| 提要 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-12页 |
| 第1章 绪论 | 第12-18页 |
| ·研究背景及意义 | 第12-15页 |
| ·本文工作 | 第15-18页 |
| 第2章 贝叶斯网参数学习基本方法概述 | 第18-42页 |
| ·引言 | 第18-19页 |
| ·极大似然估计方法 | 第19-24页 |
| ·单变量情况 | 第20-22页 |
| ·多个变量的情况 | 第22-24页 |
| ·贝叶斯方法 | 第24-29页 |
| ·单变量情况 | 第24-28页 |
| ·多变量情况 | 第28-29页 |
| ·不完备数据下的参数学习 | 第29-39页 |
| ·概述 | 第29-30页 |
| ·Gibbs 抽样 | 第30-34页 |
| ·EM 算法 | 第34-38页 |
| ·梯度法 | 第38-39页 |
| ·参数的增量学习 | 第39-42页 |
| ·EM(η)算法 | 第39-40页 |
| ·自适应增量学习算法 | 第40-42页 |
| 第3章 贝叶斯网结构学习基本方法概述 | 第42-56页 |
| ·引言 | 第42页 |
| ·基于评分的方法 | 第42-47页 |
| ·评分函数的可分解性 | 第42-43页 |
| ·K2 算法 | 第43-44页 |
| ·局部搜索 | 第44-46页 |
| ·遗传算法 | 第46-47页 |
| ·不完备数据下的结构学习 | 第47-50页 |
| ·MS-EM 算法 | 第47-49页 |
| ·Bayesian-SEM 算法 | 第49-50页 |
| ·基于约束的方法 | 第50-53页 |
| ·三阶段依赖分析算法 | 第50-53页 |
| ·变量顺序的学习 | 第53-56页 |
| 第4章 基于混沌双种群进化策略的贝叶斯网增量学习 | 第56-67页 |
| ·引言 | 第56页 |
| ·进化策略和增量学习 | 第56-58页 |
| ·贝叶斯网结构的编码 | 第58-59页 |
| ·适应度函数 | 第59-60页 |
| ·进化操作 | 第60-62页 |
| ·重组 | 第60-61页 |
| ·变异 | 第61-62页 |
| ·选择和迁移操作 | 第62页 |
| ·算法框架 | 第62-63页 |
| ·实验结果 | 第63-66页 |
| ·小结 | 第66-67页 |
| 第5章 基于评分搜索的贝叶斯网自适应增量学习方法 | 第67-76页 |
| ·引言 | 第67页 |
| ·评分函数设计 | 第67-69页 |
| ·参数的增量学习 | 第69-70页 |
| ·基于改进爬山算法的增量结构学习 | 第70-72页 |
| ·实验结果 | 第72-75页 |
| ·小结 | 第75-76页 |
| 第6章 基于蜜蜂进化型多种群进化策略的贝叶斯网结构学习 | 第76-84页 |
| ·引言 | 第76页 |
| ·蜜蜂进化型三种群进化策略 | 第76-77页 |
| ·算法描述 | 第77-80页 |
| ·适应度函数 | 第77页 |
| ·进化操作 | 第77-80页 |
| ·实验结果 | 第80-82页 |
| ·小结 | 第82-84页 |
| 第7章 基于贝叶斯网的选择和增量式信息融合方法 | 第84-98页 |
| ·引言 | 第84-85页 |
| ·基于贝叶斯网的选择和增量式信息融合 | 第85-90页 |
| ·融合模型和传感器选择 | 第85-87页 |
| ·融合模型的增量式更新 | 第87-89页 |
| ·算法框架 | 第89-90页 |
| ·实验结果 | 第90-92页 |
| ·在农业病害诊断中的应用 | 第92-97页 |
| ·小结 | 第97-98页 |
| 第8章 全文总结及工作展望 | 第98-100页 |
| 参考文献 | 第100-106页 |
| 作者简介及在学期间所取得的科研成果 | 第106-108页 |
| 致谢 | 第108页 |