贝叶斯网络应用基础研究
| 提要 | 第1-8页 |
| 第一章 绪论 | 第8-26页 |
| ·引言 | 第8-9页 |
| ·研究背景与意义 | 第9页 |
| ·数据挖掘概述 | 第9-19页 |
| ·数据挖掘产生的背景 | 第9-10页 |
| ·数据挖掘与KDD | 第10-15页 |
| ·数据挖掘的类型与方法 | 第15-16页 |
| ·数据挖掘的发展历程及国内外现状 | 第16-17页 |
| ·数据挖掘的应用 | 第17-18页 |
| ·数据挖掘标准 | 第18-19页 |
| ·数据挖掘存在的问题 | 第19页 |
| ·图形模式概述 | 第19-24页 |
| ·图形模式的发展 | 第19-20页 |
| ·贝叶斯网络发展概述 | 第20-23页 |
| ·贝叶斯网络国内外应用研究情况 | 第23-24页 |
| ·本文研究的内容与组织 | 第24-26页 |
| ·本文研究的主要内容 | 第24-25页 |
| ·本文的组织 | 第25-26页 |
| 第二章 贝叶斯网络结构学习 | 第26-43页 |
| ·引言 | 第26页 |
| ·贝叶斯网络的基础理论 | 第26-30页 |
| ·概率论的基础知识 | 第26-28页 |
| ·图论的基础知识 | 第28页 |
| ·信息理论 | 第28-29页 |
| ·d-seperation 标准 | 第29-30页 |
| ·贝叶斯网络的表示与构成 | 第30-33页 |
| ·贝叶斯网络定义 | 第30-31页 |
| ·贝叶斯网络构成 | 第31-33页 |
| ·贝叶斯网络结构学习 | 第33-37页 |
| ·贝叶斯网络结构学习的内容 | 第34页 |
| ·贝叶斯网络结构学习的方法 | 第34-36页 |
| ·贝叶斯网络模型的推理 | 第36页 |
| ·贝叶斯网络学习算法的准确性评价方法 | 第36-37页 |
| ·基于预测能力的连续贝叶斯网络结构学习 | 第37-41页 |
| ·变量之间的预测能力 | 第37-39页 |
| ·基于预测能力的连续贝叶斯网络结构的实现 | 第39-40页 |
| ·实验结果分析 | 第40-41页 |
| ·小结 | 第41-43页 |
| 第三章 基于遗传算法的贝叶斯网络分类器 | 第43-74页 |
| ·引言 | 第43页 |
| ·遗传算法基础 | 第43-52页 |
| ·遗传算法描述及其理论基础 | 第43-46页 |
| ·遗传算法求解过程 | 第46-48页 |
| ·遗传算法的基本实现技术 | 第48-52页 |
| ·贝叶斯网络分类器 | 第52-58页 |
| ·贝叶斯网络分类器概述 | 第52-53页 |
| ·几种典型的贝叶斯网络分类器 | 第53-58页 |
| ·基于遗传算法的贝叶斯网络分类器学习算法 | 第58-70页 |
| ·GBAN 算法的设计 | 第58-64页 |
| ·GBAN 算法描述 | 第64-65页 |
| ·GBAN 算法分析 | 第65-67页 |
| ·参数估计 | 第67-69页 |
| ·分类器性能评价 | 第69-70页 |
| ·实验结果分析 | 第70-73页 |
| ·小结 | 第73-74页 |
| 第四章 多模块集成式贝叶斯网络分类器 | 第74-96页 |
| ·引言 | 第74-75页 |
| ·基于信息熵的属性集分割 | 第75-84页 |
| ·FDBE 算法设计 | 第75-79页 |
| ·FDBE 算法描述 | 第79页 |
| ·FDBE 算法分析 | 第79-80页 |
| ·实验结果分析 | 第80-84页 |
| ·混合式朴素贝叶斯网络分类器 | 第84-85页 |
| ·MNB 分类器的提出 | 第84页 |
| ·MNB 分类器设计 | 第84-85页 |
| ·MNB 分类器性能分析 | 第85页 |
| ·多模块集成式贝叶斯网络分类器模型 | 第85-93页 |
| ·MSIB 分类器的提出 | 第86-87页 |
| ·MSIB 分类器的理论依据 | 第87-88页 |
| ·MSIB 分类器的设计 | 第88-90页 |
| ·MSIB 分类器性能分析 | 第90页 |
| ·分类器模型实现中的有关问题 | 第90-93页 |
| ·实验结果分析 | 第93-95页 |
| ·小结 | 第95-96页 |
| 第五章 贝叶斯网络分类器在医学图像处理中的应用 | 第96-109页 |
| ·引言 | 第96-97页 |
| ·基于贝叶斯方法的尿沉渣图像分割 | 第97-103页 |
| ·图像预处理 | 第97-101页 |
| ·图像分割 | 第101-102页 |
| ·应用贝叶斯方法将单连通区域进行合并 | 第102-103页 |
| ·去除信息不全的目标体 | 第103页 |
| ·实验结果分析 | 第103页 |
| ·基于贝叶斯网络分类器的图像分类 | 第103-108页 |
| ·图像的特征提取 | 第103-104页 |
| ·图像的特征选择 | 第104-105页 |
| ·贝叶斯分类器设计 | 第105-106页 |
| ·实验结果分析 | 第106-108页 |
| ·小结 | 第108-109页 |
| 第六章 数据挖掘可视化 | 第109-121页 |
| ·引言 | 第109页 |
| ·数据可视化 | 第109-114页 |
| ·可视化的数据类型 | 第109-112页 |
| ·数据可视化 | 第112-114页 |
| ·数据挖掘过程可视化 | 第114-115页 |
| ·数据挖掘算法的选择和使用 | 第114-115页 |
| ·算法模型节点的拖拽和工作流的建立 | 第115页 |
| ·数据挖掘结果可视化 | 第115-120页 |
| ·聚类结果可视化 | 第115-116页 |
| ·回归结果可视化 | 第116-117页 |
| ·决策树结果可视化 | 第117-118页 |
| ·朴素贝叶斯网络分类器结果可视化 | 第118-120页 |
| ·小结 | 第120-121页 |
| 第七章 总结与展望 | 第121-123页 |
| 参考文献 | 第123-133页 |
| 攻读博士学位期间的发表的论文及参加的科研项目 | 第133-134页 |
| 摘要 | 第134-137页 |
| Abstract | 第137-140页 |
| 致谢 | 第140页 |
