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