智能技术

　　本书系统地介绍了智能技术的基本理论和应用技术。全书共8章，主要内容包括：知识表示技术，知识推理技术．模糊逻辑技术，神经网络技术，遗传算法，专家系统，机器学习。本书是作者在总结近年来教学和科研成果，学习国内外智能技术领域最新技术的基础上编写而成的。全书内容体系新颖，选材具有先进性、系统性和实用性的特点。本书可作为高等学校计算机科学与技术专业、电子信息工程专业、电工及自动化专业、机电一体化专业的高年级本科生和研究生的教材，也可供相关专业的工程技术人员参考。本书特色：1．内容先进：本书是作者在总结近年来教学和科研成果、学习国内外智能信息处理和智能控制领域中最新技术的基础上编写而成的，内容体现了当代科学技术的发展特征及最新成果，多学科间的知识交叉与渗透。2．综合性强：本书从智能控制与智能信息处理共同关注的基础出发，抓住共性，讲透基础，避免繁难的推导过程，突出综合性，使学生了解智能技术的主要应用领域，并掌握独立分析和设计智能系统的能力。3．适用面广：本书在内容的选取上，遵循“宽编窄用”的原则，着重从应用的角度阐述智能系统的软件和硬件设计的全过程，深入浅出，讲清原理，着眼应用，以适应不同层次、不同专业、不同教学时数的需要，符合教学规律。

暂缺《智能技术》作者简介

第1章 概论
1.1 人工智能简介
1.1.1 智能
1.1.2 人工智能
1.1.3 人工智能的发展简史
1.1.4 人工智能的目标与表现形式
1.1.5 人工智能的研究途径
1.1.6 人工智能的研究领域
1.2 智能工程
1.2.1 智能工程的提出
1.2.2 智能工程与人工智能
1.2.3 智能制造系统
1.3 智能控制
1.3.1 智能控制的发展概况
1.3.2 智能控制系统的基本结构
1.3.3 智能控制的结构理论
1.3.4 智能控制的特点
1.3.5 智能控制研究的数学工具
1.3.6 智能控制的主要研究内容
习题
第2章 知识表示技术
2.1 概述
2.1.1 知识、信息和数据
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 逻辑表示法
2.2.1 命题逻辑
2.2.2 谓词逻辑
2.2.3 谓词逻辑表示法的特点
2.3 语义网络表示法
2.3.1 语义网络的概念
2.3.2 语义网络表示知识的方法及步骤
2.3.3 语义网络中常用的语义联系
2.3.4 语义网络知识表示下的推理过程
2.3.5 语义网络表示法的特点
2.4 框架表示法
2.4.1 框架结构及知识表示
2.4.2 基于框架的推理
2.4.3 框架表示法的特点
2.5 产生式表示法
2.5.1 产生式的基本形式
2.5.2 产生式系统
2.5.3 产生式系统示例
2.5.4 产生式表示法的特点
2.6 状态空间表示法
2.6.1 状态空间表示法的描述
2.6.2 状态空间表示法示例
2.7 问题归纳法
2.7.1 问题归纳描述
2.7.2 与或图表示法
2.8 面向对象表示法
2.8.1 面向对象的基本概念
2.8.2 面向对象的知识表示
习题
第3章 知识推理技术
3.1 推理方式及其分类
3.1.1 演绎推理、归纳推理和默认推理
3.1.2 确定性推理和不确定性推理
3.1.3 单调推理和非单调推理
3.1.4 定性推理
3.2 推理的控制策略
3.2.1 正向推理
3.2.2 反向推理
3.2.3 正反向推理
3.3 搜索策略
3.3.1 状态空间的一般搜索过程
3.3.2 宽度优先搜索策略
3.3.3 深度优先搜索策略
3.3.4 启发式搜索策略
习题
第4章 模糊逻辑技术
4.1 模糊逻辑的数学基础
4.1.1 模糊集合
4.1.2 模糊集合的表示方法
4.1.3 模糊集合的运算
4.1.4 隶属函数的确定方法
4.1.5 模糊关系
4.2 模糊逻辑的推理
4.2.1 模糊命题
4.2.2 模糊逻辑
4.2.3 模糊语言
4.2.4 模糊推理
4.3 模糊控制系统概述
4.3.1 模糊控制系统的构成
4.3.2 模糊控制系统的原理
4.4 模糊控制器原理
4.5 模糊控制器设计基础
4.6 双入单出模糊控制器设计
4.6.1 模糊化
4.6.2 模糊控制规则、模糊关系的模糊推理
4.6.3 清晰化
4.6.4 控制表计算程序
习题
第5章 神经网络技术
5.1 神经网络基础
5.1.1 生物神经元结构
5.1.2 神经元数学模型
5.2 神经网络的结构和学习规则
5.2.1 神经网络的结构
5.2.2 神经网络的学习
5.2.3 神经网络的记忆
5.3 典型前向网络--BP网络
5.3.1 感知机
5.3.2 BP网络
5.4 典型反馈网络--Hopfield网络
5.4.1 离散型Hopfield网络
5.4.2 连续型Hopfield网络
5.5 应用神经网络产生模糊集的隶属函数
5.6 神经网络控制原理
5.6.1 神经网络控制的基本思想
5.6.2 神经网络在控制中的作用
5.7 神经网络在工程中的应用
5.7.1 基于神经网络的系统辨识
5.7.2 基于神经网络的自适应控制
5.8 单神经元控制的直流调速系统
5.8.1 系统组成
5.8.2 单神经元控制器及其学习算法设
5.8.3 单神经元直流调速系统参数设计
5.9 模糊神经网络
5.9.1 模糊系统的标准模型
5.9.2 模糊神经网络的结构
5.9.3 学习算法
5.9.4 应用模糊神经网络在线检测参数
习题
第6章 遗传算法
6.1 遗传算法的基本原理
6.1.1 遗传算法的基本遗传学基础
6.1.2 遗传算法的原理和特点
6.1.3 遗传算法的基本操作
6.2 遗传算法的模式理论
6.2.1 模式
6.2.2 复制对模式的影响
6.2.3 交叉对模式的影响
6.2.4 变异对模式的影响
6.2.5 遗传算法有效处理的模式数量
6.3 遗传算法应用中的一些基本问题
6.3.1 目标函数值到适值形式的映射
6.3.2 适值的调整
6.3.3 编码原则
6.3.4 多参数级联定点映射编码
6.4 高级遗传算法
6.4.1 改进的复制方法
6.4.2 高级GA算法
6.5 微种群和双种群遗传算法
6.5.1 微种群算法
6.5.2 双种群遗传算法
6.6 基于遗传算法的系统在线辨识
6.6.1 遗传算法在参数辨识中的应用
6.6.2 遗传算法参数辨识仿真示例
6.7 基于遗传算法的模糊控制
6.8 免疫遗传算法
6.8.1 免疫遗传算法的基本概念
6.8.2 免疫算子的机理与构造
6.8.3 TSP问题的免疫遗传算法
习题
第7章 专家系统
7.1 专家系统的概念
7.1.1 什么是专家系统
7.1.2 专家系统的产生和发展
7.1.3 专家系统的特点
7.1.4 专家系统的类型
7.1.5 专家系统与知识系统
7.1.6 专家系统与知识工程
7.2 专家系统的结构与工作原理
7.2.1 专家系统的一般结构
7.2.2 专家系统的工作原理
7.3 知识的获取
7.3.1 知识获取的方式
7.3.2 知识获取的步骤
7.4 专家系统的建造与评价
7.4.1 专家系统的建造原则
7.4.2 专家系统的建造步骤
7.4.3 专家系统的评价
7.5 专家系统设计举例
7.5.1 动物识别系统
7.5.2 专家生产指导系统
7.6 专家控制系统
7.6.1 专家控制系统的工作原理
7.6.2 专家控制系统的类型
7.6.3 直接专家控制系统
7.6.4 间接专家控制系统
7.6.5 实时专家控制系统
7.7 新一代的专家系统
7.7.1 深层知识专家系统
7.7.2 模糊专家系统
7.7.3 神经网络专家系统
7.7.4 大型协同分布式专家系统
7.7.5 网上(多媒体)专家系统
习题
第8章 机器学习
8.1 机器学习的基本概念
8.1.1 什么是机器学习
8.1.2 学习系统
8.1.3 机器学习的主要策略
8.1.4 机器学习系统的基本结构
8.2 机械学习
8.2.1 机械学习的模式
8.2.2 机械学习的主要问题
8.3 指导学习
8.4 类比学习
8.4.1 类比推理
8.4.2 属性类比学习
8.4.3 转换类比学习
8.5 归纳学习
8.5.1 实例学习
8.5.2 观察与发现学习
8.6 解释学习
8.6.1 解释学习的概念
8.6.2 解释学习的过程
8.6.3 解释学习的例子
8.6.4 领域知识的完善性
8.7 知识发现与数据挖掘
8.7.1 知识发现
8.7.2 数据挖掘概述
8.7.3 数据挖掘技术简介
8.8 学习控制系统
8.8.1 基于模式识别的学习控制
8.8.2 反复学习控制
8.8.3 自学习控制系统
习题
参考文献