本书是人工智能导论课的通用教材，其内容涉及了人工智能的主要内容和领域，包括神经网络、机器学习、深度学习、计算机视觉、自然语言理解与处理、知识图谱、数据挖掘、模式识别、群智能算法和智能机器人等

人工智能是研究利用计算机系统实现人类智能的理论、方法和技术的学科。本书较系统地介绍了人工智能的基本内容，主要包括人工智能发展的三次热潮、知识与知识表示、推理方式、搜索策略、专家系统、机器学习、神经网络模型、深度学习、计算机视觉、自然语言处理、知识图谱、智能体、群智能算法、生物特征识别和智能机器人等。 本书注重基本概念、基本方法和应用实例的介绍，语言精炼、逻辑层次清晰，适合作为高等学校;人工智能课程的教材，也可以用作科技人员的参考书。

第1章概述/11.1人工智能的产生与发展11.1.1人工智能的产生11.1.2人工智能发展的三次热潮21.2人工智能的内涵与外延31.2.1图灵测试31.2.2人工智能的内涵31.2.3人工智能的外延51.2.4人工智能的层次结构61.2.5强人工智能与弱人工智能61.3人工智能的三大学派71.3.1符号主义学派71.3.2连接主义学派81.3.3行为主义学派81.4人工智能的数学基础91.4.1数学是人工智能的基石91.4.2人工智能的常用数学91.5人工智能的应用121.5.1人工智能的实现方式121.5.2人工智能的主要应用场景131.5.3人工智能的发展趋势15本章小结16第2章知识与知识表示/172.1知识的特征与分类172.1.1知识的特征172.1.2知识的分类182.2计算机表示知识的方法202.2.1知识表示的原则202.2.2知识表示的方法分类212.2.3知识表示的全过程21〖1〗人工智能基础目录〖3〗〖3〗2.3产生式表示法222.3.1产生式的结构222.3.2产生式表示法举例232.4一阶谓词逻辑表示法242.4.1知识的谓词逻辑表示242.4.2谓词逻辑表示法举例262.5语义网络表示法262.5.1语义网络的特点与结构262.5.2语义网络表示法举例282.6框架表示法292.6.1框架的基本结构与特点292.6.2框架表示法举例312.7状态空间表示法312.7.1描述问题状态312.7.2状态空间表示法举例32本章小结33第3章机器推理/343.1机器推理基础343.1.1思维与数理逻辑343.1.2概念与判断353.1.3推理及其分类363.1.4逻辑推理373.2非单调推理393.2.1单调逻辑与单调推理393.2.2非单调逻辑与非单调推理403.2.3非单调推理与单调推理的比较413.3谓词逻辑推理413.3.1谓词逻辑413.3.2谓词逻辑的自然推理规则443.3.3谓词逻辑的自然推理方法453.4不确定性推理463.4.1不确定性推理基础463.4.2贝叶斯推理483.4.3信度推理503.4.4模糊推理533.5推理控制策略603.5.1正向推理603.5.2反向推理613.5.3双向推理633.5.4冲突消解策略63本章小结65第4章搜索策略/664.1搜索策略概述664.1.1搜索与搜索过程664.1.2常用的搜索策略674.2盲目搜索策略684.2.1广度优先搜索策略684.2.2深度优先搜索策略694.2.3两种搜索策略比较714.3启发式搜索策略714.3.1启发信息与启发函数724.3.2贪婪最佳优先搜索算法724.3.3贪婪最佳优先搜索的问题744.4Dijkstra算法754.4.1标号实现方式764.4.2表实现方式774.5A算法804.5.1A算法的功能与特性804.5.2A搜索算法814.5.3A算法寻路的探测84本章小结85第5章专家系统/865.1专家系统的产生与发展865.1.1专家系统的产生865.1.2专家系统的发展875.2专家系统的功能与特点875.2.1专家系统的功能875.2.2专家系统的要素与特点885.2.3专家系统的类型905.3专家系统的结构915.3.1产生式系统915.3.2专家系统的基本结构945.4专家系统的构建与开发环境985.4.1基于骨架系统的专家系统构建985.4.2专家系统的开发环境995.5专家系统的案例1015.5.1基于规则的动物识别专家系统1015.5.2基于模糊规则的专家控制系统103本章小结106第6章机器学习/1076.1机器学习概述1076.1.1机器学习基础1076.1.2机器学习的方式1166.2决策树1216.2.1决策树的结构与算法要素1216.2.2决策树生成算法1226.3集成学习1276.3.1集成学习的策略与特点1276.3.2Bagging算法1276.4k最近邻分类1316.4.1k最近邻分类算法1316.4.2k最近邻分类算法的优缺点1336.5聚类1336.5.1聚类算法的类型与特点1336.5.2k均值聚类算法1356.6马尔可夫模型1376.6.1马尔可夫过程1376.6.2隐马尔可夫模型1396.7朴素贝叶斯分类1426.7.1贝叶斯定理1436.7.2朴素贝叶斯分类流程144本章小结146第7章神经网络模型/1477.1神经网络模型基础1477.1.1神经网络模型的定义与特性1477.1.2学习与适应1527.2前馈神经网络1607.2.1感知机1607.2.2BP学习算法1617.2.3前馈神经网络的复杂性1647.3自组织神经网络1657.3.1竞争学习神经网络模型1667.3.2Kohonen神经网络1667.4反馈神经网络1687.4.1反馈神经网络简介1687.4.2霍普菲尔德神经网络169本章小结170第8章深度学习/1718.1深度学习概述1718.1.1深度学习的概念与特点1728.1.2深度学习的方式1748.1.3深度学习模型的特点1758.2卷积神经网络1758.2.1卷积神经网络的特点1758.2.2卷积神经网络的结构1778.2.3卷积神经网络的训练1868.3循环神经网络1898.3.1循环神经网络的结构1898.3.2随时间反向传播学习算法1908.3.3循环神经网络的扩展1938.3.4循环神经网络的应用1958.4生成式对抗网络1958.4.1生成式对抗网络的结构1968.4.2网络的训练与损失函数1968.5自动编码器1988.5.1自编码器工作原理1988.5.2常用的自编码器2018.5.3深度自编码器应用202本章小结203第9章计算机视觉/2049.1计算机视觉概述2049.1.1计算机视觉的内涵与外延2049.1.2图像类型与语义差异2069.2图像分类2089.2.1图像识别与分类2089.2.2图像分类的基本方法2089.2.3基于深度学习的图像分类2109.3目标检测2149.3.1目标检测的任务2149.3.2RCNN目标检测算法2159.3.3Fast RCNN目标检测算法2189.3.4Faster RCNN目标检测算法2209.3.5三种算法的比较2229.4视觉目标跟踪2229.4.1视觉目标跟踪概述2229.4.2跟踪视觉目标的方法2249.4.3基于卷积神经网络的目标跟踪方法2259.5语义分割2279.5.1语义分割的定义与术语2279.5.2语义分割的方法228本章小结232第10章自然语言处理/23310.1自然语言处理概述23310.1.1自然语言处理技术的发展23310.1.2自然语言处理的内容23510.2词法分析23610.2.1中文分词23710.2.2词性标注24110.2.3命名实体识别24210.2.4文本关键词提取方法24510.2.5文本表示25010.3句法分析25610.3.1完全句法分析25610.3.2局部句法分析26210.3.3依存句法分析26210.4语义分析26410.4.1词汇级语义分析26510.4.2句子级语义分析26610.5自然语言处理的应用26910.5.1中文自然语言的处理过程26910.5.2自然语言处理的基本应用场景271本章小结271第11章知识图谱/27211.1知识图谱概述27211.1.1知识图谱理论的形成27311.1.2知识图谱表示27411.1.3本体27411.1.4知识图谱的优势27711.1.5知识存储27711.2知识图谱的架构27811.2.1知识图谱的逻辑架构27811.2.2知识图谱的技术架构27911.3知识图谱构建28411.3.1知识图谱的构建方式28511.3.2知识图谱的设计原则与构建策略28611.3.3知识图谱的自动构建28711.4知识图谱推理28811.4.1知识图谱推理的任务28811.4.2基于规则的关系推理28811.4.3基于表示学习的推理28911.4.4基于图结构的关系推理29211.5知识图谱的应用293本章小结296第12章智能体/29712.1分布式人工智能概述29712.1.1分布式人工智能系统的特点29712.1.2分布式人工智能的分类29812.1.3智能体的特征与结构29912.2智能体的工作过程与分类30112.2.1智能体的基本工作过程30112.2.2智能体的分类30212.2.3智能体的环境30612.3多智能体30712.3.1多智能体系统的定义与特点30712.3.2多智能体系统的分类30812.3.3多智能体的通信方式30912.3.4多智能体的协作与协调31112.4移动智能体31112.4.1移动智能体的特点31112.4.2移动智能体的主要技术31212.4.3移动智能体的分布式计算模式313本章小结314第13章群智能/31513.1群智能计算概述31513.1.1群智能算法的产生与发展31513.1.2群智能算法的理论框架31713.2蚁群算法31813.2.1蚁群寻食的过程31813.2.2蚁群算法的设计32013.2.3基于蚁群算法的TSP问题求解32413.2.4蚁群算法的特点32813.3粒子群算法32913.3.1粒子群算法概述32913.3.2粒子群算法的构建33013.3.3粒子群算法的应用334本章小结336第14章生物特征识别/33714.1生物识别概述33714.1.1生物特征的特点与识别目标33714.1.2生物识别的主要技术33814.2人脸识别33814.2.1人脸识别原理33914.2.2人脸特征识别技术34114.2.3人脸识别基本过程34414.3虹膜识别34614.3.1虹膜识别原理34614.3.2虹膜识别过程34614.4指纹识别34714.4.1指纹识别原理34714.4.2指纹识别过程34814.5步态识别34914.5.1步态识别原理34914.5.2步态识别过程35014.5.3步态识别技术的特点351本章小结351第15章智能机器人/35215.1智能机器人概述35215.1.1智能机器人的分类35315.1.2智能机器人的要素35415.1.3智能机器人的技术35515.2导航定位技术35515.2.1自主定位导航的任务35515.2.2智能自主定位导航技术35615.3机器人的感知35815.3.1机器人的视觉35815.3.2机器人的触觉35915.3.3机器人的听觉36015.3.4多感知器信息的融合36015.4机器人交互技术36015.4.1语音交互36115.4.2情感交互36215.4.3体感交互363本章小结363参考文献/364

人工智能(artificial intelligence，AI)又称机器智能，是指由人制造出的机器所表现的智能，是通过普通计算机程序呈现人类智能的技术。基于人工智能构建的知识系统具有学习能力，能够灵活地适应环境，实现特定目标和任务。人工智能是一个开放性研究领域，其可以被应用于诸多领域，涉及范围极广。人工智能的核心问题是建构与人类似，甚至超越人类的推理、求知、规划、学习、交流、感知、使用工具和操控机械的能力等。深度学习的出现推动了人工智能发展的第三次热潮，唤起了人们学习、研究人工智能的热情。人工智能是计算机科学的研究前沿领域，因此，学习人工智能需要有坚实的计算机科学基础。人工智能算法可以解决学习、感知、语言理解或逻辑推理等任务。经过几十年的发展，人工智能学科中形成了三个主要的学派，符号主义学派、连接主义学派和行为主义学派。符号主义学派又称为逻辑主义、心理学派或计算机学派。符号主义认为人工智能源于数理逻辑。符号主义曾经长期一枝独秀，为人工智能的发展做出了重要贡献，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际迈出了特别重要的一步。连接主义又称为仿生学派或生理学派，其主要原理为神经网络及神经网络间的连接机制与学习算法。连接主义认为人工智能源于仿生学，特别是对人脑模型、多层网络中的反向传播算法的提出，以及基于连接主义的深度学习成功应用，奠定了连接主义学派在人工智能中的重要位置。行为主义认为人工智能源于控制论，推崇控制、自适应与进化计算。行为主义其实与智能机器人的关系非常密切，现在被人们寄予极大的期望。深度学习、深度神经网络，即属于连接主义；20世纪行业浪潮中举足轻重的专家系统，以及当下盛行的知识图谱都是符号主义的成就；行为主义的贡献体现在机器人控制系统等方面。随着人工智能领域的不断拓展，不同的学术流派也开始日益脱离原先各自独立发展的轨道，逐渐走上了协同并进的新道路。常用的人工智能研究途径是: (1) 心理模拟，符号推演: 模拟人脑的逻辑思维，利用显式的知识和推理来解决问题，擅长实现人脑的高级认知功能。(2) 生理模拟，神经计算: 具有高度的并行分布型，很强的鲁棒性和容错性，擅长人脑的形象思维，便于实现人脑的低级感知功能。(3) 行为模拟，控制进化: 具有自学习、自适应、自组织特性的智能控制系统和智能机器人。(4) 群体模拟，仿生计算: 其成果可以直接付诸应用，解决工程问题和实际问题。(5) 自然计算: 模仿和借鉴自然界的某种机理而设计技术模型。本书是人工智能基础教材，介绍了人工智能的主要领域、基本概念、基本方法和基本应用。实际上，本书的每一章内容都是一个专门的研究领域，都有多种专著专门论述。本书内容仅反映了当前人工智能的基本内容，人工智能的内涵还将向聚合智能、自适应智能、隐形智能和智能增强方向外延。人工智能的应用将向人机混合智能系统、自主智能系统、人工智能产业等方向发展，智能机器人集合了人工智能各方面的技术，是人工智能水平的体现。本书在结构上为积木状，各章内容独立论述。由于作者水平有限，书中不足之处在所难免，敬请读者批评指正。

2023年9月