目录

第1章绪论

1.1人工智能的概念

1.1.1人工智能的解释

1.1.2人工智能的研究目标

1.2人工智能发展简史

1.2.1人工智能孕育期(1943—1955年)

1.2.2人工智能诞生(1956年)

1.2.3早期的成功与期望(1956—1969年)

1.2.4人工智能第一次低谷(1966—1973年)

1.2.5基于知识系统的崛起(1969—1986年)

1.2.6人工智能第二次低谷(1987—1993年)

1.2.7人工智能平稳发展期(1993—2011年)

1.2.8人工智能蓬勃发展时期(2012年至今)

1.3人工智能各学派的认知观

1.3.1符号主义学派

1.3.2联结主义学派

1.3.3行为主义学派

1.3.4三大学派的关系

1.4人工智能的典型研究和应用领域

1.4.1机器学习

1.4.2模式识别

1.4.3数据挖掘

1.4.4计算智能

1.4.5专家系统

1.4.6自动程序设计

1.4.7机器人学

1.5本章小结

习题

第2章智能Agent

2.1Agent的概念及其理性行为

2.1.1Agent的概念

2.1.2Agent的特性

2.1.3Agent的理性

2.2Agent的任务环境

2.2.1任务环境规范描述

2.2.2任务环境的性质

2.3Agent的典型结构

2.3.1简单反射型Agent

2.3.2模型反射型Agent

2.3.3目标驱动型Agent

2.3.4学习型Agent

2.4本章小结

习题

第3章确定性知识表示与推理

3.1确定性知识系统概述

3.1.1确定性知识表示的概念

3.1.2确定性知识推理概述

3.2确定性知识的表示

3.2.1谓词逻辑表示法

3.2.2产生式表示法

3.2.3语义网络表示法

3.3确定性知识推理

3.3.1产生式推理

3.3.2自然演绎推理

3.3.3归结演绎推理

3.4本章小结

习题

第4章搜索策略

4.1搜索概述

4.1.1搜索的含义

4.1.2状态空间求解方法

4.1.3问题归约求解方法

4.1.4图搜索策略

4.2状态空间的盲目搜索

4.2.1广度优先搜索

4.2.2深度优先搜索

4.3状态空间的启发式搜索

4.3.1启发性信息及估价函数

4.3.2A算法

4.3.3A*算法

4.4“与/或树”的启发式搜索

4.4.1解树的代价估计

4.4.2希望解树判定与启发式搜索过程

4.5博弈树及其搜索

4.5.1博弈的含义

4.5.2极大/极小过程

4.5.3αβ剪枝

4.6本章小结

习题

第5章智能优化算法

5.1智能优化算法概述

5.1.1优化问题的复杂度

5.1.2典型智能优化算法

5.1.3邻域的概念

5.1.4局部搜索算法

5.2模拟退火算法

5.2.1模拟退火算法的原理

5.2.2模拟退火算法的描述

5.2.3模拟退火算法的应用

5.2.4模拟退火算法的改进

5.3遗传算法

5.3.1遗传算法的原理

5.3.2遗传算法的实现

5.3.3遗传算法的应用

5.3.4遗传算法的改进

5.4其他典型智能优化算法简介

5.4.1蚁群优化算法

5.4.2粒子群算法

5.5本章小结

习题

第6章特征提取与选择

6.1模式识别基础

6.1.1模式识别的基本问题

6.1.2模式识别的基本流程

6.1.3模式识别中的随机矢量

6.1.4模式识别方法的性能评估

6.1.5模式识别中的基本原则

6.2特征提取与选择概述

6.3类别可分性判据

6.3.1基于几何距离的可分性判据

6.3.2基于概率分布的可分性判据

6.3.3基于后验概率的可分性判据

6.4典型特征选择方法

6.4.1最优搜索特征选择方法

6.4.2次优搜索特征选择方法

6.5典型特征提取方法

6.5.1主成分分析法

6.5.2线性判别分析法

6.6本章小结

习题

第7章基于判别函数的分类方法

7.1线性判别函数

7.1.1线性判别函数的基本概念

7.1.2两类分类问题的线性判别规则

7.1.3多类分类问题的线性判别规则

7.2非线性判别函数

7.2.1广义线性判别函数

7.2.2二次判别函数法

7.2.3分段线性判别函数法

7.3支持向量机

7.3.1硬间隔SVM

7.3.2软间隔SVM

7.3.3核SVM

7.4本章小结

习题

第8章基于概率的分类方法

8.1贝叶斯决策论

8.1.1从模式识别的角度认识贝叶斯公式

8.1.2最小误判概率准则

8.1.3最小损失判决准则

8.1.4朴素贝叶斯分类器

8.2估计方法

8.2.1统计推断概述

8.2.2参数估计方法

8.2.3非参数估计

8.3近邻分类器

8.3.1近邻分类器的导出

8.3.2最近邻分类器与k近邻分类器

8.4本章小结

习题

第9章人工神经网络

9.1神经网络基础知识

9.1.1生物学基础

9.1.2人工神经元模型

9.1.3网络结构

9.2典型神经网络及其训练方法

9.2.1感知机网络

9.2.2BP网络

9.2.3Hopfield网络

9.2.4其他常见神经网络

9.3深度学习简介

9.3.1深度学习基础

9.3.2典型深度网络——卷积神经网络

9.4本章小结

习题

第10章聚类分析

10.1聚类分析概述

10.1.1聚类分析定义

10.1.2聚类分析流程及要求

10.1.3聚类分析的典型应用

10.2模式相似性测度

10.2.1距离测度

10.2.2相似测度

10.2.3匹配测度

10.3常用聚类方法

10.3.1KMeans聚类

10.3.2高斯混合聚类

10.3.3密度聚类

10.3.4顺序前导聚类

10.3.5层次聚类

10.4本章小结

习题

参考文献