人工智能及其应用PDF|Epub|txt|kindle电子书版本网盘下载

人工智能及其应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 人工智能的基本概念1

1.2 人工智能的发展简史2

1.3 人工智能的三种观点和三个学派4

1.4 人工智能研究的内容和领域5

1.5 人工智能的发展及未来7

习题9

第2章 知识表示10

2.1 知识表示的概述10

2.2 谓词逻辑法12

2.2.1 一阶谓词的基本概念12

2.2.2 谓词逻辑表示方法14

2.2.3 谓词逻辑表示的特点16

2.3 产生式表示方法17

2.3.1 产生式基本形式17

2.3.2 产生式系统的组成和求解过程17

2.3.3 产生式系统的推理方式19

2.3.4 产生式系统的特点22

2.4 语义网络法22

2.4.1 语义网络的基本概念22

2.4.2 语义网络的表示方法25

2.4.3 语义网络的推理过程26

2.5 其他知识表示方法27

2.5.1 框架表示法27

2.5.2 剧本表示法30

习题32

第3章 搜索技术34

3.1 搜索的基本概念34

3.1.1 状态空间法34

3.1.2 问题归约法37

3.1.3 搜索的分类与性能39

3.2 状态空间的盲目搜索40

3.2.1 一般图搜索过程40

3.2.2 广度优先搜索42

3.2.3 深度优先搜索43

3.2.4 代价树搜索44

3.3 状态空间的启发式搜索46

3.3.1 启发性信息和估价函数46

3.3.2 A算法47

3.3.3 A算法48

3.3.4 A算法的性能分析49

3.4 与／或树的盲目搜索50

3.4.1 与／或树的一般搜索50

3.4.2 与／或树的广度优先搜索50

3.4.3 与／或树的深度优先搜索52

3.5 与／或树的启发式搜索53

3.5.1 解树的代价与希望树53

3.5.2 与／或树的启发式搜索过程54

3.6 博弈搜索56

3.6.1 博弈问题57

3.6.2 极小极大搜索过程58

3.6.3 α-β搜索过程61

习题63

第4章 不确定性推理67

4.1 概述67

4.1.1 不确定性的概念67

4.1.2 不确定性推理要解决的问题68

4.1.3 不确定性推理与确定性推理的差别68

4.2 可信度方法68

4.2.1 知识不确定性69

4.2.2 证据不确定性71

4.2.3 不确定性推理72

4.3 主观贝叶斯方法73

4.3.1 知识表示方式73

4.3.2 证据不确定性及推理75

4.4 证据理论80

4.4.1 基本理论80

4.4.2 证据理论的推理模型84

习题90

第5章 智能优化算法92

5.1 基本概念92

5.1.1 组合优化问题92

5.1.2 局部搜索93

5.2 模拟退火算法96

5.2.1 固体退火96

5.2.2 模拟退火算法99

5.3 遗传算法103

5.3.1 概述104

5.3.2 遗传算法模型104

5.3.3 基本遗传操作107

5.3.4 遗传算法的应用111

5.4 粒群优化116

5.4.1 基本概念117

5.4.2 粒群优化原理117

5.4.3 局部和全局最优算法119

5.4.4 参数分析119

5.4.5 遗传算法和PSO的比较120

5.5 蚁群优化算法121

5.5.1 蚁群算法的基本概念121

5.5.2 基于TSP的基本蚁群算法123

习题126

第6章 神经计算128

6.1 神经网络的基本概念128

6.2 感知器131

6.2.1 感知器模型131

6.2.2 单层感知器学习过程134

6.3 BP神经网络136

6.3.1 BP算法原理137

6.3.2 BP网络学习过程138

6.3.3 影响泛化能力的几个因素139

6.3.4 初始样本探究140

6.3.5 权值和阈值对网络泛化能力的影响141

6.3.6 隐含层的影响142

6.4 径向基神经网络143

6.4.1 RBF神经网络模型144

6.4.2 RBF神经网络的学习算法146

6.4.3 RBF网络的逼近性质149

习题151

第7章 支持向量机152

7.1 概述152

7.1.1 机器学习的基本问题152

7.1.2 统计学习理论的核心问题154

7.2 支持向量机分类156

7.2.1 线性SVM156

7.2.2 非线性SVM157

7.3 核函数特征空间158

7.4 支持向量机回归160

习题166

第8章 粗糙集167

8.1 信息系统167

8.2 粗糙集相关理论168

8.3 知识简约171

8.4 决策表的简约算法175

习题180

第9章 数据挖掘算法182

9.1 数据挖掘概述182

9.2 决策树学习算法184

9.2.1 信息熵理论184

9.2.2 信息论在决策树学习中的应用185

9.2.3 ID3学习算法186

9.3 K均值聚类算法189

9.4 K最邻近分类算法（KNN）190

9.5 Apriori算法192

9.5.1 关联规则的基本概念192

9.5.2 关联规则的种类193

9.5.3 Apriori算法194

习题197

第10章 智能搜索引擎199

10.1 智能搜索引擎的概念199

10.1.1 搜索引擎199

10.1.2 搜索引擎的分类201

10.1.3 传统搜索引擎存在的问题202

10.1.4 智能搜索引擎的提出202

10.2 智能搜索引擎的特征203

10.2.1 智能网络爬虫203

10.2.2 智能人机接口206

10.2.3 智能信息反馈208

10.3 智能搜索引擎的主要策略209

10.3.1 协同过滤策略209

10.3.2 点击特征的智能化212

10.3.3 用户自定义信息智能化213

10.4 智能搜索引擎的技术215

10.4.1 人机交互技术215

10.4.2 文本分类技术217

10.4.3 文档信息压缩技术223

10.4.4 智能搜索代理Agent技术224

10.4.5 自然语言理解技术227

10.5 智能爬虫搜索算法231

10.5.1 网页搜索策略231

10.5.2 智能搜索策略（个性化搜索）232

10.6 智能搜索引擎的发展对策234

习题235

第11章 分形理论及应用236

11.1 分形与分形市场学说236

11.1.1 分形理论的创立、发展和意义236

11.1.2 什么是分形237

11.1.3 各种分形实例238

11.1.4 分形的特征239

11.1.5 分形市场理论240

11.2 多重分形理论243

11.2.1 分形维的概念与意义243

11.2.2 分形维的类别244

11.2.3 多重分形246

11.3 多重分形分析252

11.3.1 多重分形谱的程序设计算法252

11.3.2 多重分形谱分析和特征推导254

11.4 预测应用举例255

11.4.1 股票价格波动预测模型256

11.4.2 聚类分析算法257

11.4.3 股票价格波动的预测应用259

参考文献263