高效贝叶斯网络结构学习算法研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景 | 第10-14页 |
| 1.1.1 大数据时代下的数据挖掘技术 | 第10-11页 |
| 1.1.2 贝叶斯网络的产生与发展 | 第11-12页 |
| 1.1.3 贝叶斯网络结构学习的研究现状 | 第12-14页 |
| 1.2 问题与挑战 | 第14-16页 |
| 1.2.1 贝叶斯网络结构学习算法的挑战 | 第14-15页 |
| 1.2.2 分布式贝叶斯网络结构学习算法的挑战 | 第15-16页 |
| 1.3 本文工作 | 第16-17页 |
| 1.3.1 基于节点拓扑序列的启发式构造算法研究 | 第16页 |
| 1.3.2 分布式贝叶斯网络结构学习算法研究 | 第16-17页 |
| 1.4 论文结构 | 第17-19页 |
| 第二章 相关工作 | 第19-29页 |
| 2.1 贝叶斯网络基本理论 | 第19-20页 |
| 2.1.1 贝叶斯方法的基本观点 | 第19页 |
| 2.1.2 贝叶斯网络的相关概念 | 第19-20页 |
| 2.2 贝叶斯网络结构学习 | 第20-24页 |
| 2.2.1 基于评分搜索的方法 | 第21-23页 |
| 2.2.2 基于条件独立性测试的方法 | 第23-24页 |
| 2.3 MMHC算法 | 第24-27页 |
| 2.3.1 MMPC过程 | 第25-27页 |
| 2.3.2 爬山算法 | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于节点拓扑序列的启发式构造算法研究 | 第29-42页 |
| 3.1 引言 | 第29-30页 |
| 3.2 基于拓扑序列的网络还原方法 | 第30-32页 |
| 3.2.1 贝叶斯网络的拓扑排序 | 第30-31页 |
| 3.2.2 基于拓扑序列的网络还原 | 第31-32页 |
| 3.3 基于节点拓扑序的启发式构造算法 | 第32-37页 |
| 3.3.1 最优网络与爬山网络的关系 | 第32-33页 |
| 3.3.2 基于节点拓扑序列的启发式构造算法 | 第33-35页 |
| 3.3.3 算法正确性证明 | 第35-37页 |
| 3.4 实验结果与分析 | 第37-40页 |
| 3.4.1 实验设置 | 第37页 |
| 3.4.2 实验结果 | 第37-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 分布式贝叶斯网络结构学习算法研究 | 第42-54页 |
| 4.1 引言 | 第42-43页 |
| 4.1.1 分布式贝叶斯网络学习方法 | 第42页 |
| 4.1.2 分布式算法的技术难点 | 第42-43页 |
| 4.2 分布式贝叶斯网络结构学习框架 | 第43-45页 |
| 4.2.1 分布式贝叶斯网络结构学习基本框架 | 第43-44页 |
| 4.2.2 多层k-划分树形分布式框架 | 第44-45页 |
| 4.3 分布式节点拓扑序列启发式构造算法 | 第45-48页 |
| 4.3.1 基于节点集合的k-划分方法 | 第45页 |
| 4.3.2 分布式节点拓扑序列启发式构造算法 | 第45-48页 |
| 4.4 实验结果与分析 | 第48-52页 |
| 4.4.1 仿真实验设置 | 第48-49页 |
| 4.4.2 实验结果 | 第49-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 结束语 | 第54-57页 |
| 5.1 工作总结 | 第54-55页 |
| 5.2 工作展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 作者在学期间取得的学术成果 | 第61页 |
