| 1 绪论 | 第1-22页 |
| ·数据挖掘与知识发现 | 第11-15页 |
| ·数据挖掘基础 | 第11-12页 |
| ·KDD技术 | 第12-14页 |
| ·KDD处理过程模型 | 第14-15页 |
| ·不确定推理和学习 | 第15-18页 |
| ·不确定知识 | 第16页 |
| ·不确定知识表示与推理 | 第16-17页 |
| ·不确定知识发现 | 第17-18页 |
| ·贝叶斯网络与KDD | 第18-19页 |
| ·贝叶斯网络 | 第18-19页 |
| ·基于贝叶斯网络的KDD与决策过程框架 | 第19页 |
| ·贝叶斯网的应用 | 第19-20页 |
| ·研究内容 | 第20-22页 |
| 2 贝叶斯网络综述 | 第22-37页 |
| ·图模型 | 第22-26页 |
| ·无向图模型 | 第22-23页 |
| ·有向图模型 | 第23-24页 |
| ·图模型的一致条件独立性 | 第24-26页 |
| ·贝叶斯网络 | 第26-27页 |
| ·贝叶斯网络的定义和相关概念 | 第26-27页 |
| ·贝叶斯网络的优点 | 第27页 |
| ·贝叶斯网络学习算法 | 第27-35页 |
| ·结构学习 | 第28-33页 |
| ·数据完整时的结构学习算法 | 第29-32页 |
| ·数据不完整时的结构学习算法 | 第32-33页 |
| ·参数学习 | 第33-35页 |
| ·数据完整时的参数学习算法 | 第33-34页 |
| ·数据不完整时的参数学习算法 | 第34-35页 |
| ·在线学习 | 第35页 |
| ·小结 | 第35-37页 |
| 3 贝叶斯网络的结构学习研究 | 第37-71页 |
| ·KL距离与相互信息 | 第37-40页 |
| ·KL距离 | 第38页 |
| ·相互信息 | 第38-39页 |
| ·条件相互信息 | 第39-40页 |
| ·最大相互信息原则 | 第40-43页 |
| ·最大相互信息原则 | 第40-41页 |
| ·最大相互信息的性质 | 第41-43页 |
| ·附加复杂度约束的最大相互信息函数 | 第43-47页 |
| ·复杂度约束函数 | 第43-44页 |
| ·附加复杂度约束的最大相互信息函数 | 第44-47页 |
| ·改进的模拟退火算法 | 第47-55页 |
| ·模拟退火算法 | 第47-48页 |
| ·改进的模拟退火算法 | 第48-55页 |
| ·实验及分析 | 第55-69页 |
| ·Cancer数据集 | 第58-60页 |
| ·College数据集 | 第60-63页 |
| ·Asia数据集 | 第63-65页 |
| ·Alarm数据集 | 第65-68页 |
| ·实验结果分析和结论 | 第68-69页 |
| ·小结 | 第69-71页 |
| 4 贝叶斯网络的参数学习研究 | 第71-94页 |
| ·最大似然估计和最大后验概率 | 第71-74页 |
| ·最大似然估计 | 第72-73页 |
| ·最大后验概率 | 第73-74页 |
| ·EM算法 | 第74-76页 |
| ·标准EM算法 | 第74-75页 |
| ·用EM算法进行MLE估计 | 第75-76页 |
| ·用EM算法进行MAP估计 | 第76页 |
| ·改进的EM算法 | 第76-83页 |
| ·基于E步骤的改进 | 第76-80页 |
| ·基于M步骤的改进 | 第80-82页 |
| ·改进的EM算法ISA-EM | 第82-83页 |
| ·参数学习的质量评估 | 第83-88页 |
| ·KL距离 | 第84页 |
| ·实验分析和评价 | 第84-88页 |
| ·贝叶斯网络的在线参数学习 | 第88-92页 |
| ·在线参数学习 | 第88-89页 |
| ·在线参数学习的可信度理论 | 第89-90页 |
| ·在线参数学习的可信度EM算法 | 第90-91页 |
| ·实验及分析 | 第91-92页 |
| ·小结 | 第92-94页 |
| 5 贝叶斯网络的推理与模型解释 | 第94-103页 |
| ·贝叶斯网络推理 | 第94-98页 |
| ·随机样本理论基础 | 第94-96页 |
| ·随机样本推理算法 | 第96-97页 |
| ·随机样本推理算法的一般形式 | 第97-98页 |
| ·贝叶斯网络模型解释 | 第98-100页 |
| ·证据解释 | 第98-99页 |
| ·推理解释 | 第99-100页 |
| ·模型解释 | 第100页 |
| ·概率依赖关系解释 | 第100-102页 |
| ·贝叶斯网络的结点描述 | 第100-101页 |
| ·概率值的单词描述 | 第101页 |
| ·概率依赖关系的自然语言描述 | 第101-102页 |
| ·小结 | 第102-103页 |
| 6 贝叶斯网络在防洪知识发现与决策中的应用 | 第103-119页 |
| ·防洪决策分析的基本过程和方法 | 第103-104页 |
| ·防洪决策系统综合分析 | 第104-106页 |
| ·防洪决策系统的基本思想 | 第105页 |
| ·防洪决策系统的主要内容 | 第105-106页 |
| ·基于贝叶斯网络的防洪决策系统指标体系 | 第106-110页 |
| ·洪水灾害预测与洪水灾害风险决策的分析评价指标 | 第107页 |
| ·数值属性的离散化 | 第107-110页 |
| ·基于贝叶斯网络的洪水灾害预测模型 | 第110-115页 |
| ·降雨汇流预测的贝叶斯网络模型 | 第110-113页 |
| ·河道洪水预测的贝叶斯网络模型 | 第113-115页 |
| ·基于贝叶斯网络的洪水灾害风险决策模型 | 第115-118页 |
| ·基于贝叶斯网络的洪水灾害风险决策模型 | 第116-117页 |
| ·洪水灾害风险决策模型解释 | 第117-118页 |
| ·小结 | 第118-119页 |
| 7 总结与展望 | 第119-121页 |
| 创新点摘要 | 第121-123页 |
| 参考文献 | 第123-135页 |
| 附录A 图形索引 | 第135-136页 |
| 附录B 表格索引 | 第136-137页 |
| 附录C 攻读博士期间参加的科研项目和发表及录用的论文 | 第137-139页 |
| 致谢 | 第139-141页 |