基于包含的不確定推理

第1章　緒論
　1.1　人工智能及其推理特征
　1.2　常識推理的基本內(nèi)容
　1.3　不確定推理原理與方法
　1.4　本書的結(jié)構(gòu)
第2章　測試與信息
　2.1　經(jīng)典集合與模糊集合
　2.2　粗糙集與隨機集
　2.3　模糊測試及其性質(zhì)　
　2.4　概率測試與貝葉斯公式　
　2.5　信任測試與似然測試　
　2.6　可能性測試與必然性測試　
　2.7　模糊測試各類之間的關(guān)系
　2.8　不確定性度量與信息
第3章　包含度理論　
　3.1　包含度的定義及其性質(zhì)　
　3.2　包含度的生成方法
　3.3　相似度及其在專家系統(tǒng)檢索中的應(yīng)用
　3.4　包含度在關(guān)系數(shù)據(jù)庫中的應(yīng)用
　3.5　包含度在形式背景中的應(yīng)用
　3.6　蘊涵度及其在中確定推理中的應(yīng)用
　3.7　專家系統(tǒng)中證據(jù)的合成、傳播與修正　
　3.8　關(guān)系數(shù)據(jù)庫的隨機集表示
第4章　概率推理
　4.1　概率推理原理
　4.2　貝葉斯網(wǎng)絡(luò)概率推理
　4.3　主觀貝葉斯概率推理
　4.4　主觀貝葉斯概率推理的討論
　4.5　主觀概率推理的包含度方法
　4.6　MYCIN確定因子概率推理方法
　4.7　MYCIN確定因子的模糊擴張
　4.8　概率推理的區(qū)間估計　
第5章　證據(jù)推理
　5.1　證據(jù)推理原理
　5.2　關(guān)于證據(jù)推理的進一步討論
　5.3　證據(jù)推理模式　
　5.4　形式背景上的證據(jù)推理
　5.5　模糊形式背景上的證據(jù)推理
　5.6　隨機關(guān)系數(shù)據(jù)庫上的證據(jù)推理
　5.7　基于隨機集的證據(jù)理論　
　5.8　基于粗糙集的證據(jù)理論
第6章　模糊推理
　6.1　模糊推理原理
　6.2　宏觀模糊推理
　6.3　微觀模糊推理
　6.4　Mamdani模糊推理
　6.5　Lukasiewicz多值邏輯的模糊化
　6.6　Mamdani模糊真值推理
　6.7　Mamdani模糊推理的神經(jīng)網(wǎng)絡(luò)算法
　6.8　模糊規(guī)則的協(xié)調(diào)性與矛盾規(guī)則的排除
第7章　信息推理
　7.1　信息推理原理
　7.2　合情推理信息模型
　7.3　概率命題的合情推理
　7.4　關(guān)系數(shù)據(jù)庫上的合情推理
　7.5　關(guān)系數(shù)據(jù)庫上的知識約簡
　7.6　假設(shè)生成與創(chuàng)新思維
　7.7　默認(rèn)推理的包含度解釋　
　7.8　知識庫的維護與修正
第8章　計算推理
　8.1　計算推理原理
　8.2　單位敬意上的正則蘊涵算子
　8.3　命題格以及命題格上的包含度
　8.4　命題格上的真度理論　
　8.5　命題格上的計算推理理論　
　8.6　命題格上的近似推理
參考文獻
常用符號
索引