●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章專家繫統/011
2.1專家繫統概述/012
2.1.1專家繫統的發展歷程/012
2.1.2專家繫統的研究和應用意義/013
2.1.3專家繫統的定義/014
2.1.4專家繫統的工作流程/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專家繫統的結構/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專家繫統的特點/031
2.5專家繫統的應用/032
2.6專家繫統開發工具/033
2.7專家繫統實例/034
2.7.1振動監測、故障診斷技術中心繫統/034
2.7.2設備在線監測故障診斷專家繫統/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模糊關繫/052
3.4.1模糊關繫的基本概念/052
3.4.2模糊關繫的運算/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模糊控制繫統的基本結構/066
3.9.3模糊控制繫統的建立/070
3.9.4模糊控制繫統的運行/070
3.9.5模糊繫統的實現方式/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
胞自動機基於免疫機理的故障診斷技術/130
6.胞自動機的基本概念/130
6.胞自動機的擴展/134
6.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.的基本結構/146
7.3腦處理信息的模型/147
7.3.模型/147
7.3.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卷積神經網絡/206
8.4.1卷積神經網絡概況/206
8.4.2卷積網絡的基本結構/207
8.4.3卷積網絡的基本算法/208
參考文獻/213
內容簡介
本書是人工智能技術的通識讀本，全面展示人工智能技術的理論框架和應用價值，主要內容包括：人工智能的概況和發展歷史，作為目前人工智能主流技術的深度學習及其基礎神經網絡技術，以及在人工智能技術發展過程中發揮了重要作用的人工智能方法，如專家繫統、模糊技術、粗糙集、遺傳算法和其他生物技術方法等。本書主要面向非信息學科的大學生和研究生，為他們學習人工智能技術提供教學參考，也為他們今後繼續在人工智能技術領域深入研學提供基礎；同時本書也面向有一定教育背景的廣大普通讀者，力圖為他們掀開門扉，一窺人工智能的神秘而有趣的世界。
