摘要 | 第1-10页 |
Abstract | 第10-12页 |
致谢 | 第12-15页 |
插图清单 | 第15-16页 |
表格清单 | 第16-17页 |
第一章 绪论 | 第17-27页 |
·贝叶斯网络的定义 | 第17-18页 |
·贝叶斯网络的研究现状 | 第18-24页 |
·论文研究内容和组织结构 | 第24-27页 |
·课题来源 | 第24页 |
·主要研究内容 | 第24-26页 |
·内容组织 | 第26-27页 |
第二章 贝叶斯网络知识表示的基础理论 | 第27-35页 |
·引言 | 第27页 |
·条件独立 | 第27-28页 |
·有向分隔 | 第28-31页 |
·有向分隔的相关定义 | 第28-31页 |
·有向分隔的判定 | 第31页 |
·条件独立与有向分隔的关系 | 第31-33页 |
·贝叶斯网络的知识表示 | 第33-34页 |
·本章小结 | 第34-35页 |
第三章 贝叶斯网络的学习算法 | 第35-47页 |
·引言 | 第35页 |
·贝叶斯网络的参数学习 | 第35-37页 |
·最大似然估计方法 | 第35-36页 |
·贝叶斯方法 | 第36-37页 |
·贝叶斯网络的结构学习 | 第37-41页 |
·基于评分搜索的贝叶斯网络结构学习 | 第37-38页 |
·基于依赖分析的贝叶斯网络结构学习 | 第38-40页 |
·基于随机抽样的贝叶斯网络结构学习 | 第40-41页 |
·一种基于随机抽样的贝叶斯网络结构学习算法PCMHS25 | 第41-46页 |
·算法PCMHS的初始化 | 第41-42页 |
·算法PCMHS的迭代抽样过程 | 第42-43页 |
·算法PCMHS的性能分析 | 第43-44页 |
·算法PCMHS的实验结果分析 | 第44-46页 |
·本章小结 | 第46-47页 |
第四章 具有缺失数据的贝叶斯网络学习算法 | 第47-58页 |
·引言 | 第47页 |
·具有缺失数据的贝叶斯网络的参数学习 | 第47-48页 |
·EM算法 | 第47-48页 |
·Gibbs抽样算法 | 第48页 |
·具有缺失数据的贝叶斯网络的结构学习 | 第48-50页 |
·SEM算法 | 第49页 |
·MHS算法 | 第49-50页 |
·具有缺失数据的贝叶斯网络的结构学习算法 BC-ISOR | 第50-55页 |
·参数估计 | 第51-54页 |
·生成贝叶斯网络中所有可能的边 | 第54页 |
·确定边的方向 | 第54-55页 |
·冗余边检验 | 第55页 |
·实验结果及分析 | 第55-56页 |
·本章小结 | 第56-58页 |
第五章 贝叶斯网络的灵敏度分析 | 第58-81页 |
·引言 | 第58页 |
·灵敏度的定义 | 第58-59页 |
·贝叶斯网络多项式 | 第59-63页 |
·网络多项式的定义 | 第59-60页 |
·网络多项式偏导数的概率语义 | 第60-61页 |
·网络多项式计算的算术电路 | 第61-63页 |
·连接树算法 | 第63-67页 |
·Shafer-Shenoy算法 | 第64-66页 |
·Hugin算法 | 第66-67页 |
·连接树与算术电路 | 第67-72页 |
·算术电路的 Shafer-Shenoy 算法 | 第68-70页 |
·算术电路的 Hugin 算法 | 第70-72页 |
·一种基于连接树的灵敏度分析算法 R-Hugin | 第72-80页 |
·零因子处理机制 | 第73-74页 |
·R-Hugin算法描述 | 第74-75页 |
·R-Hugin算法的正确性分析 | 第75-76页 |
·R-Hugin算法的的性能分析 | 第76-80页 |
·本章小结 | 第80-81页 |
第六章 基于贝叶斯网络的频繁模式挖掘 | 第81-101页 |
·引言 | 第81-82页 |
·相关定义 | 第82-84页 |
·基于贝叶斯网络的频繁项集和属性集的兴趣度计算和剪枝方法 BN-EJTR | 第84-99页 |
·从数据集中产生频繁项集 | 第84页 |
·计算频繁项集在贝叶斯网络中的支持度 | 第84-90页 |
·从贝叶斯网络中产生频繁项集 | 第90-91页 |
·频繁属性集和频繁项集的剪枝 | 第91-94页 |
·实验结果及其分析 | 第94-99页 |
·本章小结 | 第99-101页 |
第七章 结束语 | 第101-103页 |
·主要研究工作 | 第101-102页 |
·下一步工作 | 第102-103页 |
参考文献 | 第103-113页 |
攻读博士学位期间参加研究的课题和发表的论文 | 第113-114页 |