認(rèn)知相關(guān)性與智能模型構(gòu)造的系統(tǒng)觀點

前言第1章 引言：人工智能中的一些基本問題 1.1 人工智能受到的批評 1.2 人工智能中的幾個基本問題 1.3 人工智能需要一個更廣泛的背景 1.4 智能的心理表現(xiàn)與生理基礎(chǔ) 1.5 本書的邏輯演進(jìn)關(guān)系第2章 認(rèn)知相關(guān)性及其在人工智能背景下的意義 2.1 從形式推理到語義推理 2.1.1 形式推理及其困難 2.1.2 語義推理 2.2 認(rèn)知相關(guān)性 2.2.1 模式相似性 2.2.2 語義相關(guān) 2.2.3 連貫性 2.2.4 繼承性 2.2.5 協(xié)作性 2.3 認(rèn)知相關(guān)性對人工智能的意義 2.3.1 系統(tǒng)和整體的智能觀 2.3.2 知識的依賴性為什么重要 2.4 人工智能模型在認(rèn)知科學(xué)背景下應(yīng)滿足的約束 2.5 本章小結(jié)第3章 人工智能的關(guān)鍵：表示 3.1 從知識表示到表示：人工智能認(rèn)識論上的進(jìn)步 3.1.1 知識表示與表示是不同的 3.1.2 表示反映了對客觀真實的認(rèn)識 3.1.3 人工智能認(rèn)識論上的進(jìn)步 3.2 表象式直接表示 3.2.1 非符號化直接表示 3.2.2 視知覺研究 3.2.3 表象式直接表示 3.2.4 相關(guān)的問題 3.3 實踐：基于結(jié)構(gòu)學(xué)習(xí)和迭代自映射的自聯(lián)想記憶模型 3.3.1 結(jié)構(gòu)學(xué)習(xí)與權(quán)值學(xué)習(xí)不同 3.3.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 3.3.3 網(wǎng)絡(luò)結(jié)構(gòu)和迭代過程的數(shù)學(xué)描述 3.3.4 實驗結(jié)果 3.3.5 相關(guān)的問題 3.4 本章小結(jié)第4章 智能模型構(gòu)造的發(fā)展觀 4.1 常識：知識獲取的瓶頸 4.1.1 常識問題的由來 4.1.2 造成常識問題的原因 4.2 對策：智能系統(tǒng)構(gòu)造的發(fā)展觀 4.3 發(fā)展心理學(xué)與智能系統(tǒng)構(gòu)造 4.3.1 依賴性源于發(fā)展性 4.3.2 發(fā)展心理學(xué)的啟示 4.4 本章小結(jié)第5章 實例：言語的計算結(jié)構(gòu)研究 5.1 本研究與傳統(tǒng)計算語言學(xué)的不同 5.2 言語的心理語言學(xué)框架 5.3 基于知覺加工模式的發(fā)展式分詞算法 5.3.1 從認(rèn)知心理學(xué)的角度看待自然語言理解問題 5.3.2 基于語言發(fā)展規(guī)律的分詞模型 5.3.3 基于知覺加工雙向過程的分詞算法 5.3.4 實例分析 5.3.5 相關(guān)討論 5.4 基于參照的對詞結(jié)構(gòu)操作語義的歸納學(xué)習(xí) 5.4.1 語言獲得過程中的發(fā)現(xiàn)學(xué)習(xí) 5.4.2 基于參照的詞結(jié)構(gòu)的操作語義 5.4.3 操作語義的表達(dá) 5.4.4 基于參照的歸納發(fā)現(xiàn)學(xué)習(xí)算法 5.4.5 相關(guān)討論 5.5 本章小結(jié)第6章 基于連通結(jié)構(gòu)與矩陣特征向量的聯(lián)想記憶雙層模型 6.1 引言 6.2 直接表達(dá) 6.3 動力學(xué)過程與連通結(jié)構(gòu) 6.4 隨機連接的雙層網(wǎng)絡(luò)結(jié) 6.5 單個神經(jīng)元的動力學(xué)過程算法 6.5.1 單個神經(jīng)元的動力學(xué)特征 6.5.2 基于矩陣特征值的單個神經(jīng)元結(jié)構(gòu)學(xué)習(xí)算法 6.6 自主的、并行分布式連通求取算法 6.7 實驗結(jié)果 6.7.1 回憶與糾錯實驗 6.7.2 連通結(jié)構(gòu)建立的速度與規(guī)模 6.7.3 學(xué)習(xí)次數(shù)與連通程度的對比 6.8 容量與糾錯率分析 6.9 本章小結(jié)第7章 神經(jīng)系統(tǒng)動力學(xué)模型及動力學(xué)過程對認(rèn)知操作的廣泛表達(dá)意義 7.1 心理活動的外觀與內(nèi)部基礎(chǔ) 7.2 基于激勵均勢擴散模式的網(wǎng)絡(luò)結(jié)構(gòu)組織模型 7.3 神經(jīng)元動力學(xué)行為的數(shù)學(xué)描述 7.4 激勵浸潤與網(wǎng)絡(luò)集群動力學(xué)過程的數(shù)學(xué)描述 7.5 基于結(jié)構(gòu)特征的記憶編碼算法 7.6 網(wǎng)絡(luò)的性能分析 7.6.1 穩(wěn)定性分析 7.6.2 回憶成功率分析 7.6.3 記憶容量分析 7.7 動力學(xué)過程對認(rèn)知操作的廣泛表達(dá)意義第8章 人工智能的神經(jīng)系統(tǒng)動力學(xué)融合表示模型研究 8.1 引言：不能融合的傳統(tǒng)人工智能模型 8.2 基于神經(jīng)系統(tǒng)動力學(xué)的直接表達(dá) 8.3 研究目標(biāo)、內(nèi)容與方法第9章 初級皮層提供的表征基礎(chǔ) 9.1 引言 9.1.1 研究意義 9.1.2 國內(nèi)外研究情況綜述 9.1.3 本章工作 9.2 背景知識與生理依據(jù) 9.2.1 早期視覺系統(tǒng)簡介及視皮層基本結(jié)構(gòu) 9.2.2 視網(wǎng)膜水平層次結(jié)構(gòu)簡介 9.2.3 外膝體基本結(jié)構(gòu) 9.2.4 初級視皮層結(jié)構(gòu)簡介 9.2.5 早期視覺系統(tǒng)通路結(jié)構(gòu)簡介 9.3 計算模型設(shè)計與實現(xiàn) 9.3.1 早期視覺系統(tǒng)模型 9.3.2 視網(wǎng)膜、外膝體層的模擬 9.3.3 方位柱的模擬實現(xiàn) 9.3.4 顏色通道的模擬實現(xiàn) 9.4 實驗系統(tǒng)設(shè)計與分析 9.4.1 計算模型的設(shè)計驗證 9.4.2 過程與結(jié)果的驗證 9.4.3 高階功能探索實驗 9.5 討論第10章 進(jìn)一步的研究 10.1 基于生物視覺結(jié)構(gòu)的視知覺研究 10.2 言語的計算結(jié)構(gòu)研究參考文獻(xiàn)