(xué)習(xí) 11
1.8 分布式人工智能 13
1.9 智能系統(tǒng) 15
習(xí)題 19
第2章 人工智能邏輯 20
2.1 概述 20
2.2 邏輯程序設(shè)計 22
2.2.1 邏輯程序定義 23
2.2.2 Prolog數(shù)據(jù)結(jié)構(gòu)和遞歸 24
2.2.3 SLD 歸結(jié) 25
2.2.4 非邏輯成分 27
2.3 封閉世界假設(shè) 29
2.4 非單調(diào)邏輯 31
2.5 默認(rèn)邏輯 33
2.6 限制邏輯 39
2.7 非單調(diào)邏輯NML 42
2.8 自認(rèn)知邏輯 44
2.8.1 Moore 系統(tǒng)品 44
2.8.2 *邏輯 45
2.8.3 標(biāo)準(zhǔn)型定理 46
2.8.4 *記號以及穩(wěn)定擴張的一種判定過程 47
2.9 真值維護(hù)系統(tǒng) 50
2.10 情景演算 55
2.10.1 刻畫情景演算的多類邏輯 56
2.10.2 LR中的基本動作理論 57
2.10.3 ConGolog 57
2.11 框架問題 58
2.11.1 積木世界 59
2.11.2 框架公理 59
2.11.3 框架問題解決方案的準(zhǔn)則 61
2.11.4 框架問題的非單調(diào)解決方案 63
2.12 動態(tài)描述邏輯DDL 67
2.12.1 描述邏輯 67
2.12.2 動態(tài)描述邏輯的語法 69
2.12.3 動態(tài)描述邏輯的語義 71
習(xí)題 74
第3章 約束推理 76
3.1 概述 76
3.2 回溯法 81
3.3 約束傳播 82
3.4 約束傳播在樹搜索中的作用 84
3.5 智能回溯與真值維護(hù) 85
3.6 變量例示次序與賦值次序 86
3.7 局部修正搜索法 86
3.8 基于圖的回跳法 87
3.9 基于影響的回跳法 88
3.10 約束關(guān)系運算的處理
3.10.1 恒等關(guān)系的單元共享策略 92
3.10.2 區(qū)間傳播 93
3.10.3 不等式圖 94
3.10.4 不等式推理 95
3.11 約束推理系統(tǒng) 96
3.12 ILOG Solver 99
習(xí)題 105
第4章 定性推理 106
4.1 概述 106
4.2 定性推理的基本方法 107
4.3 定性模型推理 108
4.4 定性進(jìn)程推理 109
4.5 定性仿真推理 113
4.5.1 應(yīng)性狀態(tài)轉(zhuǎn)換 114
4.5.2 QSIM 算法 114
4.6 代數(shù)方法
4.7 幾何空間定性推理 117
4.7.1 壁間邏輯 118
4.7.2 空間和時間關(guān)系描述 120
4.7.3 空間和時間邏輯的應(yīng)用 121
4.7.4 Rande11算法 122
習(xí)題 123
第5章 基于案例的推理 124
5.1 概述 124
5.2 類比的形式定義 125
5.3 相似性關(guān)系 126
5.4 基于案例推理的工作過程 130
5.5 案例的表示 133
5.6 案例的索引 136
5.7 案例的檢索 137
5.8 案例的復(fù)用 139
5.9 案例的保存 141
5.10 基于例示的學(xué)習(xí) 141
5.10.1 基于例示學(xué)習(xí)的任務(wù) 142
5.10.2 IB1算法 143
5.10.3 降低存儲要求 145
5.11 案例工程 147
5.12 中心漁場預(yù)報專家系統(tǒng) 149
5.12.1 問題分析與案例表示 150
5.12.2 相似性度量 151
5.12.3 索引與檢索 152
5.12.4 基于框架的修正 153
5.12.5 實驗結(jié)果 155
習(xí)題 156
第6章 貝葉斯網(wǎng)絡(luò) 158
6.1 概述 158
6.1.1 貝葉斯網(wǎng)絡(luò)的發(fā)展歷史 158
6.1.2 貝葉斯方法的基本觀點 159
6.1.3 貝葉斯網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用 159
6.2 貝葉斯概率基礎(chǔ) 162
6.2.1 概率論基礎(chǔ) 162
6.2.2 貝葉斯概率 164
6.3 貝葉斯問題的求解 167
6.3.1 幾種常用的先驗分布選取方法 168
6.3.2 計算學(xué)習(xí)機制 170
6.3.3 貝葉斯問題的求解步驟 172
6.4 簡單貝葉斯學(xué)習(xí)模型 174
6.4.1 簡單貝葉斯學(xué)習(xí)模型的介紹 174
6.4.2 簡單貝葉斯模型的提升 176
6.4.3 提升簡單貝葉斯分類的計算復(fù)雜性 179
6.5 貝葉斯網(wǎng)絡(luò)的建造 179
6.5.1 貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)及建立方法 179
6.5.2 學(xué)習(xí)貝葉斯網(wǎng)絡(luò)的概率分布 180
6.5.3 學(xué)習(xí)貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu) 182
6.6 貝葉斯?jié)撛谡Z義模型 186
6.7 半監(jiān)督文本挖掘算法 190
6.7.1 網(wǎng)頁聚類 190
6.7.2 對含有潛在類別主題詞文檔的類別標(biāo)注 191
6.7.3 基于簡單貝葉斯模型學(xué)習(xí)標(biāo)注和未標(biāo)注樣本 192
習(xí)題 196
第7章 歸納學(xué)習(xí) 197
7.1 概述 197
7.2 歸納學(xué)習(xí)的邏輯基礎(chǔ) 198
7.2.1 歸納學(xué)習(xí)的一般模式 198
7.2.2 概念獲取的條件 200
7.2.3 問題背景知識 201
7.2.4 選擇型和構(gòu)造型泛化規(guī)則 202
7.3 偏置變換 205
7.4 變型空間方法 206
7.4.1 消除候選元素算法 208
7.4.2 兩種改進(jìn)算法 210
7.5 AQ 歸納學(xué)習(xí)算法 212
7.6 CLS 學(xué)習(xí)算法 213
7.7 ID3 學(xué)習(xí)算法 214
7.7.1 信息論簡介 214
7.7.2 屬性選擇 214
7.7.3 ID3算法步驟 215
7.7.4 ID3算法應(yīng)用舉例 216
7.7.5 C4.5算法 218
7.8 單變量決策樹的并行處理 219
7.8.1 并行決策樹算法 219
7.8.2 串行算法的并行化 222
7.9 歸納學(xué)習(xí)的計算理論 223
7.9.1 Gold學(xué)習(xí)理論 224
7.9.2 模型推理系統(tǒng) 225
7.9.3 Valiant學(xué)習(xí)理論 226
習(xí)題 228
第8章 統(tǒng)計學(xué)習(xí) 230
8.1 統(tǒng)計方法 230
8.2 統(tǒng)計學(xué)習(xí)問題 231
8.2.1 經(jīng)驗風(fēng)險 231
8.2.2 VC維 231
8.3 學(xué)習(xí)過程的一致性 232
8.3.1 學(xué)習(xí)過程一致性的經(jīng)典定義 232
8.3.2 學(xué)習(xí)理論的重要定理 232
8.3.3 VC熵 233
8.4 結(jié)構(gòu)風(fēng)險最小歸納原理 234
8.5 支持向量機 236
8.5.1 線性可分 237
8.5.2 線性不可分 239
8.6 核函數(shù) 240
8.6.1 多項式核函數(shù) 240
8.6.2 徑向基函數(shù) 241
8.6.3 多層感知機 241
8.6.4 動態(tài)核函數(shù) 241
8.7 鄰近支持向量機 243
8.8 極端支持向量機 246
習(xí)題 249
第9章 解釋學(xué)習(xí) 250
9.1 概述 250
9.2 解釋學(xué)習(xí)模型 251
9.3 解釋泛化學(xué)習(xí)方法 252
9.3.1 基本原理 252
9.3.2 解釋與泛化交替進(jìn)行的解釋泛化方法 255
9.4 全局取代解釋泛化方法 256
9.5 解釋特化學(xué)習(xí)方法 260
9.6 解釋泛化的邏輯程序 262
9.6.1 工作原理 263
9.6.2 元解釋器 264
9.6.3 實驗例子 264
9.7 基于知識塊的SOAR 系統(tǒng) 266
9.8 可操作性 268
9.8.1 PRODIGY 的效用問題 270
9.8.2 SOAR 系統(tǒng)的可操作性 271
9.8.3 MR5-EBG的可操作性 272
9.8.4 META-LEX的處理方法 272
9.9 不完全領(lǐng)域知識下的解釋學(xué)習(xí) 273
9.9.1 不完全領(lǐng)域知識 273
9.9.2 逆歸結(jié)方法 273
9.9.3 基于深層知識的方法 275
習(xí)題 276
第10章 強化學(xué)習(xí) 277
10.1 概述 277
10.2 強化學(xué)習(xí)模型 278
10.3 動態(tài)規(guī)劃 281
10.4 蒙特卡羅方法 283
10.5 時序差分學(xué)習(xí) 284
10.6 Q 學(xué)習(xí) 287
10.7 強化學(xué)習(xí)中的函數(shù)估計 289
10.8 強化學(xué)習(xí)的應(yīng)用 291
習(xí)題 293
第11章 無監(jiān)督學(xué)習(xí) 294
11.1 概述 294
11.2 相似性度量 295
1l.2.1 相似系數(shù) 295
11.2.2 屬性的相似度量 297
11.3 劃分方法 298
11.3.1 k均值算法 298
11.3.2 k中心點算法 299
11.3.3 大型數(shù)據(jù)庫的劃分方法 299
11.4 層次聚類方法 301
11.4.1 BIRCH算法 302
11.4.2 CURE算法 302
11.4.3 ROCK算法 303
11.5 基于密度的聚類 304
11.6 基于網(wǎng)格方法 307
11.7 基于模型的方法 309
11.8 模糊聚類 311
11.8.1 傳遞閉包法 311
11.8.2 動態(tài)直接聚類法 311
11.8.3 最大樹法 312
11.9 蟻群聚類方法 314
11.9.1 基本模型 314
11.9.2 LF算法 315
11.9.3 基于群體智能的聚類算法CSI 315
11.9.4 混合聚類算法CSIM 318
11.10 聚類方法的評價 319
習(xí)題 321
第12章 關(guān)聯(lián)規(guī)則 322
12.1 概述 322
12.2 基本概念 322
12.3 二值型關(guān)聯(lián)規(guī)則挖掘 325
12.3.1 AIS 算法 325
12.3.2 SETM 算法 326
12.3.3 Apriori 算法 327
12.3.4 Apriori 算法的改進(jìn) 330
12.4 頻繁模式樹挖掘算法 331
12.5 垂直挖掘算法 334
12.6 挖掘關(guān)聯(lián)規(guī)則的數(shù)組方法 337
12.7 頻繁閉項集的挖掘算法 339
12.8 最大頻繁項集的挖掘算法 341
12.9 增量式關(guān)聯(lián)規(guī)則挖掘 345
12.10 模糊關(guān)聯(lián)規(guī)則的挖掘 348
12.11 任意多表間關(guān)聯(lián)規(guī)則的并行挖掘 351
12.11.1 問題的形式描述 351
12.11.2 單表內(nèi)大項集的并行計算 352
12.11.3 任意多表鬧大項集的生成 354
12.11.4 跨表闖關(guān)聯(lián)規(guī)則的提取 354
12.12 基于分布式系統(tǒng)的關(guān)聯(lián)規(guī)則挖掘算法 355
12.12.1 候選集的生成 356
12.12.2 候選數(shù)據(jù)集的本地剪枝 357
12.12.3 候選數(shù)據(jù)集的全局剪枝 360
12.12.4 合計數(shù)輪流檢測 362
12.12.5 分布式挖掘關(guān)聯(lián)規(guī)則的算法 363
習(xí)題 366
第13章 進(jìn)化計算 367
13.1 概述 367
13.2 進(jìn)化系統(tǒng)理論的形式模型 368
13.3 達(dá)爾文進(jìn)化算法 371
13.4 基本遺傳算法 372
13.4.1 基本遺傳算法的構(gòu)成要素 372
13.4.2 基本遺傳算法的一般框架 373
13.5 遺傳算法的數(shù)學(xué)理論 376
13.5.1 模式定理 376
13.5.2 積木塊假設(shè) 379
13.5.3 隱并行性 380
13.6 遺傳算法的編碼方法 380
13.6.1 二進(jìn)制編碼方法 382
13.6.2 格雷碼編碼方法 382
13.6.3 浮點數(shù)編碼方法 383
13.6.4 符號編碼方法 384
13.6.5 多參數(shù)級聯(lián)編碼方法 384
13.6.6 多參數(shù)雜交編碼方法 384
13.7 適應(yīng)度函數(shù) 385
13.8 遺傳操作 388
13.8.1 選擇算于 388
13.8.2 雜交算于 390
13.8.3 變異算子 393
13.8.4 反轉(zhuǎn)操作 393
13.9 變長度染色體遺傳算法 393
13.10 小生境遺傳算法 394
13.11 混合遺傳算法 395
13.12 并行遺傳算法 398
13.13 分類器系統(tǒng) 399
習(xí)題 404
第14章 知識發(fā)現(xiàn) 405
14.1 概述 405
14.2 知識發(fā)現(xiàn)的任務(wù) 407
14.3 知識發(fā)現(xiàn)的工具 410
14.4 MSMiner的體系結(jié)構(gòu) 414
14.4.1 數(shù)據(jù)挖掘模型 414
14.4.2 系統(tǒng)功能 415
14.4.3 體系結(jié)構(gòu) 416
14.5 分布式知識發(fā)現(xiàn) 417
14.5.1 概述 417
14.5.2 基于網(wǎng)格的分布式知識發(fā)現(xiàn) 419
14.5.3 基于云平臺的分布式知識發(fā)現(xiàn) 425
習(xí)題 428
第15章 主體計算 430
15.1 概述 430
15.2 分布式問題求解 431
15.2.1 分布式人工智能的興起 431
15.2.2 分布式問題求解系統(tǒng)的分類 433
15.2.3 分布式問題求解系統(tǒng)的求解過程 434
15.3 主體理論 436
15.3.1 理性主體 436
15.3.2 BDI主體模型 437
15.4 主體結(jié)構(gòu) 437
15.4.1 主體基本結(jié)構(gòu) 437
15.4.2 慎思主體 439
15.4.3 反應(yīng)主體 442
15.4.4 混合結(jié)構(gòu)主體 444
15.4.5 InteRRaP主體 445
15.4.6 MAPE 主體 446
15.5 主體通信語言ACL 459
15.5.1 主體間通信概述 460
15.5.2 FIP A ACL 消息 461
15.5.3 交互協(xié)議 466
15.5.4 ACL 語義學(xué)的形式化基礎(chǔ) 468
15.6 協(xié)調(diào)和協(xié)作 470
15.6.1 弓|言 470
15.6.2 合同網(wǎng) 473
15.6.3 部分全局規(guī)劃 476
15.6.4 基于約束傳播的規(guī)劃 478
15.6.5 基于生態(tài)學(xué)的協(xié)作 486
15.6.6 基于對策論的協(xié)商 487
15.6.7 基于意圖的協(xié)商 488
15.7 移動主體 488
15.8 多主體環(huán)境 491
習(xí)題 495
第16章 互聯(lián)周智能 496
16.1 概述 496
16.2 語義Web 498
16.2.1 語義Web 的層次模型 498
16.2.2 本體的基本概念 500
16.2.3 本體描述語言O(shè)WL 502
16.3 本體知識管理 503
16.3.1 Protege 504
16.3.2 KAON 505
16.3.3 KMSphere 506
16.4 Web 挖掘 508
16.4.1 Web 內(nèi)容挖掘 509
16.4.2 Web 結(jié)構(gòu)挖掘 510
16.4.3 Web 使用挖掘 512
16.5 搜索引擎 513
16.6 Web 技術(shù)的演化 517
16.6.1 Web1.0 517
16.6.2 Web2.0 518
16.6.3 Web3.0 521
16.6.4 Web4.0 522
16.7 集體智能 522
16.7.1 引言 522
16.7.2 集體智能系統(tǒng) 523
16.7.3 全球腦 524
16.7.4 人工生命 525
16.8 展望 530
習(xí)題 531
參考文獻(xiàn) 532