人工智能與模式識別

 

目錄

 

第1章緒論

 

1.1人工智能的概念

 

1.1.1人工智能的解釋

 

1.1.2人工智能的研究目標

 

1.2人工智能發展簡史

 

1.2.1人工智能孕育期(1943—1955年)

 

1.2.2人工智能誕生(1956年)

 

1.2.3早期的成功與期望(1956—1969年)

 

1.2.4人工智能第一次低谷(1966—1973年)

 

1.2.5基於知識系統的崛起(1969—1986年)

 

1.2.6人工智能第二次低谷(1987—1993年)

 

1.2.7人工智能平穩發展期(1993—2011年)

 

1.2.8人工智能蓬勃發展時期(2012年至今)

 

1.3人工智能各學派的認知觀

 

1.3.1符號主義學派

 

1.3.2聯結主義學派

 

1.3.3行為主義學派

 

1.3.4三大學派的關系

 

1.4人工智能的典型研究和應用領域

 

1.4.1機器學習

 

1.4.2模式識別

 

1.4.3數據挖掘

 

1.4.4計算智能

 

1.4.5專家系統

 

1.4.6自動程序設計

 

1.4.7機器人學

 

1.5本章小結

 

習題

 

第2章智能Agent

 

2.1Agent的概念及其理性行為

 

2.1.1Agent的概念

 

2.1.2Agent的特性

 

2.1.3Agent的理性

 

2.2Agent的任務環境

 

2.2.1任務環境規範描述

 

2.2.2任務環境的性質

 

2.3Agent的典型結構

 

2.3.1簡單反射型Agent

 

2.3.2模型反射型Agent

 

2.3.3目標驅動型Agent

 

2.3.4學習型Agent

 

2.4本章小結

 

習題

 

第3章確定性知識表示與推理

 

3.1確定性知識系統概述

 

3.1.1確定性知識表示的概念

 

3.1.2確定性知識推理概述

 

3.2確定性知識的表示

 

3.2.1謂詞邏輯表示法

 

3.2.2產生式表示法

 

3.2.3語義網絡表示法

 

3.3確定性知識推理

 

3.3.1產生式推理

 

3.3.2自然演繹推理

 

3.3.3歸結演繹推理

 

3.4本章小結

 

習題

 

第4章搜索策略

 

4.1搜索概述

 

4.1.1搜索的含義

 

4.1.2狀態空間求解方法

 

4.1.3問題歸約求解方法

 

4.1.4圖搜索策略

 

4.2狀態空間的盲目搜索

 

4.2.1廣度優先搜索

 

4.2.2深度優先搜索

 

4.3狀態空間的啟發式搜索

 

4.3.1啟發性信息及估價函數

 

4.3.2A算法

 

4.3.3A*算法

 

4.4“與/或樹”的啟發式搜索

 

4.4.1解樹的代價估計

 

4.4.2希望解樹判定與啟發式搜索過程

 

4.5博弈樹及其搜索

 

4.5.1博弈的含義

 

4.5.2極大/極小過程

 

4.5.3αβ剪枝

 

4.6本章小結

 

習題

 

第5章智能優化算法

 

5.1智能優化算法概述

 

5.1.1優化問題的復雜度

 

5.1.2典型智能優化算法

 

5.1.3鄰域的概念

 

5.1.4局部搜索算法

 

5.2模擬退火算法

 

5.2.1模擬退火算法的原理

 

5.2.2模擬退火算法的描述

 

5.2.3模擬退火算法的應用

 

5.2.4模擬退火算法的改進

 

5.3遺傳算法

 

5.3.1遺傳算法的原理

 

5.3.2遺傳算法的實現

 

5.3.3遺傳算法的應用

 

5.3.4遺傳算法的改進

 

5.4其他典型智能優化算法簡介

 

5.4.1蟻群優化算法

 

5.4.2粒子群算法

 

5.5本章小結

 

習題

 

第6章特徵提取與選擇

 

6.1模式識別基礎

 

6.1.1模式識別的基本問題

 

6.1.2模式識別的基本流程

 

6.1.3模式識別中的隨機矢量

 

6.1.4模式識別方法的性能評估

 

6.1.5模式識別中的基本原則

 

6.2特徵提取與選擇概述

 

6.3類別可分性判據

 

6.3.1基於幾何距離的可分性判據

 

6.3.2基於概率分佈的可分性判據

 

6.3.3基於後驗概率的可分性判據

 

6.4典型特徵選擇方法

 

6.4.1最優搜索特徵選擇方法

 

6.4.2次優搜索特徵選擇方法

 

6.5典型特徵提取方法

 

6.5.1主成分分析法

 

6.5.2線性判別分析法

 

6.6本章小結

 

習題

 

第7章基於判別函數的分類方法

 

7.1線性判別函數

 

7.1.1線性判別函數的基本概念

 

7.1.2兩類分類問題的線性判別規則

 

7.1.3多類分類問題的線性判別規則

 

7.2非線性判別函數

 

7.2.1廣義線性判別函數

 

7.2.2二次判別函數法

 

7.2.3分段線性判別函數法

 

7.3支持向量機

 

7.3.1硬間隔SVM

 

7.3.2軟間隔SVM

 

7.3.3核SVM

 

7.4本章小結

 

習題

 

第8章基於概率的分類方法

 

8.1貝葉斯決策論

 

8.1.1從模式識別的角度認識貝葉斯公式

 

8.1.2最小誤判概率準則

 

8.1.3最小損失判決準則

 

8.1.4樸素貝葉斯分類器

 

8.2估計方法

 

8.2.1統計推斷概述

 

8.2.2參數估計方法

 

8.2.3非參數估計

 

8.3近鄰分類器

 

8.3.1近鄰分類器的導出

 

8.3.2最近鄰分類器與k近鄰分類器

 

8.4本章小結

 

習題

 

第9章人工神經網絡

 

9.1神經網絡基礎知識

 

9.1.1生物學基礎

 

9.1.2人工神經元模型

 

9.1.3網絡結構

 

9.2典型神經網絡及其訓練方法

 

9.2.1感知機網絡

 

9.2.2BP網絡

 

9.2.3Hopfield網絡

 

9.2.4其他常見神經網絡

 

9.3深度學習簡介

 

9.3.1深度學習基礎

 

9.3.2典型深度網絡——捲積神經網絡

 

9.4本章小結

 

習題

 

第10章聚類分析

 

10.1聚類分析概述

 

10.1.1聚類分析定義

 

10.1.2聚類分析流程及要求

 

10.1.3聚類分析的典型應用

 

10.2模式相似性測度

 

10.2.1距離測度

 

10.2.2相似測度

 

10.2.3匹配測度

 

10.3常用聚類方法

 

10.3.1KMeans聚類

 

10.3.2高斯混合聚類

 

10.3.3密度聚類

 

10.3.4順序前導聚類

 

10.3.5層次聚類

 

10.4本章小結

 

習題

 

參考文獻