在设计环节中体现创新意识，考虑 社会、健康、安全、法律、文化以 指标点32：具有系统需求分析能力以 及环境等因素。 及程序设计与实现能力，能够综合运用 自然科学和工程科学的基本原理和技术 手段完成物联网系统的规划与设计，并 能运用工程化思想进行系统解决方案的 构建和开发。 指标点4-1：能够综合运用所学科学原 理，针对复杂物联网工程问题建立合适 毕业要求4一研究：能够基于科学原 的抽象模型，确定相关的技术参数。 理并采用科学方法对复杂工程问题 指标点4-2：根据研究需要设计实验， 3 进行研究，包括设计实验、分析与 按照合理步骤进行实验并获取数据。 解释数据、并通过信息综合得到合 理有效的结论。 指标点4-3：参照科学的理论模型对比 实验数据和结果，解释实验和理论模型 结果的差异。 (一)本课程内容与毕业要求指标点的对应关系 教学内容 毕业要求指标点 绪论 指标点1-2、3-1 知识表示 指标点1-2、4-1、4-2、4-3 确定性推理方法 指标点1-2、4-1、4-2、4-3 不确定性推理方法 指标点1-2、4-1、4-2、4-3 搜索求解策略 指标点1-2、4-1、4-2、4-3 理论教学 遗传算法及其应用 指标点1-2、4-1、4-2、4-3 专家系统与机器学习 指标点1-2、4-1、4-2、4-3 人工神经网络及其应用 指标点1-2、4-1、4-2、4-3 智能体与多智能体系统 指标点1-2、3-2、4-1、4-2、4-3 自然语言处理及其应用 指标点1-2、3-2、4-1、4-2、4-3 人工智能在物联网中的应用 指标点1-2、3-2、4-1、4-2、4-3 (二)毕业要求指标点在本课程中的实现路径 本课程通过设立若干课程目标来实现对毕业要求指标点的支撑。具体课程目标及其与 毕业要求指标点的主要对应关系如下： 课程目标1：掌握模式识别理论与技术的基础知识、基本概念、基本原理、分析方法 和典型应用。 课程目标2：了解模式识别理论与技术的发展趋势，为深入学习专业知识和从事科研 实践活动打下坚实的基础。 毕业要求指标点 课程教学目标 毕业要求1-2 课程目标1、2 34
34 在设计环节中体现创新意识，考虑 社会、健康、安全、法律、文化以 及环境等因素。 指标点 3-2：具有系统需求分析能力以 及程序设计与实现能力，能够综合运用 自然科学和工程科学的基本原理和技术 手段完成物联网系统的规划与设计，并 能运用工程化思想进行系统解决方案的 构建和开发。 3 毕业要求 4━研究：能够基于科学原 理并采用科学方法对复杂工程问题 进行研究，包括设计实验、分析与 解释数据、并通过信息综合得到合 理有效的结论。 指标点 4-1：能够综合运用所学科学原 理，针对复杂物联网工程问题建立合适 的抽象模型，确定相关的技术参数。 指标点 4-2：根据研究需要设计实验， 按照合理步骤进行实验并获取数据。 指标点 4-3：参照科学的理论模型对比 实验数据和结果，解释实验和理论模型 结果的差异。 （一）本课程内容与毕业要求指标点的对应关系 教学内容 毕业要求指标点 理论教学 绪论 指标点 1-2、3-1 知识表示 指标点 1-2、4-1、4-2、4-3 确定性推理方法 指标点 1-2、4-1、4-2、4-3 不确定性推理方法 指标点 1-2、4-1、4-2、4-3 搜索求解策略 指标点 1-2、4-1、4-2、4-3 遗传算法及其应用 指标点 1-2、4-1、4-2、4-3 专家系统与机器学习 指标点 1-2、4-1、4-2、4-3 人工神经网络及其应用 指标点 1-2、4-1、4-2、4-3 智能体与多智能体系统 指标点 1-2、3-2、4-1、4-2、4-3 自然语言处理及其应用 指标点 1-2、3-2、4-1、4-2、4-3 人工智能在物联网中的应用 指标点 1-2、3-2、4-1、4-2、4-3 （二）毕业要求指标点在本课程中的实现路径 本课程通过设立若干课程目标来实现对毕业要求指标点的支撑。具体课程目标及其与 毕业要求指标点的主要对应关系如下： 课程目标 1：掌握模式识别理论与技术的基础知识、基本概念、基本原理、分析方法 和典型应用。 课程目标 2：了解模式识别理论与技术的发展趋势，为深入学习专业知识和从事科研 实践活动打下坚实的基础。 毕业要求指标点 课程教学目标 毕业要求 1-2 课程目标 1、2
毕业要求3-1 课程目标2 毕业要求3-2 课程目标1、2 毕业要求41 课程目标1、2 毕业要求4-2 课程目标1、2 毕业要求4-3 课程目标1、2 四、考核方式及成绩评定 (一)考核目标 人工智能是计算机科学中涉及研究、设计和应用智能机器的一个分支。本课程是计算 机科学与技术，以及有关专业重要的专业方向与特色模块课程之一。通过本课程的开设， 使学生对人工智能的发展概况、基本原理和应用领域有初步了解，对主要技术及应用有一 定掌握，启发学生对人工智能的兴趣，培养知识创新和技术创新能力。 (二)考核方式 本课程考核采用平时作业与笔试结合的方式。 (三)成绩评定 本课程为考试课，采用百分制计分，其中考试成绩(70%)+出勤考核(10%)+平时作 业(20%)。 五、课程内容、重点和难点及教学方法与手段 第1章绪论 重点：人工智能的主要研究领域。 难点：人工智能研究的基本内容。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学。 第1节人工智能的基本概念 一、智能的概念 二、智能的特征 三、人工智能 第2节人工智能的发展简史 一、孕育 二、形成 三、发展 第3节人工智能研究的基本内容 第4节 人工智能的主要研究领域 第2章知识表示 重点：一阶谓词逻辑表示法。 难点：框架表示法。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学。 第1节知识与知识表示的概念 一、 知识的概念 35
35 毕业要求 3-1 课程目标 2 毕业要求 3-2 课程目标 1、2 毕业要求 4-1 课程目标 1、2 毕业要求 4-2 课程目标 1、2 毕业要求 4-3 课程目标 1、2 四、考核方式及成绩评定 （一）考核目标 人工智能是计算机科学中涉及研究、设计和应用智能机器的一个分支。本课程是计算 机科学与技术，以及有关专业重要的专业方向与特色模块课程之一。通过本课程的开设， 使学生对人工智能的发展概况、基本原理和应用领域有初步了解，对主要技术及应用有一 定掌握，启发学生对人工智能的兴趣，培养知识创新和技术创新能力。 （二）考核方式 本课程考核采用平时作业与笔试结合的方式。 （三）成绩评定 本课程为考试课，采用百分制计分，其中考试成绩（70%）+出勤考核（10%）+ 平时作 业（20%）。 五、课程内容、重点和难点及教学方法与手段 第 1 章 绪论 第 1 节 人工智能的基本概念 一、智能的概念 二、智能的特征 三、人工智能 第 2 节 人工智能的发展简史 一、孕育 二、形成 三、发展 第 3 节 人工智能研究的基本内容 第 4 节 人工智能的主要研究领域 第 2 章 知识表示 第 1 节 知识与知识表示的概念 一、知识的概念 重点：人工智能的主要研究领域。 难点：人工智能研究的基本内容。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学。 重点：一阶谓词逻辑表示法。 难点：框架表示法。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学
二、知识的特性 三、知识的表示 第2节一阶谓词逻辑表示法 一、命题 二、谓词 三、谓词公式 四、谓词公式的性质 五、一阶谓词逻辑知识表示方法 六、一阶谓词逻辑表示法的特点 第3节产生式表示法 一、产生式 二、产生式系统 三、产生式系统的例子一一动物识别系统 四、产生式表示法的特点 第4节框架表示法 一、框架的一般结构 二、用框架表示知识的例子 三、框架表示法的特点 第3章确定性推理方法(4学时) 重点：推理的基本概念。 难点：应用归结原理求解问题。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学。 第1节推理的基本概念 一、推理的定义 二、 推理方式及其分类 三、推理的方向 四、冲突消解策略 第2节自然演绎推理 第3节谓词公式化为子句集的方法 第4节鲁宾逊归结原理 第5节归结反演 第6节应用归结原理求解问题 第4章不确定性推理方法(4学时) 重点：模糊推理方法。 难点：模糊推理的应用。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学。 第1节不确定性推理的概念 第2节可信度方法 第3节证据理论 一、 概率分配函数 36
36 二、知识的特性 三、知识的表示 第 2 节 一阶谓词逻辑表示法 一、命题 二、谓词 三、谓词公式 四、谓词公式的性质 五、一阶谓词逻辑知识表示方法 六、一阶谓词逻辑表示法的特点 第 3 节 产生式表示法 一、产生式 二、产生式系统 三、产生式系统的例子——动物识别系统 四、产生式表示法的特点 第 4 节 框架表示法 一、框架的一般结构 二、用框架表示知识的例子 三、框架表示法的特点 第 3 章 确定性推理方法（4 学时） 第 1 节 推理的基本概念 一、推理的定义 二、推理方式及其分类 三、推理的方向 四、冲突消解策略 第 2 节 自然演绎推理 第 3 节 谓词公式化为子句集的方法 第 4 节 鲁宾逊归结原理 第 5 节 归结反演 第 6 节 应用归结原理求解问题 第 4 章 不确定性推理方法（4 学时） 第 1 节 不确定性推理的概念 第 2 节 可信度方法 第 3 节 证据理论 一、概率分配函数 重点：推理的基本概念。 难点：应用归结原理求解问题。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学。 重点：模糊推理方法。 难点：模糊推理的应用。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学
二、 信任函数 三、似然函数 四、概率分配函数的正交和（证据的组合） 五、基于证据理论的不确定性推理 第4节模糊推理方法 一、模糊逻辑的提出与发展 二、模糊集合 三、模糊集合的运算 四、模糊关系与模糊关系的合成 五、模糊推理 六、模糊决策 七、模糊推理的应用 第5章搜索求解策略 重点：状态空间表示法。 难点：A搜索算法。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学。 第1节搜索的概念 一、搜索的基本问题与主要过程 二、搜索策略 第2节状态空间的搜索策略 一、状态空间表示法 二、状态空间的图描述 第3节盲目的图搜索策略 一、回溯策略 二、宽度优先搜索策略 三、深度优先搜索策略 第4节启发式图搜索策略 一、启发式策略 二、启发信息和估价函数 三、A搜索算法 四、A搜索算法及其特性分析 第6章遗传算法及其应用 重点：遗传算法的基本算法。 难点：遗传算法的应用。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学。 第1节遗传算法的产生与发展 一、 遗传算法的生物学背景 二、遗传算法的基本思想 三、遗传算法的发展历史 37
37 二、信任函数 三、似然函数 四、概率分配函数的正交和（证据的组合） 五、基于证据理论的不确定性推理 第 4 节 模糊推理方法 一、模糊逻辑的提出与发展 二、模糊集合 三、模糊集合的运算 四、模糊关系与模糊关系的合成 五、模糊推理 六、模糊决策 七、模糊推理的应用 第 5 章 搜索求解策略 第 1 节 搜索的概念 一、搜索的基本问题与主要过程 二、搜索策略 第 2 节 状态空间的搜索策略 一、状态空间表示法 二、状态空间的图描述 第 3 节 盲目的图搜索策略 一、回溯策略 二、宽度优先搜索策略 三、深度优先搜索策略 第 4 节 启发式图搜索策略 一、启发式策略 二、启发信息和估价函数 三、A 搜索算法 四、A 搜索算法及其特性分析 第 6 章 遗传算法及其应用 第 1 节 遗传算法的产生与发展 一、遗传算法的生物学背景 二、遗传算法的基本思想 三、遗传算法的发展历史 重点：状态空间表示法。 难点：A 搜索算法。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学。 重点：遗传算法的基本算法。 难点：遗传算法的应用。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学
四、设计遗传算法的基本内容 第2节遗传算法的基本算法 一、编码 二、 群体设定 三、适应度函数 四、选择 五、交叉 六、变异 七、遗传算法的一般步骤 八、遗传算法的特点 第3节遗传算法的改进算法 一、双倍体遗传算法 二、 双种群遗传算法 、自适应遗传算法 四、遗传算法的应用 第7章专家系统与机器学习 重点：机器学习。 难点：机器学习的基本算法。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学。 第1节专家系统的产生和发展 第2节专家系统的概念 一、专家系统的定义 二、专家系统的特点 三、专家系统的类型 四、专家系统的应用 第3节专家系统的工作原理 一、专家系统的一般结构 二、 知识库 三、推理机 四、数据库 五、知识获取机构 六、人机接口 七、解释机构 第4节知识获取的主要过程与模式 一、知识获取的过程 二、知识获取的模式 第5节机器学习 一、机器学习的基本概念 二、机器学习的分类 三、机器学习的基本算法 38
38 四、设计遗传算法的基本内容 第 2 节 遗传算法的基本算法 一、编码 二、群体设定 三、适应度函数 四、选择 五、交叉 六、变异 七、遗传算法的一般步骤 八、遗传算法的特点 第 3 节 遗传算法的改进算法 一、双倍体遗传算法 二、双种群遗传算法 三、自适应遗传算法 四、遗传算法的应用 第 7 章 专家系统与机器学习 第 1 节 专家系统的产生和发展 第 2 节 专家系统的概念 一、专家系统的定义 二、专家系统的特点 三、专家系统的类型 四、专家系统的应用 第 3 节 专家系统的工作原理 一、专家系统的一般结构 二、知识库 三、推理机 四、数据库 五、知识获取机构 六、人机接口 七、解释机构 第 4 节 知识获取的主要过程与模式 一、知识获取的过程 二、知识获取的模式 第 5 节 机器学习 一、机器学习的基本概念 二、机器学习的分类 三、机器学习的基本算法 重点：机器学习。 难点：机器学习的基本算法。 教学方法与手段：本课程以讲授为主，可根据实际效果情况采用讲授和多媒体案例相结 合的教学