第1章绪论/ 001

1.1人工智能技术概述/ 002

1.1.1基本定义/ 002

1.1.2发展历史/ 003

1.2人工智能技术的基本内容/ 005

1.2.1人工智能技术的主要学派/ 005

1.2.2人工智能技术解决的主要问题与研究领域/ 006

1.2.3人工智能技术的主要技术领域/ 008

1.3人工智能技术的前沿与展望/ 008

1.4学习的要点/ 009



第2章专家系统/ 011

2.1专家系统概述/ 012

2.1.1专家系统的发展历程/ 012

2.1.2专家系统的研究和应用意义/ 013

2.1.3专家系统的定义/ 014

2.1.4专家系统的工作流程/ 015

2.2知识的表示方式/ 015

2.2.1一阶谓词逻辑表示法/ 016

2.2.2产生式表示法/ 022

2.2.3语义网络表示法/ 023

2.2.4框架表示法/ 025

2.3专家系统的结构/ 026

2.3.1知识库/ 026

2.3.2推理机/ 028

2.3.3人机界面/ 029

2.3.4综合数据库/ 029

2.3.5解释器/ 030

2.3.6知识获取/ 030

2.4专家系统的特点/ 031

2.5专家系统的应用/ 032

2.6专家系统开发工具/ 033

2.7专家系统实例/ 034

2.7.1振动监测、故障诊断技术中心系统/ 034

2.7.2设备在线监测故障诊断专家系统/ 035



第3章模糊控制技术/ 039

3.1模糊技术概述/ 040

3.1.1集合的概念/ 040

3.1.2集合的表示方法/ 040

3.1.3集合的运算/ 041

3.1.4普通集合概念的局限/ 043

3.2模糊集合/ 044

3.2.1概念的引入/ 044

3.2.2模糊集合的定义/ 046

3.2.3模糊集合的表示方式/ 046

3.2.4模糊集合的基本运算/ 047

3.3隶属函数/ 051

3.4模糊关系/ 052

3.4.1模糊关系的基本概念/ 052

3.4.2模糊关系的运算/ 053

3.5模糊语言/ 055

3.6模糊逻辑/ 057

3.7模糊推理/ 060

3.8二输入单输出问题/ 063

3.9模糊控制/ 065

3.9.1模糊控制的基本概念/ 065

3.9.2模糊控制系统的基本结构/ 066

3.9.3模糊控制系统的建立/ 070

3.9.4模糊控制系统的运行/ 070

3.9.5模糊系统的实现方式/ 071

3.10模糊控制在工程技术中的应用实例/ 072

3.10.1模糊全自动洗衣机/ 072

3.10.2汽轮机模糊控制/ 073



第4章粗糙集合及其应用/ 079

4.1概述/ 080

4.1.1粗糙集合理论的特点/ 080

4.1.2粗糙集合理论的应用领域/ 081

4.2粗糙集合基本理论/ 081

4.2.1信息表/ 082

4.2.2定义和运算/ 083

4.2.3决策规则的发现步骤/ 087

4.3粗糙集合在故障诊断技术中的应用/ 087



第5章遗传算法/ 095

5.1遗传算法概述/ 096

5.1.1遗传算法的由来/ 096

5.1.2遗传算法基本原理/ 098

5.1.3基因操作/ 100

5.2遗传算法的主要内容/ 104

5.2.1编码/ 104

5.2.2初始群体的设定/ 105

5.2.3确定适应度函数/ 105

5.2.4遗传算法关键参数的确定/ 106

5.2.5遗传算法的基本过程和程序框图/ 107

5.2.6遗传算法举例/ 108

5.3应用实例/ 110



第6章其他生物计算技术/ 113

6.1蚂蚁算法/ 114

6.1.1蚂蚁算法的基本原理/ 114

6.1.2蚂蚁算法的基本内容/ 116

6.2粒子群算法/ 118

6.2.1粒子群算法原理/ 118

6.2.2粒子群算法的基本流程/ 119

6.2.3粒子群算法中参数的意义/ 119

6.3基于免疫机理的故障诊断技术/ 120

6.3.1生物免疫基本概念/ 120

6.3.2机械故障诊断技术概况/ 123

6.3.3免疫算法原理/ 125

6.3.4基于距离判断的故障诊断免疫算法/ 126

6.3.5故障诊断免疫算法实例/ 129

6.4元胞自动机基于免疫机理的故障诊断技术/ 130

6.4.1元胞自动机的基本概念/ 130

6.4.2元胞自动机的扩展/ 134

6.4.3元胞自动机在故障关联模式研究中的应用/ 135



第7章神经网络技术及其应用/ 139

7.1神经网络概述/ 140

7.1.1神经网络的定义/ 140

7.1.2发展历史/ 141

7.1.3神经网络处理信息的特点/ 143

7.2神经网络的技术背景/ 145

7.2.1人脑的基本结构与功能/ 145

7.2.2神经元的基本结构/ 146

7.3脑处理信息的模型/ 147

7.3.1神经元模型/ 147

7.3.2神经元处理信号的过程/ 148

7.4神经网络模型/ 150

7.4.1神经网络结构分类/ 150

7.4.2神经网络学习方式分类/ 152

7.4.3神经网络动力学特性分类/ 152

7.5神经网络的学习规则/ 153

7.5.1Hebb学习/ 153

7.5.2Delta学习/ 154

7.5.3竞争学习/ 154

7.6神经网络的实现方法/ 154

7.7感知器/ 155

7.7.1感知器结构/ 155

7.7.2感知器方程/ 155

7.7.3感知器网络训练过程/ 157

7.7.4感知器网络运行过程/ 158

7.7.5多类分类感知器/ 158

7.7.6感知器应用实例/ 160

7.7.7感知器网络性质的讨论/ 161

7.8BP网络/ 165

7.8.1BP网络基本结构/ 165

7.8.2BP网络数学模型/ 165

7.8.3BP网络的训练过程/ 169

7.8.4BP网络的网络运行过程/ 170

7.8.5BP网络算法程序流程/ 170

7.8.6BP网络算法伪程序/ 171

7.8.7BP网络性质讨论/ 174

7.8.8BP网络应用实例/ 175

7.9霍普菲尔德网络/ 183

7.9.1霍普菲尔德网络基本结构/ 183

7.9.2网络模型方程/ 184

7.9.3网络的训练/ 185

7.9.4网络的联想/ 185

7.9.5应用实例/ 186

7.10基于遗传算法的优化神经网络预测模型/ 188

7.10.1遗传算法优化神经网络结构参数/ 189

7.10.2遗传BP算法优化神经网络权值/ 190

7.10.3样本的归一化处理/ 191

7.10.4水泵机组状态趋势预测/ 193



第8章深度学习/ 195

8.1深度学习概述/ 196

8.1.1概况/ 196

8.1.2深度学习技术背景/ 197

8.2深度学习的主要方法/ 200

8.3自编码器/ 202

8.3.1自编码器的基本算法/ 202

8.3.2常用的自编码器模型/ 205

8.4卷积神经网络/ 206

8.4.1卷积神经网络概况/ 206

8.4.2卷积网络的基本结构/ 207

8.4.3卷积网络的基本算法/ 208



参考文献/ 213