基于因果强度的时序因果关系发现算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景 | 第12页 |
| 1.2 研究意义 | 第12-14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.4 论文主要内容 | 第16页 |
| 1.5 论文组织架构 | 第16-19页 |
| 第二章 相关理论及技术原理 | 第19-26页 |
| 2.1 加性噪声模型 | 第19-20页 |
| 2.1.1 加性噪声模型的形式化描述 | 第19-20页 |
| 2.1.2 加性噪声模型的相关定义 | 第20页 |
| 2.2 信息熵理论 | 第20-22页 |
| 2.2.1 信息熵的概述和定义 | 第20-21页 |
| 2.2.2 信息熵的推广 | 第21-22页 |
| 2.3 格兰杰因果分析 | 第22-24页 |
| 2.3.1 格兰杰因果简介 | 第22-23页 |
| 2.3.2 格兰杰因果假设 | 第23-24页 |
| 2.4 马尔科夫链 | 第24-25页 |
| 2.4.1 马尔科夫链定义 | 第24-25页 |
| 2.4.2 马尔科夫假设 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 时间序列因果网络建模 | 第26-32页 |
| 3.1 时间序列模型 | 第26-28页 |
| 3.2 时间序列间因果机制 | 第28-29页 |
| 3.3 时间序列因果网络模型 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 因果强度 | 第32-39页 |
| 4.1 基于有向信息流的因果强度概述 | 第32-33页 |
| 4.2 因果强度的传统衡量方法 | 第33-35页 |
| 4.3 归一化因果熵 | 第35-37页 |
| 4.4 归一化因果熵的数学性质 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第五章 时间序列因果网络挖掘算法 | 第39-45页 |
| 5.1 归一化因果熵的单调性 | 第39-40页 |
| 5.1.1 单调性的意义 | 第39-40页 |
| 5.1.2 归一化因果熵的单调性及证明 | 第40页 |
| 5.2 单节点父辈挖掘算法 | 第40-42页 |
| 5.2.1 基本思路 | 第40-41页 |
| 5.2.2 FatherMiner算法 | 第41-42页 |
| 5.3 因果网络挖掘算法 | 第42-44页 |
| 5.3.1 基本思路 | 第42-43页 |
| 5.3.2 NetworkMiner算法 | 第43-44页 |
| 5.4 本章小结 | 第44-45页 |
| 第六章 实验结果与分析 | 第45-54页 |
| 6.1 受试者工作特征曲线实验 | 第45-48页 |
| 6.1.1 评价方法 | 第45-46页 |
| 6.1.2 数据集说明 | 第46-47页 |
| 6.1.3 实验结果分析 | 第47-48页 |
| 6.2 数据特征鲁棒性实验 | 第48-53页 |
| 6.2.1 实验方法 | 第49页 |
| 6.2.2 数据集说明 | 第49-50页 |
| 6.2.3 实验结果分析 | 第50-53页 |
| 6.3 本章小结 | 第53-54页 |
| 总结和展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间发表的学术论文 | 第61-63页 |
| 致谢 | 第63页 |
