人工智能技术电子书

版权页

前言

目录

第1章　绪论

1.1　人工智能技术概述

1.1.1　基本定义

1.1.2　发展历史

1.2　人工智能技术的基本内容

1.2.1　人工智能技术的主要学派

1.2.2　人工智能技术解决的主要问题与研究领域

1.2.3　人工智能技术的主要技术领域

1.3　人工智能技术的前沿与展望

1.4　学习的要点

第2章　专家系统

2.1　专家系统概述

2.1.1　专家系统的发展历程

2.1.2　专家系统的研究和应用意义

2.1.3　专家系统的定义

2.1.4　专家系统的工作流程

2.2　知识的表示方式

2.2.1　一阶谓词逻辑表示法

2.2.2　产生式表示法

2.2.3　语义网络表示法

2.2.4　框架表示法

2.3　专家系统的结构

2.3.1　知识库

2.3.2　推理机

2.3.3　人机界面

2.3.4　综合数据库

2.3.5　解释器

2.3.6　知识获取

2.4　专家系统的特点

2.5　专家系统的应用

2.6　专家系统开发工具

2.7　专家系统实例

2.7.1　振动监测、故障诊断技术中心系统

2.7.2　设备在线监测故障诊断专家系统

第3章　模糊控制技术

3.1　模糊技术概述

3.1.1　集合的概念

3.1.2　集合的表示方法

3.1.3　集合的运算

3.1.4　普通集合概念的局限

3.2　模糊集合

3.2.1　概念的引入

3.2.2　模糊集合的定义

3.2.3　模糊集合的表示方式

3.2.4　模糊集合的基本运算

3.3　隶属函数

3.4　模糊关系

3.4.1　模糊关系的基本概念

3.4.2　模糊关系的运算

3.5　模糊语言

3.6　模糊逻辑

3.7　模糊推理

3.8　二输入单输出问题

3.9　模糊控制

3.9.1　模糊控制的基本概念

3.9.2　模糊控制系统的基本结构

3.9.3　模糊控制系统的建立

3.9.4　模糊控制系统的运行

3.9.5　模糊系统的实现方式

3.10　模糊控制在工程技术中的应用实例

3.10.1　模糊全自动洗衣机

3.10.2　汽轮机模糊控制

第4章　粗糙集合及其应用

4.1　概述

4.1.1　粗糙集合理论的特点

4.1.2　粗糙集合理论的应用领域

4.2　粗糙集合基本理论

4.2.1　信息表

4.2.2　定义和运算

4.2.3　决策规则的发现步骤

4.3　粗糙集合在故障诊断技术中的应用

第5章　遗传算法

5.1　遗传算法概述

5.1.1　遗传算法的由来

5.1.2　遗传算法基本原理

5.1.3　基因操作

5.2　遗传算法的主要内容

5.2.1　编码

5.2.2　初始群体的设定

5.2.3　确定适应度函数

5.2.4　遗传算法关键参数的确定

5.2.5　遗传算法的基本过程和程序框图

5.2.6　遗传算法举例

5.3　应用实例

第6章　其他生物计算技术

6.1　蚂蚁算法

6.1.1　蚂蚁算法的基本原理

6.1.2　蚂蚁算法的基本内容

6.2　粒子群算法

6.2.1　粒子群算法原理

6.2.2　粒子群算法的基本流程

6.2.3　粒子群算法中参数的意义

6.3　基于免疫机理的故障诊断技术

6.3.1　生物免疫基本概念

6.3.2　机械故障诊断技术概况

6.3.3　免疫算法原理

6.3.4　基于距离判断的故障诊断免疫算法

6.3.5　故障诊断免疫算法实例

6.4　元胞自动机基于免疫机理的故障诊断技术

6.4.1　元胞自动机的基本概念

6.4.2　元胞自动机的扩展

6.4.3　元胞自动机在故障关联模式研究中的应用

第7章　神经网络技术及其应用

7.1　神经网络概述

7.1.1　神经网络的定义

7.1.2　发展历史

7.1.3　神经网络处理信息的特点

7.2　神经网络的技术背景

7.2.1　人脑的基本结构与功能

7.2.2　神经元的基本结构

7.3　脑处理信息的模型

7.3.1　神经元模型

7.3.2　神经元处理信号的过程

7.4　神经网络模型

7.4.1　神经网络结构分类

7.4.2　神经网络学习方式分类

7.4.3　神经网络动力学特性分类

7.5　神经网络的学习规则

7.5.1　Hebb学习

7.5.2　Delta学习

7.5.3　竞争学习

7.6　神经网络的实现方法

7.7　感知器

7.7.1　感知器结构

7.7.2　感知器方程

7.7.3　感知器网络训练过程

7.7.4　感知器网络运行过程

7.7.5　多类分类感知器

7.7.6　感知器应用实例

7.7.7　感知器网络性质的讨论

7.8　BP网络

7.8.1　BP网络基本结构

7.8.2　BP网络数学模型

7.8.3　BP网络的训练过程

7.8.4　BP网络的网络运行过程

7.8.5　BP网络算法程序流程

7.8.6　BP网络算法伪程序

7.8.7　BP网络性质讨论

7.8.8　BP网络应用实例

7.9　霍普菲尔德网络

7.9.1　霍普菲尔德网络基本结构

7.9.2　网络模型方程

7.9.3　网络的训练

7.9.4　网络的联想

7.9.5　应用实例

7.10　基于遗传算法的优化神经网络预测模型

7.10.1　遗传算法优化神经网络结构参数

7.10.2　遗传BP算法优化神经网络权值

7.10.3　样本的归一化处理

7.10.4　水泵机组状态趋势预测

第8章　深度学习

8.1　深度学习概述

8.1.1　概况

8.1.2　深度学习技术背景

8.2　深度学习的主要方法

8.3　自编码器

8.3.1　自编码器的基本算法

8.3.2　常用的自编码器模型

8.4　卷积神经网络

8.4.1　卷积神经网络概况

8.4.2　卷积网络的基本结构

8.4.3　卷积网络的基本算法

参考文献