技术教程

资源名称：人工智能的原理与方法 内容简介：         本书全面系统地介绍了人工智能的基础理论、基本方法和应用技术。内容涉及人工智能的基本概况和数学基础、知识表示、基于谓词的逻辑推理、不确定性理论、搜索策略、专家系统、神经网络、模式识别、机器学习、自然语言理解、智能决策系统以及智能计算机等。         《人工智能的原理与方法》全面系统地介绍了人工智能的基础理论、基本方法和应用技术，可作为本科生和研究生相关专业的教材，也可供有关科技人员参考。 资源目录： 第l章绪论1.1人工智能的概念1.1.1什么是人工智能？1.1.2为什么要研究人工智能？1.2人工智能的研究目标1.3人工智能的研究内容1.4人工智能的研究途径1.5人工智能的研究领域1.5.1问题求解（ProblemSolving）1.5.2专家系统（ExpertSystem-ES）1.5.3模式识别（PatternRecognition）1.5.4机器学习（MachineLearning）1.5.5自动定理证明（AutomatedMechanicalTheoryProving）1.5.6自然语言理解（NaturalLanguageUnderstanding）1.5.7自动程序设计（AutomaticProgramming）1.5.8智能机器人（IntelligentRobot）1.5.9智能决策系统（IntelligentDecisionSystem）1.5.10人工神经网络（ArtificialNeuralNetwork）1.6人工智能的发展概况习题1第2章人工智能语言2.1概述2.2函数型程序设计语言LISP2.2.1LISP语言的数据结构2.2.2LISP程序结构2.2.3基本函数2.2.4LISP语言中的递归和循环2.2.5LISP语言程序举例2.3逻辑型程序设计语言PROLOG2.3.1PROLOG的三种基本语句2.3.2PROLOG的基本数据结构2.3.3PROLOG的程序设计原理2.3.4PROLOG程序应用举例2.4面向对象程序设计语言Smalltalk2.4.1基本概念和对象2.4.2消息模式和消息表达式2.4.3语句和程序块2.4.4程序流程控制2.4.5类库和类定义习题2第3章人工智能的数学基础3.1命题逻辑与谓词逻辑3.1.1命题3.1.2谓词3.1.3谓词公式3.1.4谓词公式的解释3.1.5谓词公式的等价性与永真蕴涵3.2多值逻辑3.3概率论3.3.1随机现象3.3.2样本空间与随机事件3.3.3事件概率3.3.4条件概率3.3.5全概率公式与Bayes公式3.4模糊理论3.4.1模糊概念3.4.2模糊集合与隶属函数3.4.3模糊集的表示方法3.4.4模糊集的运算3.4.5模糊集的λ水平截集3.4.6分解定理与扩张原理3.4.7模糊关系及其合成3.4.8模糊变换习题3第4章知识与知识表示4.1知识的基本概念4.1.1知识的特征4.1.2知识的分类和表示4.2一阶谓词逻辑表示法4.2.1什么是一阶谓词？4.2.2一阶谓词逻辑表示法的特点4.3产生式表示法4.3.1产生式系统的定义和组成4.3.2产生式系统的分类4.3.3产生式系统的控制策略4.3.4产生式系统的推理过程4.4框架表示法4.4.1框架的概念4.4.2框架的表达能力4.4.3基于框架的推理4.5语义网络表示法4.5.1语义网络的概念4.5.2语义网络的表达能力4.5.3基于语义网络的推理4.5.4语义网络表示法的特点4.6过程表示法4.7脚本表示法4.8面向对象表示法4.8.1面向对象的基本概念4.8.2面向对象表示法的特点4.9Petri网表示法习题4第5章基本谓词的逻辑推理5.1谓词逻辑的演绎推理方法5.2归结原理5.2.1子句5.2.2代换与合5.2.3命题逻辑中的归结原理5.2.4谓词逻辑中的归结原理5.2.5基于归结的问题的求解方法5.2.6归结策略5.3与/或形演绎推理5.3.1与/或形正向演绎推理（FR）5.3.2与/或形逆向演绎推理（BR）5.3.3与/或型双向演绎推理习题5第6章不确定性与不确定推理6.1基本概念6.1.1什么是不确定性推理？6.1.2不确定性推理中的基本问题6.1.3不确定性推理方法的分类6.2概率方法6.2.1经典概率方法6.2.2逆概率方法6.3主观Bayes方法6.3.1知识不确定性的表示6.3.2证据不确定性的表示6.3.3组合证据不确定性的算法6.3.4不确定性的传递算法6.3.5结论不确定性的合成算法6.4可信度方法6.4.1可信度的概念6.4.2C-F模型6.4.3带有阚值限度的不确定性推理6.5模糊推理6.5.1模糊命题6.5.2模糊知识的表示6.5.3模糊匹配与冲突消解6.5.4简单模糊推理的基本模式习题6第7章搜索策略7.1基本概念7.1.1什么是搜索？7.1.2状态图表示法7.1.3与/或图表示法7.2状态图搜索技术7.2.1图搜索的基本概念7.2.2宽度优先搜索7.2.3深度优先搜索7.2.4有限深度优先搜索7.2.5启发式搜索第8章专家系统第9章神经网络第10章模式识别第11章机器学习参考文献 资源截图：

资源名称：现代机器人学 内容简介：        现代机器人学内容十分繁杂。本书围绕仿生系统的运动、感知与控制，主要阐述生物系统的运动机理以及仿生系统运动的实现方法。全书共分十章。首先，从生物系统的运动系入手，通过研究人体骨、肌和软件组织及其相应的力学性质来阐述生物体的运动机理；通过对生物运动学和动力学特性的分析建立生物体的运动模型；在讨论了生物体感觉系统模型以及生物体多源信息融合的基础上，给出了仿生系统感知信息融合的原理与方法以及仿生系统常用的感知器和致动器。其次，着重讨论了现代机大人系统的神经控制、认知控制和自主控制的原理及其实现方法以及进化算法与人工生命问题。最后，给出了各种仿生系统的实例。本书可供生物工程、机器人学、自动控制等有关专业的科研人员和工程技术人员参考，也可供高学院相关专业教师、研究生和大学生作教学参考书。 作者简介：郭巧，1957年毕业于哈尔滨工业大学，获工学学士学位；1986年毕业于哈尔滨工业大学，获工学硕士学位；1990年初毕业于北京理工大学，获工学博士学位；1990年至1992年在中国科学院系统科学研究所博士后流动站工作；1992年至1994年在美国俄亥俄州立大学以博士后身份从事客座 资源目录： 第一章 生物体运动系1.1 概述1.2 骨及其力学性能1.3 生物软组织及其力学性能1.4 骨连结及其力学性能1.5 肌及其力学性能第二章 生物运动学2.1 运动动作分析2.2 运动动作的分类2.3 人体动力学分析2.4 跳跃运动分析2.5 步行运动分析2.6 爬行运动分析第三章 生物体系统运动模型3.1 类人型运动模型3.2 四足动物运动模型3.3 爬行动物运动模型第四章 感觉系统模型与感知信息融合4.1 生物体感觉系统生理梗概4.2 生物体瞳孔尺度控制模型4.3 生物体视细胞模型4.4 生物体侧抑制模型4.5 生物体感受野模型4.6 视觉计算模型4.7 生物系统的集成传感信息处理4.8 仿生系统信息融合的原理与实现方法4.9 信息融合系统的结构第五章 仿生系统常用感知器与致动器5.1 仿生系统对感知器和致动器的要求5.2 运动传感器5.3 力与力矩传感器5.4 接近觉感知器5.5 触觉感知器5.6 液压致动5.7 气压致动5.8 电气致动5.9 新型致动装置第六章 神经控制6.1 运动神经控制机理6.2...

资源名称：模式识别与智能计算-matlab技术实现 内容简介：         《模式识别与智能计算:Matlab技术实现》广泛吸取统计学、神经网络、数据挖掘、机器学习、人工智能、群智能计算等学科的先进思想和理论，将其应用到模式识别领域中；以一种新的体系，系统、全面地介绍模式识别的理论、方法及应用。全书共分为13章，内容包括：模式识别概述，特征的选择与提取，模式相似性测度，贝叶斯分类器设计，判别函数分类器设计，神经网络分类器设计（BP神经网络、径向基函数冲经网络、自组织竞争神经网络、慨率神经网络、对向传播神经网络、反馈型神经网络），决策树分类器，粗糙集分类器，聚类分析，模糊聚类分析，遗传算法聚类分析，蚁群算法聚类分析，粒子群算法聚类分析。 资源目录： 第1章 模式识别概述第2章 特征的选择与提取第3章 模式相似性测度第4章 基于概率统计的贝叶斯分类器设计第5章 判别函数分类器设计第6章 神经网络分类器设计第7章 决策树分类器第8章 粗糙集分类器 第9章 聚类分析第10章 模糊聚类分析第11章 遗传算法聚类分析 第12章 蚁群算法聚类分析第13章 粒子群算法聚类分析 参考文献 资源截图：