| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 贝叶斯网络的研究现状 | 第12-14页 |
| 1.3 缺失数据处理研究现状 | 第14-15页 |
| 1.4 主要研究内容 | 第15页 |
| 1.5 本文结构安排 | 第15-17页 |
| 2 贝叶斯网络及相关理论 | 第17-27页 |
| 2.1 概率论 | 第17-18页 |
| 2.2 图论及图的邻接矩阵 | 第18-19页 |
| 2.3 贝叶斯网络的基本理论 | 第19-22页 |
| 2.4 贝叶斯网络的构建 | 第22-26页 |
| 2.4.1 贝叶斯网络参数估计 | 第22-24页 |
| 2.4.2 贝叶斯网络结构学习 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 异质深度测序数据下的基因调控网络推断 | 第27-32页 |
| 3.1 生物学背景 | 第27-30页 |
| 3.1.1 下一代测序技术 | 第28-29页 |
| 3.1.2 基因调控网络 | 第29-30页 |
| 3.2 SeqSpider基因调控网络推断软件 | 第30-31页 |
| 3.2.1 SeqSpider软件简介 | 第30-31页 |
| 3.2.2 本文对SeqSpider软件改进思路 | 第31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 针对不完整数据的KGV评分算法 | 第32-45页 |
| 4.1 核方法及独立成分分析 | 第32-40页 |
| 4.1.1 核典型相关分析算法 | 第33-35页 |
| 4.1.2 核广义方差 | 第35-36页 |
| 4.1.3 利用不完全Cholesky分解处理缺失数据 | 第36-40页 |
| 4.2 基于KGV的贝叶斯网络结构评分函数 | 第40-43页 |
| 4.2.1 核函数设计 | 第40-41页 |
| 4.2.2 KGV评分函数惩罚项设计 | 第41-42页 |
| 4.2.3 KGV评分函数节点互信息表示 | 第42页 |
| 4.2.4 针对不完整数据的细节处理 | 第42-43页 |
| 4.3 本章小结 | 第43-45页 |
| 5 不完整数据中的贝叶斯网络结构学习实验 | 第45-55页 |
| 5.1 实验数据简介 | 第45-46页 |
| 5.2 基于KGV评分的贝叶斯网络结构学习算法 | 第46-52页 |
| 5.2.1 算法基本流程 | 第46-48页 |
| 5.2.2 数据预处理 | 第48-49页 |
| 5.2.3 KGV评分函数的实现 | 第49-50页 |
| 5.2.4 贝叶斯网络结构搜索 | 第50-52页 |
| 5.3 实验结果与分析 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 6 结论与展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第59-61页 |
| 学位论文数据集 | 第61页 |