基于证据理论的推理实例
上一节
下一节
周志强
目录
-
1 第一讲 人工智能概述
-
1.1 绪论简介
-
1.2 智能的概念
-
1.3 智能的特征
-
1.4 人工智能的定义
-
1.5 人工智能的发展简史
-
1.6 人工智能研究的基本内容
-
-
2 第二讲 一阶谓词逻辑知识表示法
-
2.1 命题逻辑
-
2.2 谓词
-
2.3 谓词公式
-
2.4 谓词公式的性质
-
2.5 一阶谓词逻辑知识表示法
-
2.6 一阶谓词逻辑知识表示法特点
-
-
3 第三讲 产生式表示法和框架表示法
-
3.1 产生式
-
3.2 产生式系统
-
3.3 产生式系统的例子
-
3.4 产生式表示法的特点
-
3.5 框架表示法
-
-
4 第四讲 基于谓词逻辑的推理方法
-
4.1 推理方式及其分类
-
4.2 归结演绎推理
-
4.3 谓词公式化为子句集1
-
4.4 谓词公式化为子句集2
-
4.5 归结反演
-
4.6 鲁滨逊归结原理
-
4.7 应用归结原理求问题
-
-
5 第五讲 可信度方法和证据理论
-
5.1 不确定推理
-
5.2 可信度方法
-
5.3 概率分配函数
-
5.4 信任函数_似然函数
-
5.5 基于证据理论的推理
-
5.6 基于证据理论的推理实例
-
-
6 第六讲 模糊推理方法1
-
6.1 模糊逻辑提出
-
6.2 模糊集合
-
6.3 模糊集合的定义和表示方法
-
6.4 隶属函数
-
-
7 第七讲 模糊推理方法2
-
7.1 模糊关系及其合成
-
7.2 模糊推理
-
7.3 模糊决策
-
7.4 模糊推理应用
-
-
8 第八讲 搜索求解策略
-
8.1 搜索的概念
-
8.2 状态空间知识表示方法
-
8.3 启发式图搜索策略—启发式策略
-
8.4 启发式图搜索策略—启发信息和估价函数
-
8.5 启发式图搜索策略—A搜索算法
-
8.6 启发式图搜索策略—A_搜索算法及其特性
-
-
9 第九讲 遗传算法及其应用
-
9.1 基本遗传算法
-
9.2 编码
-
9.3 适应度函数的尺度变换
-
9.4 选择
-
9.5 交叉、变异
-
9.6 遗传算法的一般步骤
-
9.7 遗传算法的特点
-
-
10 第十讲 群智能算法及其应用
-
10.1 蚁群算法基本思想
-
10.2 基本蚁群算法模型
-
10.3 蚁群算法参数选择
-
10.4 蚁群算法的应用
-
-
11 第十一讲 专家系统
-
11.1 专家系统的基本概念
-
11.2 专家系统的特点
-
11.3 专家系统的工作原理
-
11.4 知识获取的主要过程与模式
-
-
12 第十二讲 专家系统应用
-
12.1 专家系统的建立
-
12.2 专家系统的实例
-
12.3 专家系统的开发工具
-
-
13 第十三讲 机器学习
-
13.1 机器学习
-
13.2 学习系统的基本组成
-
13.3 机器学习的分类
-
-
14 第十四讲 神经网络
-
14.1 人工神经网络
-
14.2 神经元的结构
-
14.3 神经元的数学模型
-
14.4 神经网络的结构与工作方式
-
-
15 第十五讲 BP神经网络
-
15.1 BP神经网络的结构
-
15.2 BP学习算法两个问题
-
15.3 BP学习算法基本思想
-
15.4 BP学习算法学习算法
-
15.5 BP学习算法的实现
-
15.6 BP神经网络在模式识别中的应用
-
-
16 第十六讲 Hopfield神经网络
-
16.1 离散型Hopfield神经网络模型
-
16.2 离散型Hopfield神经网络工作方式和工作过程
-
16.3 离散型Hopfield神经网络网络的稳定性
-
16.4 连续型Hopfield神经网络
-
16.5 Hopfield神经网络在联想记忆中的应用
-
16.6 Hopfield神经网络优化方法
-
-
17 实验部分
-
17.1 综合大实验
-
17.2 深度学习概述
-
