| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 贝叶斯网络研究现状 | 第13-14页 |
| 1.2.2 条件独立性检验研究现状 | 第14-15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 2 概率图模型及因果推断相关理论 | 第17-26页 |
| 2.1 贝叶斯网络的相关知识 | 第17-19页 |
| 2.2 网络学习 | 第19-24页 |
| 2.3 PC算法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 基因调控网络构建 | 第26-32页 |
| 3.1 生物背景 | 第26-29页 |
| 3.1.1 生物数据获取 | 第27-28页 |
| 3.1.2 生物调控网络 | 第28-29页 |
| 3.2 SeqSpider网络构建软件架构 | 第29-31页 |
| 3.2.1 SeqSpider软件简介 | 第29-30页 |
| 3.2.2 基于SeqSpider计算架构的新算法KCICPT | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 条件独立性检验的KCICPT算法 | 第32-49页 |
| 4.1 已有研究基础 | 第32-41页 |
| 4.1.1 任意函数空间的最大均值差异 | 第32-33页 |
| 4.1.2 核方法 | 第33页 |
| 4.1.3 再生希尔伯特空间的最大平均差异 | 第33-34页 |
| 4.1.4 置换方法 | 第34-36页 |
| 4.1.5 核化样本处理 | 第36-38页 |
| 4.1.6 P值的计算 | 第38页 |
| 4.1.7 KCIPT算法 | 第38-41页 |
| 4.2 聚类算法优化KCICPT置换 | 第41-44页 |
| 4.2.1 KCICPT算法步骤 | 第41-44页 |
| 4.3 不完全cholesky分解优化 | 第44-46页 |
| 4.4 模拟分布优化KCICPT算法 | 第46-47页 |
| 4.5 结构学习算法KCICPT-PC | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 5 基于新算法的结构学习实验 | 第49-56页 |
| 5.1 实验数据简介 | 第49-51页 |
| 5.1.1 Fukumizu数据 | 第49页 |
| 5.1.2 Sachs数据 | 第49-51页 |
| 5.1.3 数据预处理 | 第51页 |
| 5.2 实验结果分析 | 第51-55页 |
| 5.2.1 KCIPT对照分析 | 第51-52页 |
| 5.2.2 调控网络结果分析 | 第52-55页 |
| 5.3 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 学位论文数据集 | 第63页 |