| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 复杂系统建模方法研究现状 | 第12-14页 |
| 1.2.2 贝叶斯网络研究现状 | 第14-16页 |
| 1.3 论文内容及组织结构 | 第16-19页 |
| 1.3.1 论文主要研究内容 | 第16页 |
| 1.3.2 论文的结构安排 | 第16-19页 |
| 第2章 贝叶斯网络建模方法基本理论 | 第19-29页 |
| 2.1 贝叶斯网络基本概念 | 第19-20页 |
| 2.2 贝叶斯网络结构学习 | 第20-23页 |
| 2.2.1 基于评分搜索的贝叶斯网络结构学习方法 | 第20-21页 |
| 2.2.2 基于条件独立性约束的贝叶斯网络结构学习方法 | 第21-23页 |
| 2.3 贝叶斯网络参数学习 | 第23-25页 |
| 2.3.1 最大似然估计法 | 第23-24页 |
| 2.3.2 贝叶斯方法 | 第24-25页 |
| 2.4 贝叶斯网络的推理应用 | 第25-27页 |
| 2.4.1 联接树算法 | 第26页 |
| 2.4.2 变量消元法 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 基于专家知识的贝叶斯网络结构学习方法研究 | 第29-43页 |
| 3.1 建模前期准备 | 第29-30页 |
| 3.1.1 需求分析 | 第29-30页 |
| 3.1.2 专家选择 | 第30页 |
| 3.2 基于模糊评语信念图的专家知识导出 | 第30-33页 |
| 3.2.1 模糊评价法 | 第30-31页 |
| 3.2.2 信念图 | 第31-32页 |
| 3.2.3 带有模糊评语集的信念图 | 第32-33页 |
| 3.3 基于改进证据理论的专家知识融合 | 第33-39页 |
| 3.3.1 证据理论基本概念 | 第33-34页 |
| 3.3.2 证据理论在专家知识融合中的应用 | 第34-36页 |
| 3.3.3 基于知识度与相似度融合的证据冲突消除方法 | 第36-39页 |
| 3.4 算法与仿真验证 | 第39-42页 |
| 3.4.1 算法整体流程 | 第39页 |
| 3.4.2 仿真分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于数据的贝叶斯网络结构学习方法研究 | 第43-63页 |
| 4.1 贝叶斯网络结构的评分函数 | 第43-47页 |
| 4.1.1 常用评分函数概述 | 第43-46页 |
| 4.1.2 评分函数的性质及对比分析 | 第46-47页 |
| 4.2 基于遗传算法的最优结构搜索策略 | 第47-51页 |
| 4.2.1 遗传算法概述 | 第48-49页 |
| 4.2.2 贝叶斯网络结构搜索算法设计 | 第49-51页 |
| 4.3 基于改进扰动学习的因果贝叶斯网络结构修正 | 第51-57页 |
| 4.3.1 马尔科夫等价类与扰动学习 | 第51-53页 |
| 4.3.2 基于统计思想的扰动节点选择 | 第53-56页 |
| 4.3.3 基于扰动数据的因果关系修正 | 第56-57页 |
| 4.4 仿真分析 | 第57-61页 |
| 4.4.1 实验环境和评价指标 | 第57-58页 |
| 4.4.2 仿真分析 | 第58-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第5章 专家知识与数据融合在贝叶斯网络建模中的应用研究 | 第63-79页 |
| 5.1 基于不确定性知识与数据融合的贝叶斯网络结构学习方法 | 第63-70页 |
| 5.1.1 不确定性先验结构信息矩阵的构造 | 第64-65页 |
| 5.1.2 初始贝叶斯网络结构的确定 | 第65-66页 |
| 5.1.3 评分函数的改进 | 第66-68页 |
| 5.1.4 融合不确定性专家知识与数据的贝叶斯网络结构学习算法设计 | 第68-70页 |
| 5.2 知识与数据融合的贝叶斯网络建模流程 | 第70-71页 |
| 5.3 贝叶斯网络建模算例仿真分析 | 第71-77页 |
| 5.3.1 贝叶斯网络建模算例 | 第71页 |
| 5.3.2 知识与数据融合的贝叶斯网络建模仿真分析 | 第71-77页 |
| 5.4 本章小结 | 第77-79页 |
| 第6章 总结与展望 | 第79-81页 |
| 6.1 总结 | 第79-80页 |
| 6.2 展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87页 |
