适合分布计算环境不确定性处理的概率图模型若干问题研究
| 摘要 | 第1-7页 |
| ABSTRACT（英文摘要） | 第7-12页 |
| 第一章 绪论 | 第12-16页 |
| ·引言 | 第12页 |
| ·研究现状 | 第12-14页 |
| ·存在问题与解决思路 | 第14-15页 |
| ·主要研究内容 | 第15页 |
| ·章节安排 | 第15-16页 |
| 第二章 概率图模型 | 第16-34页 |
| ·概述 | 第16-17页 |
| ·贝叶斯网 | 第17-20页 |
| ·表示 | 第17-18页 |
| ·推理 | 第18页 |
| ·学习 | 第18-20页 |
| ·马尔可夫网 | 第20-23页 |
| ·表示 | 第20-21页 |
| ·推理及信度传播 | 第21-22页 |
| ·学习的问题 | 第22-23页 |
| ·混合结构模型与因子图 | 第23-25页 |
| ·表示 | 第23-24页 |
| ·推理与学习 | 第24-25页 |
| ·等分时间的动态模型 | 第25-26页 |
| ·连续时间贝叶斯网 | 第26-31页 |
| ·连续时间马尔可夫过程 | 第27-28页 |
| ·CTBN 表示及基本问题 | 第28-30页 |
| ·CTBN 学习 | 第30-31页 |
| ·其它扩展模型 | 第31-34页 |
| 第三章 用于传感器网络的静态模型 | 第34-59页 |
| ·概述 | 第34-35页 |
| ·传感器网络 | 第35-37页 |
| ·分布环境中的混合图模型 | 第37-40页 |
| ·网络结构 | 第37-39页 |
| ·模型结构 | 第39-40页 |
| ·混合图模型的参数学习 | 第40-49页 |
| ·分布式学习的可行性 | 第40-42页 |
| ·参数学习和梯度计算 | 第42-44页 |
| ·更新式学习算法 | 第44-47页 |
| ·面临的问题 | 第47-49页 |
| ·分布的有向概率网模型 | 第49-54页 |
| ·模型结构 | 第49-50页 |
| ·信度传播过程 | 第50-53页 |
| ·DSPN 模型的学习 | 第53-54页 |
| ·实验和说明 | 第54-58页 |
| ·小结 | 第58-59页 |
| 第四章 分布计算环境中的动态模型 | 第59-76页 |
| ·概述 | 第59页 |
| ·分布环境和动态模拟 | 第59-60页 |
| ·基于标准DBN 的模型 | 第60-63页 |
| ·模型描述 | 第61-62页 |
| ·模型操作与面临问题 | 第62-63页 |
| ·利用CTBN 进行模拟 | 第63-67页 |
| ·单一处理节点中的动态模拟 | 第64-65页 |
| ·网络中的动态模拟 | 第65-67页 |
| ·DCTPN 的运行机制 | 第67-73页 |
| ·健壮性问题 | 第67-70页 |
| ·信度传播机制 | 第70-73页 |
| ·实验和说明 | 第73-75页 |
| ·小结 | 第75-76页 |
| 第五章 连续时间图模型的参数更新 | 第76-87页 |
| ·概述 | 第76页 |
| ·CTBN 参数更新基本方法 | 第76-79页 |
| ·基本算法 | 第77-79页 |
| ·CTBN 参数更新规则 | 第79-82页 |
| ·基于KL 距离函数的算法 | 第80-81页 |
| ·对更新规则的分析 | 第81-82页 |
| ·DCTPN 的更新和适应 | 第82-84页 |
| ·实验和说明 | 第84-85页 |
| ·小结 | 第85-87页 |
| 第六章 动态上下文模型与因子元网 | 第87-98页 |
| ·概述 | 第87页 |
| ·建立模型的基础和动机 | 第87-89页 |
| ·对因子图参数受上下文影响的模拟 | 第89-92页 |
| ·上下文对单变量因子的影响 | 第89-91页 |
| ·上下文对多变量因子的影响 | 第91-92页 |
| ·因子元网及其对因子分布的管理 | 第92-94页 |
| ·应用示例 | 第94-96页 |
| ·小结 | 第96-98页 |
| 第七章 总结与展望 | 第98-100页 |
| ·总结 | 第98页 |
| ·进一步的工作 | 第98-100页 |
| 参考文献 | 第100-112页 |
| 致谢 | 第112-113页 |
| 攻读学位期间以第一作者发表的学术论文目录 | 第113页 |
