1、人工智能课
Artificial Intelligence一、课程基本情况
课程类别：专业任选课课程学分：2学分
课程总学时：32学时，其中讲课：20学时，实验（含上机）：12学时，课外 学时课程性质：选修
开课学期：第7学期先修课程：概率与统计
适用专业：物联网工程教 材：《人工智能教程》，张仰森，黄改娟，高等教育出版社，2008年
开课单位：计算机与软件学院软件工程系二、课程性质、教学目标和任务 人工智能从很多学科吸收了成果和概念，包括统计学、人 工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等。本课程的教学目的就 是展现人工智能中核心的算法和理论，使其在实际工程中
2、得到很好的应用。
三、教学内容和要求第1章引言（2学时）
1.1 问题的标准描述问题的标准描述
1.2 机器学习的一些观点和问题重点：观点和问题
难点：学习系统第2章模糊数学（8学时）
2.1 模糊集合论的基本概念⑴了解经典集合论的基本概念
（2）理解模糊集合的定义⑶掌握模糊集合的运算
2.2 模糊集合的分解定理⑴模糊集合的截集
⑵分解定理模糊集合的隶属度
⑴边界法（2）模糊统计法
⑶参照法模糊集合的扩张原理
(1)经典集合的扩张原理(2)模糊集合的扩张原理
⑶多元扩张原理模糊模式识别
⑴模糊模式识别的直接方法(2)模糊距离与模糊度
⑶贴近度(4)多因素模糊模式识别
3、
2.3 模糊关系与聚类分析⑴经典关系
(2)模糊关系的基本概念⑶模糊等价关系
⑷模糊传递闭包和等价闭包⑸求相似矩阵的等价类的直接方法
(6)直接聚类的最大树法⑺模糊聚类分析
(8) 模糊 ISODATA(lnteractive Self-Organizing Data)法模糊综合评判
⑴模糊变换⑵简单模糊综合评判
⑶不完全评判问题(4)多层次模糊综合评判
⑸广义合成运算的模糊综合评判模型模糊逻辑与模糊推理
⑴模糊逻辑⑵模糊语言
⑶模糊推理重点：模糊集合的分解定理、模糊集合的隶属度
难点：模糊关系与聚类分析第3章 人工神经网络的数学基础(8学时)
3.1 概述(1)人工
4、神经网络研究简史
⑵人脑神经元与人工神经元模型(3)人工神经网络模型
(4)神经网络的学习规那么前向神经网络
⑴感知器(2)有导师学习网络(BP网络)
⑶改进的BP算法Hopfield 网络
⑴ 离散型Hopfield网络(2)连续型Hopfield网络
⑶旅行商问题(TSP)自组织神经网络(SOM网络)
3.2 随机神经网络Boltzman (玻耳兹曼)机Boltzman 分布
⑵模拟退火⑶随机神经网络的概率分布
(4)多层前馈随机网络(BM网络)模糊神经网络
⑴模糊神经元模型(2)模糊Hopfield网络
重点：人脑神经元与人工神经元模型、前向神经网络难点：Hopfi
5、eld网络、模糊神经网络
第4章遗传算法(6学时)概述
(1)遗传算法的生物学基础⑵遗传算法开展简史
⑶遗传算法的特点基本的遗传算法
4.2 遗传算法的基本理论与方法⑴模式定理
(2)误导问题⑶编码
(4)群体设定⑸适应度函数
(6)选择⑺交换
(8)变异(9)性能评估
(10)收敛性非线性问题寻优的遗传算法
⑴ 一般非线性优化问题的遗传算法(2)约束最优化的遗传算法
4.3 背包问题⑴问题描述
(2)背包问题的遗传算法求解(3)进一步的讨论
4.4 旅行商(TSP)问题(1)编码与适应度
⑵遗传操作⑶实例
4.5 调度问题(1)问题概述
⑵调度问题的遗传算法求
6、解混合遗传算法
⑴遗传算法优化神经网络⑵遗传算法优化模糊推理规那么
重点：遗传算法的基本理论与方法、难点：背包问题、调度问题
四、课程考核
(1)作业等：作业：5次，课程论文：1篇；
(2)考核方式：课程论文
(3)总评成绩计算方式：平时成绩、实验成绩、课程论文综合计算五、参考书目
1 .Trevor Hastie等著，范明 等译，《统计学习基础.数据挖掘、推理与预测》电子工业出版社,2003
2 .Jay L. Eevore, Probability and Statistics for Engineering and the Sciences, Duxbury Press, 1995
浙ICP备2021020529号-1 | 浙B2-20240490 
