高等人工智能原理 : 观念•方法•模型•理论 / 钟义信著. -- 北京 : 科学出版社, 2014. -- (73.814 /8542) |
Contents
目 录<br>
前言
第一篇 总论:高等人工智能研究的科学观与方法论<br> 第1章 自然智能理论研究的启迪<br> 1.1 脑神经科学研究简介<br> 1.1.1 人类大脑与智能系统<br> 1.1.2 脑的组织学<br> 1.1.3 脑组织的细胞学<br> 1.2 认知科学研究简介<br> 1.2.1 感知
1.2.2 注意
1.2.3 记忆
1.2.4 思维
1.2.5 语言
1.2.6 情绪
1.3 脑科学与认知科学的融通:“全信息”科学观
1.3.1 脑神经科学与认知科学:存在“理论的断裂”<br> 1.3.2 认知科学研究:需要“全信息”,也能生成“全信息”<br> 1.4 小结与评注<br> 参考文献<br> 第2章 人工智能研究方法的变革<br> 2.1 人工智能研究鸟瞰
2.1.1 人工智能的基本概念<br> 2.1.2 “人工智能”含义的辨析
2.1.3 人工智能研究的历史与现状
2.2 科学研究方法的进化<br> 2.2.1 科学方法论的进化
2.2.2 科学方法论演进概要<br> 2.3 概念与方法的重审:开放复杂信息系统的科学方法论<br> 2.3.1 人工智能研究遭遇的科学方法论问题
2.3.2 人工智能研究的新型科学方法论
2.3.3 《高等人工智能原理》一书的知识结构
2.4 小结与评注<br> 参考文献<br> 第二篇 高等人工智能的基础理论
第3章 全信息理论<br> 3.1 基本概念
3.1.1 现有信息概念简评<br> 3.1.2 信息定义谱系:本体论信息与认识论信息
3.1.3 shannon信息:统计型语法信息
3.2 全信息的分类与描述<br> 3.2.1 信息的分类<br> 3.2.2 信息的描述<br> 3.3 信息的度量<br> 3.3.1 概率语法信息的测度:shannon概率熵<br> 3.3.2 模糊语法信息的测度:DeLucaTermin模糊熵<br> 3.3.3 语法信息的统一测度:一般信息函数<br> 3.3.4 全信息的测度
3.4 小结与评注<br> 参考文献<br> 第4章 知识理论
4.1 知识的概念、分类与表示
4.1.1 知识及其相关的基本概念<br> 4.1.2 知识的分类与表示
4.2 知识的度量<br> 4.2.1 针对“知识生成”的知识测度
4.2.2 针对“知识激活”的知识度量
4.3 知识的生态学
4.3.1 知识的内生态系统<br> 4.3.2 知识的外生态系统<br> 4.4 小结与评注<br> 参考文献<br> 第三篇 高等人工智能的主体理论<br> 第5章 感知、注意与记忆:第一类信息转换原理<br> 5.1 高等人工智能的系统模型与机制主义方法
5.1.1 高等人工智能的系统模型<br> 5.1.2 信息转换:高等人工智能系统的机制主义方法
5.2 第一类信息转换原理及感知与注意的生成机制
5.2.1 第一类信息转换原理:全信息的生成机理
5.2.2 重要的副产品:脑科学与认知科学的“搭界”<br> 5.2.3 第一类信息转换原理的应用:感知注意的生成机理
5.3 记忆系统的全信息机制
5.3.1 记忆系统的全信息存储
5.3.2 长期记忆系统的信息存储结构与提取方式
5.4 小结与评注<br> 参考文献<br> 第6章 意识、情感、理智与行为:第二类信息转换原理
6.1 基础意识的生成机制:第二类A型信息转换原理<br> 6.1.1 意识的含义<br> 6.1.2 基础意识的生成机制<br> 6.2 情感的生成机制:第二类B型信息转换原理<br> 6.2.1 基本概念
6.2.2 情感的分类<br> 6.2.3 情感生成的机制<br> 6.3 理智的生成机制:第二类C型信息转换原理<br> 6.3.1 理智的基本概念<br> 6.3.2 理智生成的机制<br> 6.3.3 综合决策
6.4 策略执行的机制:第二类D型信息转换原理<br> 6.4.1 策略表示
6.4.2 策略执行:从策略信息到策略行为的转换
6.5 小结与评注<br> 参考文献<br> 第四篇 高等人工智能与现行人工智能的关系
第7章 物理符号系统:规范知识支持的机制主义方法
7.1 形态性知识支持的智能生成方法
7.1.1 一般模型<br> 7.1.2 控制策略
7.2 内容性知识支持的机制主义方法
7.2.1 谓词逻辑
7.2.2 归谬推理
7.3 价值性知识支持的机制主义方法
7.3.1 启发式搜索<br> 7.3.2 博弈树搜索<br> 7.3.3 智能搜索与智能检索方法<br> 7.4 小结与评注<br> 参考文献<br> 第8章 人工神经网络:经验知识支持的机制主义方法
8.1 生物神经网络与人工神经网络<br> 8.1.1 人类智能与生物神经网络<br> 8.1.2 人工神经网络基础
8.2 前向神经网络及其应用
8.2.1 单层感知器<br> 8.2.2 多层感知器<br> 8.3 反馈神经网络
8.3.1 Hopfield模型
8.3.2 联想存储器:反馈型神经网络设计举例<br> 8.4 自组织神经网络<br> 8.5 小结与评注<br> 参考文献<br> 第9章 感知—动作系统:常识知识支持的机制主义方法<br> 9.1 传感
9.2 模式分类
9.2.1 统计识别方法
9.2.2 语言学方法<br> 9.2.3 神经网络方法
9.2.4 关于“模式理解”的提要
9.3 感知—动作系统<br> 9.3.1 感知—动作系统的总体原则
9.3.2 几个典型的感知—动作系统<br> 9.3.3 智能体:感知动作系统的变种<br> 9.4 小结与评注<br> 参考文献<br> 第五篇 应用问题择要
第10章 有关应用的几个共性课题<br> 10.1 自然语言理解
10.1.1 自然语言理解与自然语言处理
10.1.2 规则方法与统计方法<br> 10.1.3 领域广度与质量优度<br> 10.1.4 语言理解与信息理论<br> 10.1.5 全信息理论与自然语言理解
10.1.6 全信息自然语言理解方法论<br> 10.1.7 全信息自然语言理解方法论的应用
10.2 机器学习
10.2.1 学习的一般概念<br> 10.2.2 学习的一般理论<br> 10.2.3 几种常用的机器学习方法<br> 10.3 智能机器人和智能信息网络
10.3.1 智能机器人<br> 10.3.2 智能信息网络
10.3.3 智能技术的应用前景
10.4 小结与评注<br> 参考文献<br> 结语
索引