智能系統(tǒng)：結(jié)構(gòu)、設計與控制

第1章 自然和人造系統(tǒng)中的智能
1.1 引言
1.2 智力與智能概念進展的簡單綜述
1.3 智能系統(tǒng)：我們能從非智能系統(tǒng)中區(qū)分出智能系統(tǒng)嗎
1.4 智能：行為與交流的產(chǎn)物和工具
1.4.1 有益的行為
1.4.2 有效的符號表示
1.4.3 基本作用回路
1.5 自動性的演變過程
1.5.1 學習自動性
1.5.2 自動性的概念以及它是怎樣學習的
1.5.3 從反射和規(guī)則到程序
1.5.4 從程序到自組織
1.6 從代理體到多標度代理群體
1.6.1 代理體的概念及其在技術(shù)發(fā)展中的地位
1.7 認知代理體和結(jié)構(gòu)
參考文獻
習題
第2章 智能系統(tǒng)的理論基礎
2.1 智能系統(tǒng)結(jié)構(gòu)的數(shù)學框架
2.1.1 離散數(shù)學在發(fā)展智能系統(tǒng)形式理論中的作用
2.1.2 離散數(shù)學應用于什么對象
2.1.3 離散數(shù)學做什么？我們的目標是什么
2.2 智能系統(tǒng)和過程的形式模型
2.2.1 多分辨率演算的基本過程
2.2.2 現(xiàn)有的集合定義
2.2.3 什么是狀態(tài)？它與對象概念的關系如何？什么是變化
2.2.4 用GFS三元組形成新的對象
2.2.5 對象之間的關系：什么是關系？關系的特性是什么？關系是可測的嗎
2.2.6 表示方法和現(xiàn)實情況
2.2.7 自動機形式的模型：基本的代理體
2.2.8 多分辨率自動機
2.2.9 智能系統(tǒng)的自治與目標定向
2.3 必要的術(shù)語和假設
2.3.1 坐標、轄域和分辨率
2.3.2 狀態(tài)和狀態(tài)空間
2.3.3 從對象到實體
2.3.4 簇和類
2.3.5 不可分辨性
2.3.6 表示方法
2.4 對象的建立和特征
2.4.1 新類的形成
2.4.2 回歸遞階結(jié)構(gòu)和表示的變態(tài)遞階結(jié)構(gòu)
2.5 從現(xiàn)實中抽取實體
2.5.1 組成分量的自然分組
2.5.2 在科學過程中的分組
2.5.3 分組導致了多分辨率結(jié)構(gòu)
2.5.4 抽象、集結(jié)和泛化的區(qū)別
2.6 分組+過濾+搜索：自組織的基本單元
2.6.1 GFS的概念
2.6.2 GFS的作用
2.7 相對智能與它的進化
2.8 自然界和表示中關于構(gòu)造過程的相似性
2.8.1 相似性問題
2.8.2 關于構(gòu)造的應用算法之間的相似性
2.9 智能系統(tǒng)結(jié)構(gòu)的符號語言框架
2.9.1 什么是符號語言學
2.9.2 符號閉包
2.9.3 指號過程：符號系統(tǒng)中的學習過程
2.9.4 映像與意識
參考文獻
習題
第3章 知識的表示
3.1 表示自然界的問題
3.1.1 多姿多彩的現(xiàn)實世界
3.1.2 認識論
3.1.3 知識理論的演變
3.1.4 符號語言學及其前景
3.2 什么是知識
3.2.1 知識現(xiàn)象
3.2.2 與知識有關的術(shù)語
3.2.3 存儲知識
3.2.4 為什么出現(xiàn)知識表示的需求
3.3 大腦中知識的表示：獲取自動化
3.3.1 基本信息處理單元：神經(jīng)元
3.3.2 搜索和存儲模式的系統(tǒng)：神經(jīng)元網(wǎng)絡
3.4 大腦的感知和符號表示
3.4.1 一般性評論
3.4.2 感知圖像
3.4.3 大腦中的符號表示
3.5 參考坐標系、想像力和洞察力
3.6 知識表示、實體和相關結(jié)構(gòu)的原理
3.6.1 嵌套遞階的知識構(gòu)成
3.6.2 知識表示原理的定義與假設
3.6.3 知識相關的ELF作用機制的定義
3.6.4 實體的類型與類別
3.6.5 D結(jié)構(gòu)的一般特征
3.6.6 標簽的性質(zhì)
3.7 知識的多分辨率特征及其復雜性
3.7.1 狀態(tài)空間的分解
3.7.2 準確度
3.7.3 知識的嵌套
3.7.4 構(gòu)建多尺度知識表示的遞歸算法
3.8 知識表示的虛擬現(xiàn)象
3.8.1 瞬時感知處理的表示
3.8.2 中間表示
3.8.3 長期記憶的表示
參考文獻
習題
第4章 參考結(jié)構(gòu)
4.1 參考結(jié)構(gòu)的組成部件
4.1.1 執(zhí)行器
4.1.2 傳感器
4.1.3 感知處理
4.1.4 環(huán)境模型
4.1.5 判值
4.1.6 行為生成
4.2 智能系統(tǒng)參考結(jié)構(gòu)的演變
4.3 水平“同層次”連接的遞階結(jié)構(gòu)
4.4 分辨率的層次
4.5 體系結(jié)構(gòu)的神經(jīng)部件
4.6 行為生成的遞階結(jié)構(gòu)
4.6.1 智能機器人自底向上的例子
4.7 多分辨率結(jié)構(gòu)的分析
4.7.1 基本作用回路（ELF）
4.7.2 ELF的基本分解
4.7.3 ELF的遞階結(jié)構(gòu)：NIST-RCS的本質(zhì)
4.7.4 集成的NIST-RCS模塊
4.8 基于代理體的參考結(jié)構(gòu)
4.8.1 智能軟件的基本單元
4.8.2 基于代理體層次的作用
參考文獻
習題
第5章 動機、目標與判值
5.1 內(nèi)部需求與外部目標
5.1.1 神經(jīng)生理學模型
5.1.2 從本能到動機到驅(qū)動再到情感
5.1.3 動機
5.1.4 從動機到目標
5.1.5 各種方法
5.1.6 “目標”概念的發(fā)展
5.1.7 目標形成與比較的認知理論
5.2 判值
5.2.1 一般定義
5.2.2 （腦）邊緣系統(tǒng)
5.2.3 值狀態(tài)變量
5.2.4 VJ模塊
5.2.5 值狀態(tài)變量的映射圖覆蓋
5.3 達到目標：利用變分法的優(yōu)化
5.3.1 符號和基本前提
5.3.2 線性化的三階對象：DC電機模型
5.3.3 通過變分法進行優(yōu)化
5.3.4 結(jié)果與討論
參考文獻
習題
第6章 感知處理
6.1 層內(nèi)和層間的處理
6.1.1 集注（GFS的F）
6.1.2 建立分組假設（GFS中的G和S）
6.1.3 分組假設的計算屬性（GFS中的G）
6.1.4 選擇和確認（GFS中的S）
6.1.5 實體的分類、識別和組織
6.2 作為層次模塊的感知處理
6.2.1 信息源
6.2.2 狀態(tài)空間的棋盤格化：采樣
6.2.3 噪聲、不確定性和模糊性
6.2.4 假設的建立和測試
6.2.5 初始化
6.3 感知處理的遞階結(jié)構(gòu)
6.3.1 SP中自然出現(xiàn)的表示的遞階結(jié)構(gòu)
6.3.2 在最高分辨率的兩個相鄰層次的處理
6.3.3 在上面的層次發(fā)生了什么
6.4 感知處理的多分辨率實質(zhì)
參考文獻
習題
第7章 行為生成
7.1 多分辨率行為生成的基本概念
7.1.1 定義
7.1.2 行為生成：從泛化到實例化的回歸綜合
7.2 BG結(jié)構(gòu)
7.2.1 虛擬回路
7.2.2 實時控制和規(guī)劃：不確定源怎樣影響它們
7.2.3 虛擬ELF的嵌套
7.3 多分辨率控制的策略：嵌套遞階結(jié)構(gòu)的生成
7.3.1 規(guī)劃-控制的離線決策過程
7.3.2 在線決策期間嵌套的遞階信息的細化
7.3.3 嵌套的模塊
7.4 行為生成的整體組織
7.4.1 計算行為的主要概念
7.4.2 BG 模塊
7.4.3 行為生成的實際例子
7.4.4 對實際例子的泛化：理論概述
7.4.5 多分辨率遞階規(guī)劃的算法（NIST-RCS規(guī)劃器）
7.4.6 BG模塊綜述
7.5 規(guī)劃器
7.5.1 規(guī)劃的計算過程
7.5.2 規(guī)劃器的功能和認識論
7.5.3 在多分辨率空間中規(guī)劃與在抽象空間中規(guī)劃
7.5.4 任務空間中的規(guī)劃和運動規(guī)劃
7.5.5 反應決策與謹慎決策
7.5.6 規(guī)劃器的內(nèi)部包含什么
7.6 執(zhí)行器的結(jié)構(gòu)和作用
7.6.1 處理規(guī)劃的結(jié)果
7.6.2 執(zhí)行器的結(jié)構(gòu)
7.6.3 執(zhí)行器的操作
7.6.4 作為任務發(fā)生器的執(zhí)行器
7.7 結(jié)論：在智能系統(tǒng)中集成BG模塊
參考文獻
習題
第8章 多分辨率規(guī)劃：理論框架
8.1 規(guī)劃概述
8.1.1 規(guī)劃領域中主要成果的概述
8.1.2 與規(guī)劃相關的定義
8.1.3 規(guī)劃是控制的一個階段
8.2 規(guī)劃中出現(xiàn)的問題
8.2.1 行為生成的一般問題
8.2.2 問題的結(jié)構(gòu)源
8.2.3 表示和規(guī)劃
8.2.4 智能系統(tǒng)中規(guī)劃問題的分類
8.3 動作規(guī)劃和狀態(tài)規(guī)劃
8.3.1 規(guī)劃算法
8.3.2 基于可視性的規(guī)劃
8.3.3 局部規(guī)劃：環(huán)境表示的勢場
8.3.4 全局規(guī)劃：搜索軌跡
8.4 規(guī)劃和學習之間的聯(lián)系
8.4.1 學習是表示的源泉
8.4.2 規(guī)劃和學習之間的相互關系
8.5 行為生成體系結(jié)構(gòu)中的規(guī)劃
8.5.1 規(guī)劃的遞階多分辨率組織
8.5.2 實例研究：自主車的駕駛儀
8.6 多分辨率空間中的路徑規(guī)劃
8.6.1 狀態(tài)空間的表示
8.6.2 專家規(guī)則/啟發(fā)式
8.6.3 減少計算時間的技術(shù)
8.6.4 實驗結(jié)果
8.7 多分辨率規(guī)劃—提高行為生成效率的工具
8.7.1 多分辨率規(guī)劃體現(xiàn)系統(tǒng)的智能
8.7.2 多分辨率規(guī)劃降低了計算的復雜度
8.7.3 一般的S3搜索算法用于復雜度降低的規(guī)劃
8.7.4 棋盤格化
8.7.5 表示的測試
8.7.6 搜索
8.7.7 連續(xù)細化
8.7.8 復雜度的評估
參考文獻
習題
第9章 規(guī)劃器/執(zhí)行器模塊的多分辨率遞階結(jié)構(gòu)
9.1 混合控制遞階結(jié)構(gòu)
9.2 理論基礎
9.3 標準的混合規(guī)劃器/執(zhí)行器模型
9.3.1 基本控制結(jié)構(gòu)
9.3.2 標準混合規(guī)劃器/執(zhí)行器模型的嵌套和回歸應用
9.3.3 環(huán)境模型：知識的維護
9.3.4 嵌套和帶寬分離
9.4 配有生產(chǎn)系統(tǒng)的規(guī)劃器/執(zhí)行器模塊的擬最小時間作用
9.4.1 關于系統(tǒng)動力學的假設
9.4.2 關于推動力形成的假設
9.4.3 關于阻力的假設
9.4.4 確定控制周期的標準分量
9.4.5 用標準分量組合控制周期的生產(chǎn)系統(tǒng)
9.4.6 實際系統(tǒng)的仿真
9.5 通過前向搜索的近似逆
9.5.1 概述
9.5.2 參考軌跡的近似逆映射的概念
9.5.3 用搜索過程求近似逆
9.5.4 實驗結(jié)果
9.6 多速率遞階預測控制系統(tǒng)
9.6.1 概述
9.6.2 求平均小波算法的遞階結(jié)構(gòu)
9.6.3 遞階控制器的設計
9.6.4 仿真結(jié)果
9.6.5 多速率遞階控制器
9.7 結(jié)論
參考文獻
習題
第10章 學習
10.1 智能系統(tǒng)和學習
10.2 學習的定義
10.3 隱式和顯式邏輯及學習的心理圖式
10.3.1 “引導”知識的需要：公理和“自明”原理
10.3.2 格式塔（Gestalt）原理：發(fā)現(xiàn)見識的實體
10.3.3 重復性：歸納、演繹和推理
10.3.4 回歸和迭代
10.3.5 學習的類型學
10.3.6 關于自適應和學習系統(tǒng)之間的區(qū)別
10.4 通過學習獲取信息：應用領域
10.4.1 作為學習的組成部分的估計和識別
10.4.2 理論的應用領域
10.5 學習控制系統(tǒng)的公理性理論
10.5.1 公理
10.5.2 學習控制系統(tǒng)
10.5.3 出現(xiàn)的非常規(guī)議題
10.5.4 外部系統(tǒng)和多重執(zhí)行
10.6 學習和行為生成：構(gòu)建和使用多分辨率表示和目標遞階結(jié)構(gòu)
10.6.1 從多種經(jīng)驗中學習
10.6.2 無監(jiān)督學習的算法
10.6.3 知識的進化
10.6.4 集注
10.6.5 相似聚類的形成
10.6.6 在簇中搜索有效的假設
10.6.7 在行為生成中學習
10.6.8 多分辨率學習自動機的進化
10.6.9 LPA的進一步研究
10.7 微型機器人：早期認知發(fā)展的分析
10.7.1 ECD：智能系統(tǒng)中學習的重要意義
10.7.2 人類和IS中的ECD的相似性與區(qū)別
10.7.3 定量學習領域
10.7.4 概念學習領域
10.7.5 微型機器人：分析ECD過程的仿真工具
10.7.6 微型機器人：智力的實驗
10.7.7 可能的學習算法
10.7.8 子句產(chǎn)生的條件
10.7.9 在目標給定時學習
10.7.10 用微型機器人進行仿真和物理實驗
10.7.11 微型機器人研究的含義
10.8 對學習應用神經(jīng)網(wǎng)絡
10.8.1 神經(jīng)網(wǎng)絡：多重信息泛化的體系結(jié)構(gòu)
10.8.2 CMAC：替代反向傳播的聯(lián)想神經(jīng)網(wǎng)絡
參考文獻
習題
第11章 智能系統(tǒng)的多分辨率結(jié)構(gòu)的應用
11.1 制造業(yè)的智能系統(tǒng)結(jié)構(gòu)
11.1.1 ISAM標準
11.1.2 作為概念框架的ISAM
11.1.3 ISAM與當前實踐的對比
11.1.4 作為參考模型結(jié)構(gòu)的ISAM
11.1.5 ISAM實例
11.2 制造業(yè)NITS-RCS遞階結(jié)構(gòu)中的規(guī)劃
11.2.1 單個RCS模塊內(nèi)的規(guī)劃器
11.2.2 RCS遞階結(jié)構(gòu)中的規(guī)劃器
11.2.3 規(guī)劃算法
11.2.4 當代觀點范疇內(nèi)關于生產(chǎn)制造調(diào)度的RCS方法
11.3 制造業(yè)智能系統(tǒng)結(jié)構(gòu)使用的基于檢測工作站的試驗臺
11.3.1 HPCC項目：ISAM實施的范例
11.3.2 方法
11.3.3 原型系統(tǒng)實現(xiàn)的應用設計
11.3.4 模塊
11.4 基于RCS的機器人起重機的集成
11.4.1 原型機
11.4.2 RoboCrane子系統(tǒng)
11.5 移動機器人走向多分辨率
11.5.1 決策的類型
11.5.2 規(guī)則庫
11.5.3 精確預規(guī)劃（PP）算法
11.5.4 實施
11.5.5 即時決策器（ID）與路徑監(jiān)視器
11.6 無人自主車的任務結(jié)構(gòu)
11.6.1 系統(tǒng)的層次
11.6.2 使命的分類
11.6.3 偵察車隊隊長的活動
11.6.4 分配給分隊的任務
11.6.5 分配給單個車輛的任務
11.6.6 分配給自主車子系統(tǒng)的任務
11.6.7 使命程序的不變要素
11.6.8 被感知對象的探測與識別
11.7 作為Demo III實現(xiàn)指導的4-D/RCS
11.7.1 Demo III的4-D/RCS子集
11.7.2 4-D/RCS實體范例
11.7.3 系統(tǒng)的集成
參考文獻
第12章 智能系統(tǒng)：科學和工程新范例的先驅(qū)
12.1 多學科：最有希望但卻是崎嶇的道路
12.2 什么是智能系統(tǒng)的核心活動
12.3 我們不能處理的更多問題
12.3.1 邏輯與自動機：關于真和等價的推理
12.3.2 包括目標概念的模型
12.3.3 執(zhí)行非預定動作的能力
12.4 學習的多分辨率回歸符號處理（MRSPL處理）
12.4.1 什么是工具
12.4.2 符號語言學和面向?qū)ο蟮墓こ蹋和宓哪吧?br />12.4.3 智能單元
12.4.4 生命單元
12.4.5 如何使用單元
12.4.6 恒定性
12.5 多分辨率的智能
12.6 學習專門知識：符號語言學與多標度控制論
12.7 心智工程
參考文獻