顶部
收藏

人工智能及其应用(第四版)


作者:
王万良
定价:
62.00元
ISBN:
978-7-04-053668-3
版面字数:
700.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2020-06-08
读者对象:
高等教育
一级分类:
电气/电子信息/自动化类
二级分类:
电气/自动化专业课
三级分类:
其他

人工智能是解决复杂工程问题的重要工具,是许多高新技术产品中的核心技术。读者通过学习本书,能够掌握人工智能的基本内容,了解人工智能研究的一些最新的前沿内容,为深入研究与应用人工智能技术奠定基础。

全书共11章,分别为人工智能的基本概念与主要研究领域、知识表示与知识图谱、确定性推理方法、不确定性推理方法、搜索求解策略、进化算法(包括遗传算法、差分进化算法、量子进化算法)及其应用、群智能算法(包括粒子群优化算法、量子粒子群优化算法、蚁群算法)及其应用、人工神经网络(包括卷积神经网络、胶囊网络、生成对抗网络)及其应用、机器学习(包括深度学习)、专家系统、自然语言理解及其应用。附录中给出了本书习题的简要解答和实验指导书。

本书主要作为计算机类、自动化类、电气类、电子信息类、机械类等专业本科生、研究生,特别是智能科学与技术、人工智能、数据科学与大数据技术专业本科生学习人工智能基础课程的教材。由于书中几大部分内容相对独立,可以容易地根据课程计划学时选择部分内容学习,仍可保持课程体系结构的完整性。扫描本书二维码,能够观看相应内容的讲课录像,特别适合希望掌握人工智能技术的研究人员与工程技术人员自学。

  • 前辅文
  • 第1章 绪论
    • 1.1 人工智能的基本概念
      • 1.1.1 智能的概念
      • 1.1.2 智能的特征
      • 1.1.3 人工智能
    • 1.2 人工智能的发展简史
      • 1.2.1 孕育(1956年之前)
      • 1.2.2 形成(1956—1969年)
      • 1.2.3 艰难发展(1970—2010年)
      • 1.2.4 大数据驱动人工智能发展期(2011年至今)
    • 1.3 人工智能研究的基本内容
    • 1.4 人工智能的主要研究领域
    • 1.5 小结
    • 思考题
  • 第2章 知识表示与知识图谱
    • 2.1 知识与知识表示的概念
      • 2.1.1 知识的概念
      • 2.1.2 知识的特性
      • 2.1.3 知识的分类
      • 2.1.4 知识的表示
    • 2.2 一阶谓词逻辑表示法
      • 2.2.1 命题
      • 2.2.2 谓词
      • 2.2.3 谓词公式
      • 2.2.4 谓词公式的性质
      • 2.2.5 一阶谓词逻辑知识表示方法
      • 2.2.6 一阶谓词逻辑表示法的特点
    • 2.3 产生式表示法
      • 2.3.1 产生式
      • 2.3.2 产生式系统
      • 2.3.3 产生式系统的例子——动物识别系统
      • 2.3.4 产生式表示法的特点
    • 2.4 框架表示法
      • 2.4.1 框架的一般结构
      • 2.4.2 用框架表示知识的例子
      • 2.4.3 框架表示法的特点
    • 2.5 语义网络表示法
      • 2.5.1 语义网络
      • 2.5.2 基本命题的语义网络表示
      • 2.5.3 连接词在语义网络中的表示方法
      • 2.5.4 变元和量词在语义网络中的表示方法
      • 2.5.5 语义网络表示法示例
      • 2.5.6 语义网络的推理过程
      • 2.5.7 语义网络表示法的特点
    • 2.6 知识图谱
      • 2.6.1 知识图谱的定义
      • 2.6.2 知识图谱的架构与构建
      • 2.6.3 知识抽取
      • 2.6.4 知识图谱的典型应用
    • 2.7 小结
    • 思考题
    • 习题
  • 第3章 确定性推理方法
    • 3.1 推理的基本概念
      • 3.1.1 推理的定义
      • 3.1.2 推理方式及其分类
      • 3.1.3 推理的方向
      • 3.1.4 冲突消解策略
    • 3.2 自然演绎推理
    • 3.3 谓词公式化为子句集的方法
    • 3.4 海伯伦定理
    • 3.5 鲁宾孙归结原理
    • 3.6 归结反演
    • 3.7 应用归结原理求解问题
    • 3.8 小结
    • 思考题
    • 习题
  • 第4章 不确定性推理方法
    • 4.1 不确定性推理中的基本问题
    • 4.2 概率方法
      • 4.2.1 经典概率方法
      • 4.2.2 逆概率方法
    • 4.3 主观Bayes方法
      • 4.3.1 知识不确定性的表示
      • 4.3.2 证据不确定性的表示
      • 4.3.3 组合证据不确定性的算法
      • 4.3.4 不确定性的传递算法
      • 4.3.5 结论不确定性的合成算法
    • 4.4 可信度方法
      • 4.4.1 可信度的概念
      • 4.4.2 C-F模型
    • 4.5 证据理论
      • 4.5.1 概率分配函数
      • 4.5.2 信任函数
      • 4.5.3 似然函数
      • 4.5.4 信任函数与似然函数的关系
      • 4.5.5 概率分配函数的正交和(证据的组合)
      • 4.5.6 基于证据理论的不确定性推理
    • 4.6 模糊推理方法
      • 4.6.1 模糊逻辑的提出与发展
      • 4.6.2 模糊集合
      • 4.6.3 模糊集合的运算
      • 4.6.4 模糊关系与模糊关系的合成
      • 4.6.5 模糊推理
      • 4.6.6 模糊决策
      • 4.6.7 模糊推理的应用
    • 4.7 模糊控制
      • 4.7.1 模糊控制器的输入、输出变量
      • 4.7.2 模糊控制规则
      • 4.7.3 模糊推理与决策
      • 4.7.4 全自动洗衣机的模糊控制
    • 4.8 小结
    • 思考题
    • 习题
  • 第5章 搜索求解策略
    • 5.1 搜索的概念
      • 5.1.1 搜索的基本问题与主要过程
      • 5.1.2 搜索策略
    • 5.2 状态空间知识表示方法
      • 5.2.1 状态空间表示法
      • 5.2.2 状态空间的图描述
    • 5.3 盲目的图搜索策略
      • 5.3.1 回溯策略
      • 5.3.2 宽度优先搜索策略
      • 5.3.3 深度优先搜索策略
    • 5.4 启发式图搜索策略
      • 5.4.1 启发式策略
      • 5.4.2 启发信息和估价函数
      • 5.4.3 A搜索算法
      • 5.4.4 A*搜索算法及其特性分析
    • 5.5 与/或图搜索策略
    • 5.6 小结
    • 思考题
    • 习题
  • 第6章 进化算法及其应用
    • 6.1 进化算法的产生与发展
      • 6.1.1 进化算法的概念
      • 6.1.2 进化算法的生物学背景
      • 6.1.3 进化算法的设计原则
    • 6.2 基本遗传算法
      • 6.2.1 遗传算法的基本思想
      • 6.2.2 遗传算法的发展历史
      • 6.2.3 编码
      • 6.2.4 群体设定
      • 6.2.5 适应度函数
      • 6.2.6 选择
      • 6.2.7 交叉
      • 6.2.8 变异
      • 6.2.9 模式定理
      • 6.2.10 遗传算法的一般步骤
      • 6.2.11 遗传算法的特点
    • 6.3 遗传算法的改进算法
      • 6.3.1 双倍体遗传算法
      • 6.3.2 双种群遗传算法
      • 6.3.3 自适应遗传算法
    • 6.4 基于遗传算法的生产调度方法
      • 6.4.1 基于遗传算法的流水车间调度方法
      • 6.4.2 基于遗传算法的混合流水车间调度方法
    • 6.5 差分进化算法及其应用
      • 6.5.1 差分进化算法
      • 6.5.2 差分进化算法的流程
      • 6.5.3 差分进化算法的改进
    • 6.6 量子进化算法及其应用
      • 6.6.1 量子进化算法的基本概念
      • 6.6.2 基本量子进化算法
      • 6.6.3 基本量子进化算法的流程
      • 6.6.4 基于量子进化算法的生产调度方法
    • 6.7 小结
    • 思考题
    • 习题
  • 第7章 群智能算法及其应用
    • 7.1 群智能算法产生的背景
    • 7.2 粒子群优化算法
      • 7.2.1 粒子群优化算法的基本原理
      • 7.2.2 粒子群优化算法的参数分析
    • 7.3 量子粒子群优化算法
      • 7.3.1 基本量子粒子群优化算法
      • 7.3.2 改进量子粒子群优化算法
    • 7.4 粒子群优化算法的应用
      • 7.4.1 粒子群优化算法应用领域
      • 7.4.2 粒子群优化算法在PID参数整定中的应用
      • 7.4.3 粒子群优化算法求解车辆路径问题
    • 7.5 基本蚁群算法
      • 7.5.1 基本蚁群算法模型
      • 7.5.2 蚁群算法的参数选择
    • 7.6 改进蚁群算法
      • 7.6.1 蚂蚁-Q系统
      • 7.6.2 蚁群系统
      • 7.6.3 最大-最小蚂蚁系统
      • 7.6.4 自适应蚁群算法
    • 7.7 蚁群算法的应用
    • 7.8 小结
    • 思考题
  • 第8章 人工神经网络及其应用
    • 8.1 神经元与神经网络
      • 8.1.1 生物神经元的结构
      • 8.1.2 神经元数学模型
      • 8.1.3 神经网络的结构与工作方式
      • 8.1.4 神经网络的学习
    • 8.2 BP神经网络及其学习算法
      • 8.2.1 BP神经网络的结构
      • 8.2.2 BP学习算法
      • 8.2.3 BP算法的实现
    • 8.3 BP神经网络的应用
      • 8.3.1 BP神经网络在模式识别中的应用
      • 8.3.2 BP神经网络在软测量中的应用
    • 8.4 Hopfield神经网络及其改进
      • 8.4.1 离散型Hopfield神经网络
      • 8.4.2 连续型Hopfield神经网络及其VLSI实现
      • 8.4.3 随机神经网络
      • 8.4.4 混沌神经网络
    • 8.5 Hopfield神经网络的应用
      • 8.5.1 Hopfield神经网络在联想记忆中的应用
      • 8.5.2 Hopfield神经网络优化方法
    • 8.6 Hopfield神经网络优化方法求解JSP
      • 8.6.1 作业车间调度问题
      • 8.6.2 JSP的Hopfield神经网络及其求解
      • 8.6.3 作业车间生产调度举例
      • 8.6.4 基于随机神经网络的生产调度方法
    • 8.7 卷积神经网络及其应用
      • 8.7.1 深度神经网络的提出
      • 8.7.2 卷积神经网络的结构
      • 8.7.3 卷积神经网络的卷积运算
      • 8.7.4 卷积神经网络的局部连接
      • 8.7.5 卷积神经网络的权值共享
      • 8.7.6 卷积神经网络的多卷积核
      • 8.7.7 卷积神经网络的池化
      • 8.7.8 卷积神经网络的实现与应用
      • 8.7.9 卷积神经网络在手写数字识别中的应用
    • 8.8 胶囊网络
      • 8.8.1 胶囊网络的基本思想
      • 8.8.2 胶囊网络的基本结构
      • 8.8.3 胶囊网络的学习运算
      • 8.8.4 胶囊网络测试结果
      • 8.8.5 胶囊网络研究新进展
    • 8.9 生成对抗网络及其应用
      • 8.9.1 生成对抗网络的基本原理
      • 8.9.2 生成对抗网络的结构与训练
      • 8.9.3 生成对抗网络在图像处理中的应用
      • 8.9.4 生成对抗网络在语言处理中的应用
      • 8.9.5 生成对抗网络在视频生成中的应用
      • 8.9.6 生成对抗网络在医疗中的应用
    • 8.10 小结
    • 思考题
    • 习题
  • 第9章 机器学习
    • 9.1 机器学习的基本概念
      • 9.1.1 学习
      • 9.1.2 机器学习
      • 9.1.3 机器学习系统
      • 9.1.4 机器学习的发展
      • 9.1.5 机器学习的分类
    • 9.2 符号学习
      • 9.2.1 机械式学习
      • 9.2.2 指导式学习
      • 9.2.3 归纳学习
      • 9.2.4 示例学习
      • 9.2.5 观察与发现学习
      • 9.2.6 类比学习
      • 9.2.7 解释学习
    • 9.3 知识发现与数据挖掘
      • 9.3.1 知识发现与数据挖掘的概念
      • 9.3.2 知识发现的一般过程
      • 9.3.3 知识发现的任务
      • 9.3.4 知识发现的方法
      • 9.3.5 知识发现的对象
    • 9.4 深度学习
      • 9.4.1 深度学习的提出
      • 9.4.2 人脑视觉机理
      • 9.4.3 特征
      • 9.4.4 深度学习的基本思想
      • 9.4.5 深度学习的训练过程
      • 9.4.6 自编码器
      • 9.4.7 自编码器的变体
      • 9.4.8 受限玻尔兹曼机
    • 9.5 小结
    • 思考题
  • 第10章 专家系统
    • 10.1 专家系统的产生和发展
    • 10.2 专家系统的概念
      • 10.2.1 专家系统的定义
      • 10.2.2 专家系统的特点
      • 10.2.3 专家系统的类型
      • 10.2.4 专家系统的应用
    • 10.3 专家系统的工作原理
      • 10.3.1 专家系统的一般结构
      • 10.3.2 知识库
      • 10.3.3 推理机
      • 10.3.4 综合数据库
      • 10.3.5 知识获取机构
      • 10.3.6 人机接口
      • 10.3.7 解释机构
    • 10.4 知识获取的主要过程与模式
      • 10.4.1 知识获取的过程
      • 10.4.2 知识获取的模式
    • 10.5 专家系统的建立
      • 10.5.1 适合于专家系统求解的问题
      • 10.5.2 专家系统的设计原则与开发步骤
      • 10.5.3 专家系统的评价
    • 10.6 专家系统实例
      • 10.6.1 医学专家系统——MYCIN
      • 10.6.2 地质勘探专家系统——PROSPECTOR
    • 10.7 专家系统的开发工具
      • 10.7.1 骨架系统
      • 10.7.2 通用型知识表达语言
      • 10.7.3 专家系统开发环境
      • 10.7.4 专家系统程序设计语言
    • 10.8 小结
    • 思考题
  • 第11章 自然语言理解及其应用
    • 11.1 自然语言理解的概念与发展历史
    • 11.2 语言处理过程的层次
    • 11.3 词法分析
    • 11.4 句法分析
      • 11.4.1 乔姆斯基的形式文法
      • 11.4.2 句法分析树
      • 11.4.3 转移网络
      • 11.4.4 扩充转移网络
    • 11.5 语义分析
      • 11.5.1 语义文法
      • 11.5.2 格文法
    • 11.6 基于语料库的大规模文本处理
      • 11.6.1 语料库及其特征
      • 11.6.2 汉语自动分词方法
      • 11.6.3 汉语词性的标注方法
      • 11.6.4 汉语词义的标注方法
    • 11.7 机器翻译
      • 11.7.1 机器翻译方法概述
      • 11.7.2 循环神经网络
      • 11.7.3 长短期记忆神经网络
      • 11.7.4 基于循环神经网络的机器翻译
    • 11.8 语音识别
      • 11.8.1 语音识别的概念
      • 11.8.2 语音信号采集与预处理
      • 11.8.3 语音信号特征参数提取
      • 11.8.4 向量量化
      • 11.8.5 识别
    • 11.9 基于隐马尔可夫模型的语音识别方法
      • 11.9.1 隐马尔可夫模型
      • 11.9.2 隐马尔可夫模型语音识别方法
    • 11.10 小结
    • 思考题
    • 习题
  • 附录A 部分习题解答
  • 附录B 实验指导书
  • 参考文献

人工智能及其应用(第四版)数字课程与纸质教材一体化设计,紧密配合。数字课程涵盖课程介绍、电子教案、四色彩图、程序运行视频等板块。充分运用多种形式媒体资源,极大地丰富了知识的呈现形式,拓展了教材内容。在提升课程教学效果同时,为学生学习提供思维与探索的空间。

相关图书