人工智能与专家系统原理及其应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能与专家系统原理及其应用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

1　人工智能与专家系统综述1

1.1　人工智能的定义1

1.1.1　什么是智能1

目录1

1.1.2　什么是人工智能3

1.2　人工智能的发展及应用4

1.2.1　人工智能的萌芽4

1.2.2　人工智能与专家系统的发展阶段4

1.2.3　人工智能的应用领域7

1.2.4　人工智能的分类15

1.2.5　我国人工智能和专家系统发展概况15

1.3.1 国外农业专家系统发展现状16

1.3　农业专家系统的应用及发展现状16

1.3.2　我国农业专家系统应用及发展现状17

1.3.3　当前农业专家系统存在的问题及建议19

1.4　专家系统的定义、特点及其类型20

1.4.1　专家系统的定义20

1.4.2　专家系统的一般特点21

1.4.3　专家系统的类型22

1.5　专家系统的结构、功能及其基本原理24

1.5.1　专家系统的结构及基本功能24

1.5.2　专家系统的基本原理24

1.6.1　专家系统开发步骤26

1.6　专家系统开发过程26

1.6.2　专家系统开发语言和工具28

练习题31

2　知识表示32

2.1　知识表示概述32

2.1.1　知识的含义32

2.1.2　知识表示方法35

2.2　谓词逻辑表示法37

2.2.1　命题与逻辑37

2.2.2　谓词逻辑48

2.2.3　用谓词表示知识的步骤51

2.2.4　一阶谓词表示法的特点56

2.3　产生式表示法57

2.3.1　产生式基本形式57

2.3.2　产生式系统的结构58

2.3.3　产生式系统的特点62

2.3.4　“规则架＋规则体”规则组的知识表示63

2.4　语义网络表示法66

2.4.1　语义网络表示形式68

2.4.2　语义网络基本语义关系69

2.4.3　语义网络推理方法71

2.4.4　语义网络表示知识的步骤72

2.4.5　语义网络表示法的特点73

2.5.1　框架与框架网络74

2.5　框架表示法74

2.5.2　框架推理的基本过程及形式82

2.5.3　框架的不确定性匹配84

2.5.4　框架推理步骤85

2.5.5　框架表示法的特点87

2.6　面向对象表示法87

2.6.1　面向对象的知识表示88

2.6.2　面向对象表示法的特点91

练习题93

3　搜索技术95

3.1　搜索技术概述95

3.1.2　搜索效率的评价96

3.1.1　搜索技术分类96

3.2　无知识（盲目）搜索97

3.2.1　深度优先搜索97

3.2.2　有界深度优先搜索102

3.2.3　宽度优先搜索106

3.2.4　一致代价搜索109

3.3　有知识（启发式）搜索112

3.3.1　有知识（启发式）搜索的基本概念112

3.3.2　局部择优搜索法120

3.3.3　全局择优搜索法121

3.3.4　与或树的启发式搜索124

3.3.5　α-β剪枝技术127

练习题130

4　推理与推理机制132

4.1　推理概述132

4.1.1　推理的基本概念132

4.1.2　推理的种类133

4.2　归结原理137

4.2.1　谓词公式与子句集137

4.2.2　置换与合一141

4.2.3　归结（鲁滨逊消解）原理143

4.3　推理的控制策略147

4.3.1　正向推理147

4.3.2　逆向推理150

4.3.3　混合推理151

4.3.4　双向推理152

4.3.5　其他控制策略152

4.4　基于规则推理机的实现与控制策略154

4.4.1　数据驱动的正向链推理的实现155

4.4.2 目标驱动的反向链推理的实现155

4.4.3　混合驱动的双向链推理的实现156

4.4.4　规则推理的冲突消解156

4.5　基于框架推理机的实现与控制策略157

4.6　基于语义网络推理机的实现与控制策略158

4.7　基于黑板的专家系统的组织结构及控制策略159

4.7.1　黑板模型160

4.8　基于元知识的专家系统的组织结构及控制策略161

4.7.2　基于黑板的专家系统的组织结构161

4.7.3　基于黑板的专家系统的控制策略161

练习题163

5 PROLOG语言及其程序设计164

5.1 PROLOG语言的快速入门164

5.1.1 PROLOG语言的特点164

5.1.2 Amzi PROLOG简介165

5.1.3 Amzi!Logic Server的组成166

5.1.4　逻辑编程168

5.1.5 PROLOG解释器的工作过程169

5.2.1　常量与变量172

5.2.2　事实、查询和规则172

5.2 Amzi PROLOG的基本语句172

5.3 PROLOG函数、运算符及其表达式192

5.4 PROLOG的程序机制194

5.4.1　数据管理194

5.4.2　递归197

5.4.3　数据结构204

5.4.4　联合207

5.4.5　列表211

5.4.6　操作符220

5.4.7　截断225

5.4.8　流程控制228

5.5.1 Hanoi塔234

5.5 PROLOG程序设计应用举例234

5.5.2　深度搜索237

5.5.3 广度搜索240

练习题241

6　不确定性推理243

6.1　不确定性推理概述243

6.1.1　证据的不确定性244

6.1.2　规则的不确定性245

6.1.3　推理的不确定性246

6.1.4　不确定性的量度246

6.1.5　不确定性推理方法分类246

6.2　确定性方法247

6.2.1　可信度的定义及其性质248

6.2.2　确定性方法应用举例251

6.2.3　讨论254

6.3　基于主观概率的不确定性推理254

6.3.1　有关概率的基本概念与计算254

6.3.2　主观Bayes方法258

6.3.3　主观Bayes方法应用举例266

6.4　证据理论272

6.4.1　识别框架272

6.4.2　特定概率分配函数276

6.4.3　基于特定概率分配函数的不确定性推理模型277

6.4.4　证据理论应用举例280

6.4.5　讨论286

练习题287

7　神经网络专家系统289

7.1　神经网络专家系统的兴起和发展290

7.2　人工神经网络基本原理291

7.2.1　人工神经元模型291

7.2.2　神经网络的结构及工作方式294

7.2.3　神经网络的学习方法295

7.3　前馈网络原理297

7.3.1　单层前馈网络297

7.3.2　多层前馈网络299

7.3.3　多层前馈网络的反向传播学习算法300

7.3.4　改进BP算法收敛速度的一些措施305

7.4 Hopfield网络307

7.4.1　离散Hopfield网络的结构308

7.4.2　离散Hopfield网络的状态变化类型308

7.4.3　串行离散Hopfield网络状态的收敛性309

7.4.4　离散Hopfield网络作为联想存储器的学习算法310

7.5　神经网络专家系统的知识表示与推理311

7.5.1　神经网络专家系统的知识表示311

7.5.2　神经网络专家系统的推理312

7.6　基于神经网络结构学习的知识求精313

7.6.2　初始规则集转化为初始神经网络314

7.6.1　基于神经网络结构学习的知识求精过程314

7.6.3　训练初始神经网络315

7.6.4　提取规则316

7.6.5　示例317

7.7　遗传算法在神经网络中的应用318

7.7.1　遗传算法的基本机理318

7.7.2　遗传算法的求解步骤321

7.7.3　遗传算法用于神经网络328

练习题330

8.1　专家系统的设计331

8.1.1　开发专家系统的需求分析331

8　专家系统设计与应用331

8.1.2　知识获取335

8.1.3　专家系统的构造者及其工具337

8.1.4　专家系统的设计结构338

8.1.5　专家系统的设计要素340

8.2　专家系统应用实例344

8.2.1　使用PROLOG开发专家系统应用实例344

8.2.2　产生式知识表示专家系统应用实例360

8.2.3　人工神经网络专家系统应用实例368

练习题377

附录1　PROXS系统代码378

附录2　桃树栽植密度决策推理机代码397

参考文献401