人工智能经常被人们认为是计算机科学中一门高度复杂甚至令人生畏的学科。长期以来人工智能方面的书籍往往包含复杂矩阵代数和微分方程。本书基于作者多年来给没有多少微积分知识的学生授课时所用的讲义，假定读者没有编程经验，以简单易懂的方式介绍了智能系统的基础知识。
　　本书目前已经被国际上多所大学 (例如，德国的马格德堡大学、日本的广岛大学、美国的波士顿大学和罗切斯特理工学院) 采用为教材。 如果您正在寻找关于人工智能或智能系统设计课程的浅显易懂的入门级教材，如果您不是计算机科学领域的专业人员而又正在寻找介绍基于知识系统最新技术发展的自学指南，本书将是您的最佳选择。
　　本书的主要内容
　　●基于规则的专家系统　　　　　　　 ●进化计算
　　●模糊专家系统　　　　　　　　　　 ●混合智能系统
　　●基于框架的专家系统　　　　　　　 ●知识工程
　　●人工神经网络　　　　　　　　　　 ●数据挖掘

无

人工智能经常被人们认为是计算机科学中一门高度复杂甚至令人生畏的学科。长期以来人工智能方面的书籍往往包含复杂矩阵代数和微分方程。本书基于作者多年来给没有多少微积分知识的学生授课时所用的讲义，假定读者没有编程经验，以简单易懂的方式介绍了智能系统的基础知识。 　　本书目前已经被国际上多所大学 (例如，德国的马格德堡大学、日本的广岛大学、美国的波士顿大学和罗切斯特理工学院) 采用为教材。 如果您正在寻找关于人工智能或智能系统设计课程的浅显易懂的入门级教材，如果您不是计算机科学领域的专业人员而又正在寻找介绍基于知识系统最新技术发展的自学指南，本书将是您的最佳选择。 本书的主要内容 ●基于规则的专家系统 ●进化计算 ●模糊专家系统 ●混合智能系统 ●基于框架的专家系统 ●知识工程 ●人工神经网络 ●数据挖掘

“The only way not to succeed is not to try.”
　　—Edward Teller
　　又是一本人工智能的书……我已经见过很多同类书了，我为什么要理会它呢？它有什么与众不同之处吗？
　　每年，有成百上千本书和博士论文拓展着与计算机或人工智能的知识体系。专家系统、人工神经网络、模糊系统以及进化计算是应用于智能系统的主要技术，数百个工具支持着这些技术，数以千计的科学论文不断推进着该学科的发展。本书中的任何章节的内容都可以作为一本书的主题。然而，我想写一本能够阐述智能系统基础的书，更为重要的是消除大家对人工智能理论的恐惧心理。
　　大多数人工智能文献是采用计算机科学的专业术语进行描述的，其中充斥着大量复杂的矩阵代数和微分方程，这当然给人工智能理论带来了令人敬佩的气息，但同时也令非计算机科学的科学家对其敬而远之。不过，这种情况已经有所改变！
　　个人电脑已经成为我们日常生活中不可缺少的部分，我们把它用作打字机和计算器、日历和通信系统、交互式数据库以及决策支持系统。然而我们还渴望更多，希望计算机智能化！我们发现智能系统正快速地走出实验室，而我们想更好地利用它。
　　智能系统的原理是什么？它是如何构建的？智能系统的用处是什么？我们该如何选择适当的工具构建智能系统？这些问题都可以在本书中找到答案。
　　与许多介绍计算机智能的书不同，本书将智能系统背后的奥妙简单明了地展示给读者。它是基于面向不熟悉微积分知识的学生的讲义而编写的，读者甚至不用学习任何编程语言就可轻松理解！书中的素材已经经过笔者过去十年的教学实践的检验，写作中也考虑了学生们提出的典型问题和建议。
　　本书是一本计算机智能领域的入门书籍，内容包括基于规则的专家系统、模糊专家系统、基于框架的专家系统、人工神经网络、进化计算、混合智能系统以及知识工程。
　　总体来说，本书可作为计算机科学、计算机信息系统和工程专业的本科生的入门教材。我在教学过程中，会要求学生开发小型的基于规则和基于框架的专家系统，设计一个模糊系统，研究人工神经网络，并且解答一个简单的遗传算法问题。他们使用一些专家系统的核心程序（Leonardo、XpertRule、Level5 Object和Visual Rule Studio）、MATLAB的模糊逻辑工具包以及MATLAB的神经网络工具包。我选择这些工具的原因是使用它们能够便利地演示教学中的原理。然而，本书并不局限于任何特定的工具，书中给出的例子可以轻松地在不同的工具中实现。
　　本书也适合非计算机科学专业的相关人士自学。对于他们来说，本书提供了进入基于知识的系统和计算智能的前沿领域的钥匙。事实上，本书面向的专业读者群十分广泛：工程师和科学家、管理人员和商人、医生和律师，也就是所有面临挑战而又无法用传统的方法解决问题的人，所有想了解计算机智能领域的巨大成就的人。本书将帮助你实际了解智能系统的用途，发现与你的工作密切相关的工具，并最终学会如何使用这些工具。
　　本书分为9章。
　　在第1章，我们简要介绍人工智能的历史，包括从20世纪60年代的奇思妙想和大胆预测时代，到20世纪70年代早期的幻想破灭与经费削减时代；从20世纪70年代的诸如DENDRAL、MYCIN以及PROSPECTOR等第一代专家系统的开发，到20世纪80至90年代的成熟的专家系统技术及其在不同领域的大规模应用；从20世纪40年代的简单二进制神经元模型的提出，到20世纪80年代的人工神经网络领域梦幻般的复苏；从20世纪60年代的模糊集理论提出并被西方社会所忽视，到20世纪80年代日本人提供的众多“模糊”消费品，以及20世纪90年代的“软”计算和字符计算在世界范围内被广泛接受。
　　在第2章，我们概述基于规则的专家系统。该章简要讨论什么是知识以及专家如何以产品规则的形式表述他们的知识，介绍专家系统开发团队中的主要角色并展示基于规则系统的结构。讨论专家系统的基本特征并指出专家系统也可能出错。接下来，回顾前向和后向链接推理技术并讨论冲突的解决策略。最后将分析基于规则的专家系统的优缺点。
　　在第3章，我们介绍用于专家系统的两个不确定性管理技术：贝叶斯推理和确定因子。介绍不确定知识的主要来源并简要回顾概率理论，思考贝叶斯的证据累积方法并开发一个简单的基于贝叶斯方法的专家系统。然后讨论确定因子理论（流行的替代贝叶斯推理的理论）并开发一个基于证据推理的专家系统。最后，比较贝叶斯推理和确定因子理论并确定最适宜它们的应用领域。
　　在第4章，我们介绍模糊逻辑并讨论它背后的哲学思想。首先介绍模糊集的概念，考虑如何在计算机里表示一个模糊集并介绍模糊集的操作。定义语言变量和模糊限制语（hedge）。然后叙述模糊规则并解释传统规则和模糊规则的主要区别。探索两种模糊推理技术：Mamdani法和Sugeno法，并就它们适宜的应用领域给出建议。最后介绍开发一个模糊专家系统的主要步骤，并通过构建和调试模糊系统的具体过程来阐明其理论。
　　在第5章，我们概述基于框架的专家系统。将介绍框架的概念并讨论如何将框架用于知识表达，并阐明继承是基于框架系统的基本特征，还将讨论方法、演示和规则的应用。最后通过一个实例来介绍一个基于框架的专家系统的开发。
　　在第6章，我们介绍人工神经网络并讨论机器学习的基本思想。叙述作为一个简单的计算元素的感知器的概念，并思考感知器的学习规则，探索多层神经网络并讨论如何提高后向传送学习算法的计算效率。然后介绍循环神经网络，思考Hopfield网络训练算法和双向相关记忆（BAM）。最后介绍自组织神经网络并探讨Hebbian学习和竞争学习。
　　在第7章，我们概述进化计算。考虑遗传算法、进化策略和遗传编程。介绍开发一个遗传算法的主要步骤，讨论为什么遗传算法有效，并通过具体的遗传算法应用阐明其理论。然后叙述一个进化策略的基本概念并确定进化策略和遗传算法的不同点。最后考虑遗传编程以及它的实际应用。
　　在第8章，我们讨论结合不同智能技术的混合智能系统。首先介绍一个名为神经专家系统的新的专家系统，它将神经网络和基于规则的专家系统结合起来。然后考虑一个功能上等同于Mamdani模糊推理模型的神经模糊系统，以及一个功能上等同于Sugeno模糊推理模型的自适应神经模糊推理系统（ANFIS）。最后讨论进化神经网络和模糊进化系统。
　　在第9章，我们讨论知识工程和数据挖掘。首先讨论智能系统可以解决什么样的问题，并介绍知识工程过程的6个主要阶段。然后研究智能系统的典型应用，包括诊断、分类、决策支持、模式识别和预测。最后来研究数据挖掘中决策树的一个应用。
　　本书还包括一个附录和一个术语表。附录中提供了商业化的人工智能工具的列表，术语表则包含了250余条用于专家系统、模糊逻辑、神经网络、进化计算、知识工程以及数据挖掘领域的定义。
　　希望读者能与我共同分享人工智能和软计算学科所带来的乐趣并从本书中获益。
　　读者可以访问http://www.booksites.net/negnevitsky获得更多信息。
Michael Negnevitsky
　　2001年2月于澳大利亚
　　塔斯马尼亚州 霍巴特市
　　第2版序
　　本书与第1版的目的相同，即为读者提供一本能够实际理解计算机智能领域相关知识的教科书，它适合作为一个学期课程的入门教材，并且不要求学生具备编程经验。
　　在所涵盖的内容方面，第2版演示了用于解决特定问题的智能工具的几种新的应用。以下章节有所变化：
　　·在第2章，引入了一个新的基于规则的专家系统演示程序：MEDIA ADVISOR。
　　·在第9章，添加了一个新的使用竞争学习的神经网络分类的案例。
　　·在第9章，增加了“遗传算法可以解决的问题”一节，该节包括一个旅行商人问题的案例。
　　·还是在第9章，添加了“混合智能系统可以解决的问题”一节，该节包括以下两个案例：使用异类结构的神经模糊决策支持系统以及使用同类结构的自适应神经模糊推理系统。
　　最后，第2版还扩充了参考资料和参考书目，并更新了附录中的人工智能工具清单和厂商名册。
　　Michael Negnevitsky
　　2004年1月于澳大利亚
　　塔斯马尼亚州 霍巴特市

Michael Negnevitsky：Michael Negnevitsky: 澳大利亚塔斯马尼亚大学电气工程和计算机科学系教授。他的许多研究课题都涉及人工智能和软计算，一直致力于电气工程、过程控制和环境工程中智能系统的开发和应用。他著有200多篇论文、两本书，并获得了四项发明专利。

顾力栩 沈晋惠 等：暂无简介

有关人工智能的书有很多，而大多数的书都很难看懂。大量的专业词汇经常让初学者颇为苦恼，过多的数学描述和深奥的推导过程也使很多涉足不深的学生望而却步。这一直是我们在教学中经常感到困难的原因。在拿到本书的英文原书时，我便被作者通俗的描述和大量的案例所吸引，从而萌发了与大家共同分享阅读本书的快乐的念头。经过五个多月的努力，我们终于完成了本书的译稿，轻松和喜悦瞬间将连日来的辛苦打发得烟消云散了，这种感觉就如同细细品味一杯浓香的咖啡一般，在苦中回味出甜蜜。在先睹为快之余，我们也盼望本书能尽快面世，以便与同行们共同分享这份快乐。
　　本书是一本很好的人工智能入门书籍。它的第一个特色是浅显易懂，不仅对初学者来说易于入门，也非常适合非计算机背景相关学科的研究人员参考；第二个特色是涉及的内容较为全面，从专家系统到数据挖掘，几乎囊括了人工智能的所有领域知识，有利于读者全面了解人工智能的完整知识体系；第三个特色是提供了大量的案例，而这些案例都来源于作者多年来的教学实践，对于读者来说不仅易于理解，而且可以通过实际动手来体验知识的奥妙；第四个特色是提供了详尽的参考资料和文献，便于读者深入学习并扩展相关的领域知识，通过文献链接可以了解更多新的研究进展。此外，本书还在附录中提供了一系列商业化的人工智能工具，读者可以通过使用这些工具较快地实现人工智能在不同领域的应用。而术语表则包含了250余条用于专家系统、模糊逻辑、神经网络、进化计算、知识工程以及数据挖掘领域的定义，便于读者查询。
　　本书由顾力栩和沈晋惠共同翻译，施颖琦和裴巍为译文的校对付出了辛勤的劳动，在此表示由衷地感谢。由于译者自身知识的局限加之时间仓促，译文中的错误和遗漏在所难免，谨向原文作者和读者表示歉意，并敬请批评指正。
　　顾力栩
　　2007年1月于上海

出版者的话
专家指导委员会
译者序
序
第2版序
致谢

第1章　 基于知识的智能系统概述 1
1.1　 智能机器概述 1
1.2　 人工智能发展历史 3
1.3　 小结 12
复习题 14
参考文献 14
第2章　 基于规则的专家系统 17
2.1　 知识概述 17
2.2　 规则是一种知识表达技术 17
2.3　 专家系统研发团队中的主要参与者 19
2.4　 基于规则的专家系统的结构 20
2.5　 专家系统的基本特征 22
2.6　 前向链接和后向链接推理技术 23
2.7　 实例 27
2.8　 冲突的解决方案 32
2.9　 基于规则的专家系统的优缺点 34
2.10　 小结 35
复习题 36
参考文献 36
第3章　 基于规则的专家系统的
不确定管理 38
3.1　 不确定性简介 38
3.2　 基本概率论 39
3.3　 贝叶斯推理 42
3.4　 FORECAST：贝叶斯证据累积 44
3.5　 贝叶斯方法的偏差 50
3.6　 确定因子理论和证据推理 51
3.7　 FORECAST：确定因子的应用 54
3.8　 贝叶斯推理和确定因子的比较 56
3.9　 小结 57
复习题 57
参考文献 58
第4章　 模糊专家系统 60
4.1　 概述 60
4.2　 模糊集 61
4.3　 语言变量和模糊限制语 65
4.4　 模糊集的操作 67
4.5　 模糊规则 71
4.6　 模糊推理 73
4.7　 建立模糊专家系统 79
4.8　 小结 86
复习题 87
参考文献 88
参考书目 88
第5章　 基于框架的专家系统 91
5.1　 框架简介 91
5.2　 作为知识表达技术的框架 92
5.3　 基于框架系统中的继承 96
5.4　 方法和守护程序 99
5.5　 框架和规则的交互 101
5.6　 基于框架的专家系统实例：
Buy Smart 104
5.7　 小结 112
复习题 113
参考文献 113
参考书目 113
第6章　 人工神经网络 115
6.1　 人脑工作机制简介 115
6.2　 作为简单计算元素的神经元 117
6.3　 感知器 118
6.4　 多层神经网络 122
6.5　 多层神经网络的加速学习 129
6.6　 Hopfield神经网络 131
6.7　 双向相关记忆 136
6.8　 自组织神经网络 139
6.9　 小结 148
复习题 149
参考文献 150
第7章　 进化计算 152
7.1　 进化是智能的吗 152
7.2　 模拟自然进化 152
7.3　 遗传算法 153
7.4　 遗传算法如何工作 160
7.5　 实例：用遗传算法来维护计划 162
7.6　 进化策略 167
7.7　 遗传编程 168
7.8　 小结 174
复习题 175
参考文献 176
参考书目 176
第8章　 混合智能系统 178
8.1　 概述 178
8.2　 神经专家系统 179
8.3　 神经模糊系统 184
8.4　 ANFIS：自适应性神经模糊
推理系统 190
8.5　 进化神经网络 196
8.6　 模糊进化系统 200
8.7　 小结 203
复习题 204
参考文献 205
第9章　 知识工程和数据挖掘 207
9.1　 知识工程简介 207
9.2　 专家系统可以解决的问题 211
9.3　 模糊专家系统可以解决的问题 218
9.4　 神经网络可以解决的问题 222
9.5　 遗传算法可以解决的问题 231
9.6　 混合智能系统可以解决的问题 234
9.7　 数据挖掘和知识发现 241
9.8　 小结 249
复习题 250
参考文献 251
术语表 253
附录　 人工智能工具和厂商 267