Bayes网络模型及其学习算法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-22页 |
| ·Bayes网络模型的发展和研究现状 | 第12-13页 |
| ·因子分析模型和独立分量分析模型 | 第13-14页 |
| ·本论文的研究内容 | 第14-22页 |
| 第二章 概率图模型的基本理论 | 第22-35页 |
| ·引言 | 第22-23页 |
| ·图与条件独立性 | 第23-25页 |
| ·有向图与无向图 | 第23-24页 |
| ·概率图模型 | 第24-25页 |
| ·Markov网络模型 | 第25-26页 |
| ·Bayes网络模型 | 第26-30页 |
| ·概率图模型的实例与应用 | 第30-35页 |
| 第三章 对弧进行删除的Bayes网络最优近似方法 | 第35-53页 |
| ·Bayes网络模型中的近似概率推理 | 第35-36页 |
| ·最优近似网络 | 第36-40页 |
| ·近似网络的最优参数 | 第37-39页 |
| ·最优近似网络中的条件独立关系 | 第39页 |
| ·概率分布的近似误差 | 第39-40页 |
| ·最优近似网络中边缘分布的不变性 | 第40-43页 |
| ·多条弧的删除 | 第43-47页 |
| ·误差计算 | 第43-46页 |
| ·给定误差限下的删除算法 | 第46-47页 |
| ·实例 | 第47-49页 |
| ·小结 | 第49-53页 |
| 第四章 Bayes网络学习的MCMC方法 | 第53-63页 |
| ·Bayes网络的学习 | 第53页 |
| ·网络学习的Bayes方法 | 第53-55页 |
| ·Markov链Monte Carlo方法 | 第55-56页 |
| ·MCMC算法的实现 | 第56-58页 |
| ·算法性能与实例 | 第58-59页 |
| ·小结 | 第59-63页 |
| 第五章 混合因子分析模型的学习算法 | 第63-75页 |
| ·因子分析 | 第63-64页 |
| ·混合高斯模型 | 第64-65页 |
| ·EM算法 | 第65-66页 |
| ·混合因子分析模型及其参数学习算法 | 第66-69页 |
| ·两阶段学习算法 | 第67-68页 |
| ·重新抽样方法和样本划分方法 | 第68-69页 |
| ·实例 | 第69-70页 |
| ·小结 | 第70-75页 |
| 第六章 基于混合高斯模型的独立分量分析方法 | 第75-101页 |
| ·独立分量分析(ICA) | 第75-78页 |
| ·基于混合高斯模型的独立分量分析学习算法 | 第78-84页 |
| ·随机梯度算法 | 第78-80页 |
| ·最小熵算法 | 第80-81页 |
| ·最小联合熵算法 | 第81-83页 |
| ·联合对角化算法 | 第83-84页 |
| ·实对称正定矩阵的联合对角化 | 第84-89页 |
| ·矩阵的联合对角化 | 第84-87页 |
| ·联合对角化算法 | 第87页 |
| ·非平稳信号的盲分离 | 第87-89页 |
| ·非高斯性与非平稳性 | 第89-90页 |
| ·实例 | 第90-92页 |
| ·小结 | 第92-93页 |
| 附录6.1 | 第93-94页 |
| 附录6.2 | 第94页 |
| 附录6.3 | 第94-101页 |
| 总结与展望 | 第101-103页 |
| 致谢 | 第103-104页 |
| 博士学习阶段(合作)撰写与发表的学术论文 | 第104页 |
