人工智能技术pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
下载压缩包 [复制下载地址] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页

人工智能技术PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

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

第1章　概论 1

1.1　人工智能 1

1.1.1 智能 1

1.1.2　人工智能的定义 1

1.1.3　人工智能的发展简史 2

1.1.4　人工智能的目标与表现形式 4

1.1.5　人工智能的研究途径 5

1.1.6　人工智能的研究领域 7

1.2　智能工程 9

1.2.1　智能工程的提出 10

1.2.2　智能工程与人工智能 10

1.2.3　智能制造系统 11

1.3　智能控制 11

1.3.1　智能控制的发展概况 11

1.3.2　智能控制系统的基本结构 13

1.3.3　智能控制的结构理论 14

1.3.4　智能控制的特点 16

1.3.5　智能控制研究的数学工具 17

1.3.6　智能控制的主要研究内容 17

习题和思考题 18

第2章　知识表示技术 19

2.1　概述 19

2.1.1　知识、信息和数据 19

2.1.2　知识的特性 19

2.1.3　知识的分类 20

2.1.4　知识的表示 21

2.2　逻辑表示法 21

2.2.1　命题逻辑 22

2.2.2　谓词逻辑 25

2.2.3　谓词逻辑表示法的特点 30

2.3　语义网络表示法 30

2.3.1　语义网络的概念 30

2.3.2　语义网络表示知识的方法及步骤 31

2.3.3　语义网络中常用的语义联系 33

2.3.4　语义网络表示下的推理过程 34

2.3.5　语义网络表示法的特点 35

2.4　框架表示法 35

2.4.1　框架结构及知识表示 35

2.4.2　基于框架的推理 39

2.4.3　框架表示法的特点 39

2.5　产生式表示法 40

2.5.1　产生式的基本形式 40

2.5.2　产生式系统 40

2.5.3　产生式系统示例 41

2.5.4　产生式表示法的特点 43

2.6　状态空间表示法 43

2.6.1　状态空间表示法的描述 43

2.6.2　状态空间表示法示例 44

2.7　问题归约法 46

2.7.1　问题归约描述 46

2.7.2　与或图表示法 48

2.8　面向对象表示法 50

2.8.1　面向对象的基本概念 51

2.8.2　面向对象的知识表示 52

习题和思考题 52

第3章　知识推理技术 55

3.1　推理方式及其分类 55

3.1.1　演绎推理、归纳推理、默认推理 55

3.1.2　确定性推理、不确定性推理 57

3.1.3　单调推理、非单调推理 57

3.1.4　定性推理 57

3.2　推理的控制策略 57

3.2.1 正向推理 58

3.2.2　反向推理 59

3.2.3　正反向推理 61

3.3　搜索策略 61

3.3.1　状态空间的一般搜索过程 61

3.3.2　宽度优先搜索策略 63

3.3.3　深度优先搜索策略 64

3.3.4　启发式搜索策略 66

习题和思考题 71

第4章　模糊逻辑技术 73

4.1　模糊逻辑的数学基础 73

4.1.1　模糊集合 73

4.1.2　模糊集合的表示方法 74

4.1.3　模糊集合的运算 75

4.1.4　隶属函数确定方法 76

4.1.5　模糊关系 79

4.2　模糊逻辑的推理 82

4.2.1　模糊命题 82

4.2.2　模糊逻辑 83

4.2.3　模糊语言 84

4.2.4　模糊推理 88

4.3　模糊控制系统概述 93

4.3.1　模糊控制系统的构成 94

4.3.2　模糊控制系统的原理 94

4.4　模糊控制器原理 99

4.5　模糊控制器设计基础 104

4.6　双入单出模糊控制器设计 106

4.6.1　模糊化 107

4.6.2　模糊控制规则、模糊关系的推理 108

4.6.3　清晰化 111

4.6.4　控制表计算程序 111

习题和思考题 112

第5章　神经网络技术 115

5.1　神经网络基础 115

5.1.1　生物神经元结构 115

5.1.2　神经元数学模型 116

5.2　神经网络的结构和学习规则 117

5.2.1　神经网络的结构 117

5.2.2　神经网络的学习 119

5.2.3　神经网络的记忆 120

5.3　典型前向网络——BP网络 120

5.3.1　感知机 120

5.3.2　BP网络 121

5.4　典型反馈网络——Hopfield网络 123

5.4.1　离散型Hopfield网络 124

5.4.2　连续型Hopfield网络 125

5.5　应用神经网络产生模糊集的隶属函数 126

5.6　神经网络控制原理 130

5.6.1　神经网络控制的基本思想 130

5.6.2　神经网络在控制中的作用 131

5.7　神经网络在工程中的应用 131

5.7.1　基于神经网络的系统辨识 131

5.7.2　基于神经网络的自适应控制 133

5.8　单神经元控制的直流调速系统 136

5.8.1　系统组成 136

5.8.2　单神经元控制器及其学习算法设计 136

5.8.3　单神经元直流调速系统参数设计 137

5.9　模糊神经网络 138

5.9.1　模糊系统的标准模型 138

5.9.2　模糊神经网络的结构 139

5.9.3　学习算法 141

5.9.4　应用模糊神经网络在线检测参数 143

习题和思考题 145

第6章　遗传算法 148

6.1　遗传算法的基本原理 148

6.1.1　遗传算法的基本遗传学基础 148

6.1.2　遗传算法的原理和特点 148

6.1.3　遗传算法的基本操作 149

6.2　遗传算法的模式理论 154

6.2.1　模式 154

6.2.2　复制对模式的影响 155

6.2.3　交叉对模式的影响 156

6.2.4　变异对模式的影响 157

6.2.5　遗传算法有效处理的模式数量 158

6.3　遗传算法应用中的一些基本问题 159

6.3.1 目标函数值到适值形式的映射 159

6.3.2　适值的调整 160

6.3.3　编码原则 161

6.3.4　多参数级联定点映射编码 162

6.4　高级遗传算法 163

6.4.1　改进的复制方法 164

6.4.2　高级GA算法 165

6.5　基于遗传算法的模糊控制 167

6.6　免疫遗传算法 170

6.6.1　免疫遗传算法的基本概念 170

6.6.2　免疫算子的机理与构造 172

6.6.3　TSP问题的免疫遗传算法 174

习题和思考题 175

第7章　专家系统 176

7.1　专家系统的概念 176

7.1.1　什么是专家系统 176

7.1.2　专家系统的产生和发展 176

7.1.3　专家系统的特点 177

7.1.4　专家系统的类型 178

7.1.5　专家系统与知识系统 178

7.1.6　专家系统与知识工程 179

7.2　专家系统的结构与工作原理 179

7.2.1　专家系统的一般结构 179

7.2.2　专家系统的工作原理 179

7.3　知识的获取 181

7.3.1　知识获取的方式 182

7.3.2　知识获取的步骤 183

7.4　专家系统的建造与评价 184

7.4.1　专家系统的建造原则 184

7.4.2　专家系统的建造步骤 185

7.4.3　专家系统的评价 186

7.5　专家系统设计举例 188

7.5.1　动物识别系统 188

7.5.2　专家生产指导系统 189

7.6　专家控制系统 198

7.6.1　专家控制系统的工作原理 199

7.6.2　专家控制系统的类型 203

7.6.3　直接专家控制系统 203

7.6.4　间接专家控制系统 207

7.6.5　实时专家控制系统 211

7.7　新一代的专家系统 217

7.7.1　深层知识专家系统 218

7.7.2　模糊专家系统 218

7.7.3　神经网络专家系统 218

7.7.4　大型协同分布式专家系统 219

7.7.5　网上专家系统 219

习题和思考题 219

第8章　机器学习 221

8.1　机器学习的基本概念 221

8.1.1　什么是机器学习 221

8.1.2　学习系统 222

8.1.3　机器学习的主要策略 222

8.1.4　机器学习系统的基本结构 223

8.2　机械学习 224

8.2.1　机械学习的模式 224

8.2.2　机械学习的主要问题 225

8.3　指导学习 225

8.4　类比学习 226

8.4.1　类比推理 226

8.4.2　属性类比学习 227

8.4.3　转换类比学习 228

8.5　归纳学习 229

8.5.1　实例学习 229

8.5.2　观察与发现学习 234

8.6 解释学习 234

8.6.1　解释学习的概念 235

8.6.2　解释学习的过程 235

8.6.3　解释学习的例子 236

8.6.4　领域知识的完善性 236

8.7　知识发现与数据挖掘 237

8.7.1　知识发现 238

8.7.2　数据挖掘概述 239

8.7.3　数据挖掘技术简介 241

8.8　学习控制系统 246

8.8.1　基于模式识别的学习控制 247

8.8.2　反复学习控制 247

8.8.3 自学习控制系统 249

习题和思考题 250

第9章　群集智能 251

9.1　群集智能概述 251

9.1.1　群集智能的基本概念 252

9.1.2　群集智能研究方法的主要优缺点 254

9.1.3　群集智能的底层机制 255

9.1.4　群集智能不同算法的比较 255

9.2　蚁群算法 257

9.2.1　蚁群算法的生物原型 257

9.2.2　基本蚁群算法的原理 259

9.2.3　蚁群优化算法的特点及收敛性 260

9.2.4　基本蚁群算法的数学模型 261

9.2.5　蚁群算法的参数设置 262

9.2.6　改进的蚁群算法 263

9.3　粒子群优化算法 269

9.3.1　粒子群优化算法的生物原型 269

9.3.2　标准粒子群优化算法 270

9.3.3　改进粒子群优化算法 270

9.3.4　改进粒子群算法对BP神经网络的优化 272

9.4　人工鱼群算法 274

9.4.1　人工鱼群算法的来源 274

9.4.2　基本人工鱼群算法 277

9.4.3　改进人工鱼群算法 283

9.4.4　改进人工鱼群算法优化BP神经网络 284

9.4.5　改进人工鱼群算法优化BP神经网络的在线运行 290

习题和思考题 291

参考文献 293