人工智能技術

第1章緒論/ 001
1.1人工智能技術概述/ 002
1.1.1基本定義/ 002
1.1.2發展歷史/ 003
1.2人工智能技術的基本內容/ 005
1.2.1人工智能技術的主要學派/ 005
1.2.2人工智能技術解決的主要問題與研究領域/ 006
1.2.3人工智能技術的主要技術領域/ 008
1.3人工智能技術的前沿與展望/ 008
1.4學習的要點/ 009

第2章專家系統/ 011
2.1專家系統概述/ 012
2.1.1專家系統的發展歷程/ 012
2.1.2專家系統的研究和應用意義/ 013
2.1.3專家系統的定義/ 014
2.1.4專家系統的工作流程/ 015
2.2知識的表示方式/ 015
2.2.1一階謂詞邏輯表示法/ 016
2.2.2產生式表示法/ 022
2.2.3語義網絡表示法/ 023
2.2.4框架表示法/ 025
2.3專家系統的結構/ 026
2.3.1知識庫/ 026
2.3.2推理機/ 028
2.3.3人機界面/ 029
2.3.4綜合數據庫/ 029
2.3.5解釋器/ 030
2.3.6知識獲取/ 030
2.4專家系統的特點/ 031
2.5專家系統的應用/ 032
2.6專家系統開發工具/ 033
2.7專家系統實例/ 034
2.7.1振動監測、故障診斷技術中心系統/ 034
2.7.2設備在線監測故障診斷專家系統/ 035

第3章模糊控制技術/ 039
3.1模糊技術概述/ 040
3.1.1集合的概念/ 040
3.1.2集合的表示方法/ 040
3.1.3集合的運算/ 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模糊集合的定義/ 046
3.2.3模糊集合的表示方式/ 046
3.2.4模糊集合的基本運算/ 047
3.3隸屬函數/ 051
3.4模糊關係/ 052
3.4.1模糊關係的基本概念/ 052
3.4.2模糊關係的運算/ 053
3.5模糊語言/ 055
3.6模糊邏輯/ 057
3.7模糊推理/ 060
3.8二輸入單輸出問題/ 063
3.9模糊控制/ 065
3.9.1模糊控制的基本概念/ 065
3.9.2模糊控制系統的基本結構/ 066
3.9.3模糊控制系統的建立/ 070
3.9.4模糊控制系統的運行/ 070
3.9.5模糊系統的實現方式/ 071
3.10模糊控制在工程技術中的應用實例/ 072
3.10.1模糊全自動洗衣機/ 072
3.10.2汽輪機模糊控制/ 073

第4章粗糙集合及其應用/ 079
4.1概述/ 080
4.1.1粗糙集合理論的特點/ 080
4.1.2粗糙集合理論的應用領域/ 081
4.2粗糙集合基本理論/ 081
4.2.1信息表/ 082
4.2.2定義和運算/ 083
4.2.3決策規則的發現步驟/ 087
4.3粗糙集合在故障診斷技術中的應用/ 087

第5章遺傳算法/ 095
5.1遺傳算法概述/ 096
5.1.1遺傳算法的由來/ 096
5.1.2遺傳算法基本原理/ 098
5.1.3基因操作/ 100
5.2遺傳算法的主要內容/ 104
5.2.1編碼/ 104
5.2.2初始群體的設定/ 105
5.2.3確定適應度函數/ 105
5.2.4遺傳算法關鍵參數的確定/ 106
5.2.5遺傳算法的基本過程和程序框圖/ 107
5.2.6遺傳算法舉例/ 108
5.3應用實例/ 110

第6章其他生物計算技術/ 113
6.1螞蟻算法/ 114
6.1.1螞蟻算法的基本原理/ 114
6.1.2螞蟻算法的基本內容/ 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粒子群算法中參數的意義/ 119
6.3基於免疫機理的故障診斷技術/ 120
6.3.1生物免疫基本概念/ 120
6.3.2機械故障診斷技術概況/ 123
6.3.3免疫算法原理/ 125
6.3.4基於距離判斷的故障診斷免疫算法/ 126
6.3.5故障診斷免疫算法實例/ 129
6.4元胞自動機基於免疫機理的故障診斷技術/ 130
6.4.1元胞自動機的基本概念/ 130
6.4.2元胞自動機的擴展/ 134
6.4.3元胞自動機在故障關聯模式研究中的應用/ 135

第7章神經網絡技術及其應用/ 139
7.1神經網絡概述/ 140
7.1.1神經網絡的定義/ 140
7.1.2發展歷史/ 141
7.1.3神經網絡處理信息的特點/ 143
7.2神經網絡的技術背景/ 145
7.2.1人腦的基本結構與功能/ 145
7.2.2神經元的基本結構/ 146
7.3腦處理信息的模型/ 147
7.3.1神經元模型/ 147
7.3.2神經元處理信號的過程/ 148
7.4神經網絡模型/ 150
7.4.1神經網絡結構分類/ 150
7.4.2神經網絡學習方式分類/ 152
7.4.3神經網絡動力學特性分類/ 152
7.5神經網絡的學習規則/ 153
7.5.1Hebb學習/ 153
7.5.2Delta學習/ 154
7.5.3競爭學習/ 154
7.6神經網絡的實現方法/ 154
7.7感知器/ 155
7.7.1感知器結構/ 155
7.7.2感知器方程/ 155
7.7.3感知器網絡訓練過程/ 157
7.7.4感知器網絡運行過程/ 158
7.7.5多類分類感知器/ 158
7.7.6感知器應用實例/ 160
7.7.7感知器網絡性質的討論/ 161
7.8BP網絡/ 165
7.8.1BP網絡基本結構/ 165
7.8.2BP網絡數學模型/ 165
7.8.3BP網絡的訓練過程/ 169
7.8.4BP網絡的網絡運行過程/ 170
7.8.5BP網絡算法程序流程/ 170
7.8.6BP網絡算法偽程序/ 171
7.8.7BP網絡性質討論/ 174
7.8.8BP網絡應用實例/ 175
7.9霍普菲爾德網絡/ 183
7.9.1霍普菲爾德網絡基本結構/ 183
7.9.2網絡模型方程/ 184
7.9.3網絡的訓練/ 185
7.9.4網絡的聯想/ 185
7.9.5應用實例/ 186
7.10基於遺傳算法的優化神經網絡預測模型/ 188
7.10.1遺傳算法優化神經網絡結構參數/ 189
7.10.2遺傳BP算法優化神經網絡權值/ 190
7.10.3樣本的歸一化處理/ 191
7.10.4水泵機組狀態趨勢預測/ 193

第8章深度學習/ 195
8.1深度學習概述/ 196
8.1.1概況/ 196
8.1.2深度學習技術背景/ 197
8.2深度學習的主要方法/ 200
8.3自編碼器/ 202
8.3.1自編碼器的基本算法/ 202
8.3.2常用的自編碼器模型/ 205
8.4捲積神經網絡/ 206
8.4.1捲積神經網絡概況/ 206
8.4.2捲積網絡的基本結構/ 207
8.4.3捲積網絡的基本算法/ 208

參考文獻/ 213