第1章 面向不確定性的人工智能
1.1 人類智能的不確定性
1.1.1 不確定性的魅力
1.1.2 熵的世界
1.2 人工智能50年
1.2.1 從著名的達特茅斯會議談起
1.2.2 與時俱進的研究目標
1.2.3 人工智能50年主要成就
1.3 人工智能研究的主要方法
1.3.1 符號主義方法
1.3.2 聯結主義方法
1.3.3 行為主義方法
1.4 人工智能的學科大交叉趨勢
1.4.1 腦科學與人工智能
1.4.2 認知科學與人工智能
1.4.3 網絡科學與人工智能
1.4.4 學科交叉孕育人工智能大突破

第2章 定性定量轉換的認知模型——云模型
2.1 不確定性人工智能研究的切人點
2.1.1 人類智能研究的多個切入點
2.1.2 抓住自然語言中的概念不放
2.1.3 概念中的隨機性和模糊性
2.2 用云模型表示概念的不確定性
2.2.1 云和云滴
2.2.2 云的數字特征
2.2.3 云模型的種類
2.3 正向高斯云算法
2.3.1 算法描述
2.3.2 云滴對概念的貢獻
2.3.3 用高斯云理解農歷節氣
2.4 高斯云的數學性質
2.4.1 云滴分布的統計分析
2.4.2 云滴確定度分布的統計分析
2.4.3 高斯云的期望曲線
2.4.4 從云到霧
2.5 逆向高斯云算法
2.5.1 算法描述
2.5.2 逆向高斯云的參數估計與誤差分析
2.6 進一步理解云模型
2.6.1 射擊評判
2.6.2 帶有不確定性的分形
2.7 高斯云的普適性
2.7.1 高斯分布的普適性
2.7.2 鐘形隸屬函數的普遍性
2.7.3 高斯云的普遍意義

第3章 云變換
3.1 粒計算中的基本術語
3.1.1 尺度、層次和粒度
3.1.2 概念樹和泛概念樹
3.2 高斯變換
3.2.1 高斯變換參數估計
3.2.2 高斯變換算法
3.3 高斯云變換
3.3.1 ，zL高斯變換到高斯云變換
3.3.2 啟發式高斯云變換
3.3.3 自適應高斯云變換
3.3.4 多維高斯云變換
3.4 高斯云變換用于圖像分割
3.4.1 圖像中的過渡區發現
3.4.2 圖像中差異性目標提取

第4章 數據場與拓撲勢
4.1 數據場
4.1.1 用場描述數據對象間的相互作用
4.1.2 從物理場到數據場
4.1.3 數據的勢場和力場
4.1.4 場函數中影響因子的選取
4.2 基于數據場的聚類
4.2.1 分類與聚類中的不確定性
4.2.2 用數據場實現動態聚類
4.2.3 用數據場實現人臉圖像的表情聚類
4.3 基于拓撲勢的復雜網絡研究
4.3.1 從數據場到拓撲勢
4.3.2 用拓撲勢發現網絡中重要節點
4.3.3 用拓撲勢發現網絡社區
4.3.4 用拓撲勢發現維基百科中的熱詞條

第5章 云推理與云控制
5.1 云推理
5.1.1 云模型構造定性規則
5.1.2 規則集生成
5.2 云控制
5.2.1 云控制的機理
5.2.2 云控制對模糊控制的理論解釋
5.3 倒立擺中的不確定性控制
5.3.1 倒立擺及其控制
5.3.2 一級、二級倒立擺的定性控制機理
5.3.3 三級倒立擺的云控制策略
5.3.4 倒立擺的動平衡模式
5.4 智能駕駛中的不確定性控制
5.4.1 汽車的智能駕駛
5.4.2 基于智能車輛的駕駛行為模擬

第6章 用認知物理學方法研究群體智能
6.1 相互作用是群體智能的重要成因
6.1.1 群體智能
6.1.2 涌現是群體行為的一種表現形態
6.2 云模型和數據場在群體智能研究中的應用
6.2.1 用云模型表示個體行為的離散性
6.2.2 用數據場描述個體間的相互作用
6.3 典型案例：“掌聲響起來”
6.3.1 用云模型表示人的鼓掌行為
6.3.2 用數據場反映掌聲的相互傳播
6.3.3 “掌聲響起來”的計算模型
6.3.4 實驗平臺
6.3.5 涌現的多樣性分析
6.3.6 帶引導的掌聲同步

第7章 云計算推動不確定性人工智能大發展
7.1 從云模型看模糊集合的貢獻與局限
7.1.1 模糊邏輯似是而非的爭論
7.1.2 模糊性對隨機性的依賴性
7.1.3 從模糊推理到不確定性推理
7.2 從圖靈計算到云計算
7.2.1 超出圖靈機的云計算
7.2.2 云計算與云模型
7.2.3 游走在高斯和冪律分布之間的云模型
7.3 大數據呼喚不確定性人工智能
7.3.1 從數據庫到大數據
7.3.2 網絡交互和群體智能
7.4 不確定性人工智能展望
參考文獻
基金資助目錄
相關專利
索引
再版后記
附錄 不確定性人工智能理論與應用學術沙龍——對話實錄