贝叶斯网络的因果隐变量发现及其应用研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第16-21页 |
| 1.1 课题研究背景及意义 | 第16-17页 |
| 1.2 隐变量的研究现状 | 第17-18页 |
| 1.3 基于贝叶斯网络的金融交易研究 | 第18页 |
| 1.3.1 金融交易研究现状 | 第18页 |
| 1.3.2 基于贝叶斯网络研究金融网络的优势 | 第18页 |
| 1.4 本文的主要工作及创新点 | 第18-19页 |
| 1.5 课题来源及本文组织结构 | 第19-21页 |
| 1.5.1 课题来源 | 第19页 |
| 1.5.2 本文组织结构 | 第19-21页 |
| 第二章 具有隐变量的贝叶斯网络学习概述 | 第21-29页 |
| 2.1 贝叶斯网络 | 第21-22页 |
| 2.1.1 贝叶斯网络的研究内容 | 第21-22页 |
| 2.1.2 贝叶斯网络的应用 | 第22页 |
| 2.2 贝叶斯网络学习的基础知识 | 第22-23页 |
| 2.2.1 贝叶斯网络常用公式 | 第22-23页 |
| 2.2.2 贝叶斯网络简介 | 第23页 |
| 2.3 不完备数据下的贝叶斯网络学习 | 第23-25页 |
| 2.3.1 参数估计 | 第24-25页 |
| 2.3.2 结构学习 | 第25页 |
| 2.4 含有隐变量的贝叶斯网络学习 | 第25-27页 |
| 2.4.1 基于局部解释能力的隐变量学习算法 | 第25-26页 |
| 2.4.2 基于结构分解的隐变量学习算法 | 第26-27页 |
| 2.4.3 基于信息瓶颈的隐变量学习算法 | 第27页 |
| 2.5 本文实验数据来源及评价方法 | 第27-28页 |
| 2.5.1 实验数据来源 | 第27页 |
| 2.5.2 评价方法 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于局部因果关系分析的隐变量发现算法 | 第29-47页 |
| 3.1 引言 | 第29-30页 |
| 3.2. 相关基础知识简介 | 第30-31页 |
| 3.2.1 马尔科夫毯 | 第30页 |
| 3.2.2 扰动学习 | 第30-31页 |
| 3.2.3 边的熵与结构熵 | 第31页 |
| 3.2.4 非对称信息熵 | 第31页 |
| 3.3 基于局部因果关系分析的隐变量发现 | 第31-33页 |
| 3.3.1 因果结构熵 | 第32页 |
| 3.3.2 局部结构的不确定性与隐变量的存在性 | 第32-33页 |
| 3.4 隐变量的重要性计算模型 | 第33-34页 |
| 3.5 局部因果关系分析的隐变量发现算法 | 第34-35页 |
| 3.6 实验结果 | 第35-39页 |
| 3.6.1 评价标准 | 第35页 |
| 3.6.2 实验分析与比较 | 第35-39页 |
| 3.7 LCAHD算法的应用与分析 | 第39-46页 |
| 3.7.1 数据处理 | 第39-41页 |
| 3.7.2 局部网络模型的建立 | 第41-43页 |
| 3.7.3 LCAHD算法的实证分析 | 第43-45页 |
| 3.7.4 LCAHD算法预测分析 | 第45-46页 |
| 3.8 本章小结 | 第46-47页 |
| 第四章 基于特征融合的隐变量学习及其应用研究 | 第47-64页 |
| 4.1. 引言 | 第47-48页 |
| 4.2 隐变量与股市能量 | 第48-49页 |
| 4.3 特征因素 | 第49-51页 |
| 4.4. 基于特征融合的隐变量学习 | 第51-55页 |
| 4.4.1 特征提取 | 第51-52页 |
| 4.4.2 特征融合 | 第52-53页 |
| 4.4.3 能量模型 | 第53-55页 |
| 4.5. LHFF算法 | 第55-56页 |
| 4.6 实验结果及分析 | 第56-58页 |
| 4.7 LHFF算法的实证分析 | 第58-63页 |
| 4.7.1 特征提取 | 第58-59页 |
| 4.7.2 特征融合 | 第59-61页 |
| 4.7.3 能量模型的建立 | 第61页 |
| 4.7.4 LHFF算法的实证研究 | 第61-63页 |
| 4.8 本章小结 | 第63-64页 |
| 第五章 总结及展望 | 第64-66页 |
| 5.1 论文工作总结 | 第64页 |
| 5.2 工作展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 读硕士期间主要科研工作及成果 | 第71-72页 |
