| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-12页 |
| 1 绪论 | 第12-20页 |
| ·论文研究背景 | 第12-17页 |
| ·确定性理论 | 第13页 |
| ·主观Bayes 方法 | 第13-14页 |
| ·可能性理论方法 | 第14-15页 |
| ·证据理论 | 第15页 |
| ·信度网 | 第15-17页 |
| ·动态因果图 | 第17页 |
| ·作者的主要工作 | 第17-18页 |
| ·论文章节安排 | 第18-20页 |
| 2 动态因果图模型与推理 | 第20-44页 |
| ·因果图知识表达 | 第20-21页 |
| ·因果图知识表达方式 | 第21-23页 |
| ·因果图推理 | 第23-30页 |
| ·单值因果图推理算法 | 第23-27页 |
| ·动态推理 | 第27-30页 |
| ·算法分析 | 第30-33页 |
| ·推理计算时的逻辑运算研究 | 第30-31页 |
| ·因果图编译计算的规模 | 第31-33页 |
| ·多值的困难及解决方法 | 第33-38页 |
| ·多值因果图的困难 | 第33-36页 |
| ·解决方法 | 第36-38页 |
| ·连续问题的处理 | 第38页 |
| ·应用框架 | 第38-39页 |
| ·总结 | 第39-44页 |
| 3 因果图学习 | 第44-68页 |
| ·理论基础 | 第44-46页 |
| ·因果图结构学习算法 | 第46-50页 |
| ·因果图结构学习的遗传算法 | 第50-53页 |
| ·遗传算法操作设计 | 第50-51页 |
| ·计算步骤 | 第51-53页 |
| ·因果图连接强度学习算法 | 第53-55页 |
| ·完备实例数据的学习 | 第53-55页 |
| ·不完备实例数据的学习 | 第55页 |
| ·因果图在线学习算法 | 第55-65页 |
| ·在线学习和主动学习 | 第55-56页 |
| ·因果图在线学习分析 | 第56-57页 |
| ·因果图的连接强度（参数）在线学习 | 第57-61页 |
| ·因果图结构在线学习算法 | 第61-64页 |
| ·实验结果 | 第64-65页 |
| ·结论 | 第65-68页 |
| 4 因果图快速推理研究 | 第68-82页 |
| ·图形解环 | 第68-70页 |
| ·图形解环的一种启发式算法 | 第70-73页 |
| ·推理算法 | 第73-77页 |
| ·实验与结果分析 | 第77-80页 |
| ·小结 | 第80-82页 |
| 5 因果图仿真推理算法研究 | 第82-104页 |
| ·Monte Carlo 法概述 | 第82-87页 |
| ·Monte Carlo 法原理 | 第83-84页 |
| ·Monte Carlo 法的收敛性讨论 | 第84-85页 |
| ·误差分析 | 第85-87页 |
| ·Reject 抽样 | 第87-90页 |
| ·因果图重点抽样方法 | 第90-95页 |
| ·理论基础 | 第90-92页 |
| ·因果图重点抽样方法 | 第92-95页 |
| ·Gibbs 仿真推理方法及其改进 | 第95-100页 |
| ·Gibbs 仿真推理算法 | 第96-98页 |
| ·改进思想讨论和算法 | 第98-100页 |
| ·算法比较分析与实验结果 | 第100-102页 |
| ·小结 | 第102-104页 |
| 6 带有连续变量的因果图模型研究 | 第104-112页 |
| ·连续变量可能性传播图模型 | 第105-107页 |
| ·带有离散和连续变量的因果图模型 | 第107-109页 |
| ·带有连续变量的因果图模型的 Monte Carlo 方法推理和计算 | 第109-112页 |
| 7 总 结 | 第112-114页 |
| 致 谢 | 第114-116页 |
| 参考文献 | 第116-124页 |
| 附 录 | 第124-126页 |
| 独创性声明 | 第126页 |
| 学位论文版权使用授权书 | 第126页 |