全国计算机等级考试模拟试题详解与模拟试卷.一级B

第1章人工翎能概述 11页 0

1.1人工智能及其研究目标 11页 0

1.1．1人工智能的定义 11页 0

1.1.2人工智能的研究目标 14页 0

1.2人工智能的产生与发展 14页 0

1.2.1孕育期 14页 0

1.2.2形成期 16页 0

1,2.3知识应用期 17页 0

1.2.4综合集成期 19页 0

1.3人工智能研究的基本内容及其特点 19页 0

1.3.1人工智能研究的羞本内容 19页 0

1.3.2人工智能研究的特点 21页 0

1.4人工智能的研究和应用顿城 22页 0

1.4.1机器学习 22页 0

1.4,2自然语育理解 23页 0

1.4.3专家系统 23页 0

1.4.4模式识别 23页 0

1.4.5计算机视觉 24页 0

1.4.6机器人学 25页 0

1.4.7博弈 26页 0

1.4.8自动定理证明 26页 0

1.4.9自动程序设计 27页 0

1.4,10智能控制 27页 0

1.4.11智能决策支持系统 27页 0

1.4.12人工神经网络 27页 0

1.4.13知识发现和数据挖掘 28页 0

1.4.14分布式人工智能 28页 0

1.5人工智能研究的不同学源及其争论 28页 0

1.5.1人工智能的三大学派 28页 0

1.5.2人工智能理论的争论 30页 0

1.5.3人工智能研究方法的争论 31页 0

1.6人工智能的近期发展分析 31页 0

习题 32页 0

第2章知识衰示 33页 0

2.1知识与知识表示的概念 33页 0

2.1.1知识 33页 0

2.1.2知识表示 36页 0

2.2一阶谓词逻辑表示法 37页 0

2.2.1一阶谓词逻辑表示的逻辑基础 38页 0

2.2.2谓词逻辑表示方法 41页 0

2.2.3谓词逻辑表示的应用 42页 0

2.2.4谓词逻辑表示的特性 46页 0

2.3产生式表示法 47页 0

2.3.1产生式表示的基本方法及特性 47页 0

2.3.2产生式系统的基本结构 48页 0

2.3.3产生式系统的基本过程 50页 0

2.3.4产生式系统的控制策略 51页 0

2.3.5产生式系统的类型 52页 0

2.3.6产生式系统的特点 53页 0

2.4语义网络表示法 54页 0

2.4.1语义网络的基本概念 55页 0

2.4.2事物和概念的表示 57页 0

2.4.3情况和动作的表示 59页 0

2.4.4逻辑关系的表示 61页 0

2.4.5语义网络的推理过程 62页 0

2.4,6语义网络表示法的特征 63页 0

2.5框架表示法 64页 0

2.5.1框架理论 64页 0

2.5.2框架和实例框架 64页 0

2.5.3框架系统 66页 0

2.5.4框架系统的问题求解过程 73页 0

2.5.5框架表示法的特性 74页 0

2.6脚本表示法 75页 0

2.6.1脚本的结构 75页 0

2.6．2脚本的推理 77页 0

2．7过程表示法 77页 0

2.7.1表示知识的方法 78页 0

2.7.2过程表示的问题求解过程 78页 0

2.7.3过程表示的特性 79页 0

2.8面向对象表示法 80页 0

2.8.1面向对象的基本概念和特征 80页 0

2.8.2知识的面向对象表示 81页 0

习题一 82页 0

第3章确定性推理 84页 0

3.1推理的基本概念 84页 0

3.1.1什么是推理 84页 0

3.1.2推理方法及其分类 84页 0

3.1.3推理的控制策略及其分类 87页 0

3.1.4正向推理 87页 0

3.1.5逆向推理 88页 0

3.1.6混合推理 90页 0

3.1.7推理的冲突消解策略 92页 0

3.2推理的逻辑基础 93页 0

3.2.1谓词公式的解释 93页 0

3.2.2谓词公式的永真性与可满足性 95页 0

3.2.3谓词公式的等价性与永真趁含性 95页 0

3.2.4谓词公式的范式 97页 0

3.2.51换与合 97页 0

3.3自然演绎推理 100页 0

3.4归结演绎推理 101页 0

3.4.1子句集及其化简 101页 0

3.4.2海伯伦理论 105页 0

3.4．3奋宾逊归结原理 108页 0

3.4.4归结演绎推理的归结策略 116页 0

3.4.5用归结反演求取问题的答案 119页 0

3.5基于规则的演绎推理 121页 0

3.5.1规则正向演绎推理 121页 0

3.5.2规则逆向演绎推理 125页 0

3.5.3规则双向演绎推理 128页 0

3.6规则演绎推理的剪枝策略 129页 0

习题 129页 0

第4章不确定与非单调推理 132页 0

4.1不确定性推理的基本概念 132页 0

4.1.1不确定性推理的含义 132页 0

4.1.2不确定性推理的基本问题 133页 0

4.1.3不确定性推理的类型 134页 0

4.2不确定性推理的概率论基础 135页 0

4.2.1样本空间与随机事件 135页 0

4.2.2事件的概率 136页 0

4.2.3全概率公式与ayes公式 137页 0

4.3确定性理论 138页 0

4.3.1可信度的概念 138页 0

4.3.2C-F模M 138页 0

4.3.3带加权因子的可信度推理 143页 0

4.4主观ayes方法 145页 0

4.4.1知识不确定性的表示 145页 0

4.4.2证据不确定性的表示 147页 0

4.4.3组合证据不确定性的计算 148页 0

4.4.4不确定性的更新 148页 0

4.4.5结论不确定性的合成 150页 0

4.5证据理论 152页 0

4.5.1D-S理论的形式描述 152页 0

4.5.2证据理论的推理模型 157页 0

4.5.3推理实例 161页 0

4.6可能性理论和模糊推理 163页 0

4.6.1模糊逻辑墓础 163页 0

4.6.2模糊知识表示 168页 0

4.6.3棋糊概念的匹配 171页 0

4.6.4模糊推理 171页 0

4.7非单调推理 175页 0

习题 176页 0

第5章搜策略 179页 0

5.1搜索的基本概念 179页 0

5.1.1搜索的含义 179页 0

5.1.2状态空间法 179页 0

5.1.3问题归约 182页 0

5.2状态空间的盲目搜索 185页 0

5.2.1一般图搜索过程 185页 0

5,2.2广度优先搜索 187页 0

5.2.3深度优先搜索 188页 0

5.2.4有界深度优先搜索 190页 0

5.2.5代价树搜索 191页 0

5.3状态空间的启发式搜索 193页 0

5.3.1启发性信息和估价函数 193页 0

5.3.2A算法 194页 0

5.3.3A’算法 195页 0

5.3.4A．算法应用举例 200页 0

5.4与／或树的盲目搜索 201页 0

5.4.1与／或树的一般搜索 201页 0

5.4.2与／或树的广度优先搜索 202页 0

5.4.3与城树的深度优先搜索 203页 0

5.5与／或树的启发式搜索 203页 0

5.5.1解树的代价与希1o树 204页 0

5.5.2与／或树的启发式搜索过程 205页 0

5.6博弈树的启发式搜索 206页 0

5.6.1概述 206页 0

5.6.2极大极小过程 207页 0

5.6.3a-p19枝 208页 0

习题 209页 0

第6章机骼学习 212页 0

6.1机器学习的基本概念 212页 0

6.1.1学习和机器学习 212页 0

6.1.2机器学习的发展过程 213页 0

6.1.3学习系统 214页 0

6.1.4机器学习的分类 218页 0

6.2机械式学习 218页 0

6.3指导式学习 219页 0

6.4归纳学习 220页 0

6.4.1归纳学习的类型 220页 0

6.4.2示例学习 221页 0

6.4.3观察与发现学习 224页 0

6.5荃于类比的学习 229页 0

6.5.1类比学习的概念 229页 0

6.5.2属性类比学习 230页 0

6.5.3转换类比学习 231页 0

6.6基于解释的学习 232页 0

6.6.1解释学习概述 232页 0

6.6.2解释学习的空间描述及学习棋型 233页 0

6.6.3解释学习的荃本原理 234页 0

6.6.4解释学习的羞本过程 234页 0

6.6.5领城知识的完普性 236页 0

习题 236页 0

第7章神经网络及连接学习 237页 0

7.1人工神经网络概述 237页 0

7.1.1生物神经元及脑神经系统的结构与特征 237页 0

7.1.2人工神经元及人工神经网络 239页 0

7.1.3人工神经网络的发展过程 241页 0

7.1.4人工神经网络的局限性 242页 0

7.2人工神经网络的互连结构及其学习机理 242页 0

7.2.1人工神经网络的互连结构 242页 0

7.2.2人工神经网络学习和记忆的心理学签础 244页 0

7.2.3人工神经网络的学习算法 244页 0

7.3感知器模型及其学习 247页 0

7.3.1MS知器模型 247页 0

7.3.2感知器的学习 247页 0

7.3.3有关感知器XOR问题求解的讨论 248页 0

7.4误差反向传播网络及其学习 250页 0

7.4.1B-P网络结构 250页 0

7.4.2B-P网络学习的传播公式 251页 0

7.4.3B-P网络的学习算法 252页 0

7.4.4B-P网络学习的讨论 253页 0

7.5Hopfield网络及其学习 253页 0

7.5.1Hopfield网络的结构 253页 0

7.5.2Hopfield模型的稳定性 254页 0

7.5.2Hopfield网络学习算法 254页 0

习题 255页 0

第8章自然语育理解 256页 0

8.1语言及其理解的基本概念 256页 0

8.1.1自然语言与自然语言理解 256页 0

8.1.2自然语言理解的研究任务 257页 0

8.1.3自然语言理解的发展 257页 0

8.1.4自然语言理解的层次 258页 0

8.2语法规则的表示方法 259页 0

8.2.1句子结构的表示 259页 0

8.2.2上下文无关文法 260页 0

8.2.3变换文法 261页 0

8.3语法分析 261页 0

8.3.1自顶向下与自底向上分析 261页 0

8.3.2扩充转移网络分析 263页 0

8.4语义的分析 266页 0

8.4.1语义文法 266页 0

8格文法 266页 0

8.5自然语言的生成 268页 0

8.6自然语言理解系统的层次模型 269页 0

习题 270页 0

第9章专家系统 271页 0

9.1专家系统的基本概念 271页 0

9.1.1什么是专家系统 271页 0

9.1.2专家系统的分类 271页 0

9.1.3专家系统的特点 275页 0

9.2专家系统的基本结构 275页 0

9.2.1知识库 276页 0

9.2,2数据库 276页 0

9.2.3推理机 276页 0

9.2.4解释机构 277页 0

9.2.5知识获取机构 277页 0

9.2.6用户界面 277页 0

9.3知识获取 278页 0

9.3.1知识获取的任务 278页 0

9.3.2知识获取方法的分类 279页 0

9.3.3’非自动知识获取 280页 0

9.3.4自动知识获取 281页 0

9.4专家系统的开发与评价 281页 0

9.4.1专家系统的开发条件 282页 0

9.4.2专家系统开发过程的生命期概念 283页 0

9.4.3专家系统开发过程的各个阶段 283页 0

9.4.4专家系统的评价 285页 0

9.5专家系统开发工具与环境 286页 0

9.5.1程序设计语言 286页 0

9.5.2知识工程语言 287页 0

9.5.3辅助型工具 289页 0

9.5.4支持工具 289页 0

9.5.5专家系统开发环境 290页 0

9.6专家系统的进一步发展 291页 0

9.6.1新一代专家系统的特征 291页 0

9.6.2分布式专家系统 292页 0

9.6.3协同式专家系统 292页 0

习题 293页 0

第10章智能决策支持系统 294页 0

10.1智能决策支持系统的基本概念 294页 0

10.1.1决策与决策过程 294页 0

10.1.2决策支持系统 294页 0

10.1.3智能决策支持系统 295页 0

10.2决策支持新技术 295页 0

10.2.1数据仓库 296页 0

10.2.2数据开采 297页 0

10.2.3数据仓库和数据开采的结合 298页 0

10.3智能决策支持系统的结构 299页 0

10.3.1智能决策支持系统的基本结构 299页 0

10.3.2智能决策支持系统的新结构体系 299页 0

习题 300页 0

参考文献 301页 0