贝叶斯网络结构学习与推理研究
| 作者简介 | 第1-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·贝叶斯网络的研究现状 | 第11-14页 |
| ·本文的研究内容与结构安排 | 第14-16页 |
| 第二章 贝叶斯网络概述 | 第16-32页 |
| ·贝叶斯网络基本模型 | 第16-19页 |
| ·贝叶斯网络参数学习 | 第19-21页 |
| ·最大似然估计 | 第19-20页 |
| ·贝叶斯估计 | 第20-21页 |
| ·贝叶斯网络结构学习 | 第21-26页 |
| ·基于评分搜索的方法 | 第21-25页 |
| ·基于贝叶斯统计的评分函数 | 第21-23页 |
| ·基于信息理论的评分函数 | 第23-24页 |
| ·搜索策略 | 第24-25页 |
| ·基于条件独立测试的方法 | 第25-26页 |
| ·贝叶斯网络推理 | 第26-30页 |
| ·变量消元算法 | 第26-27页 |
| ·联接树算法 | 第27-28页 |
| ·蒙特卡洛算法 | 第28-29页 |
| ·基于变分法的近似推理算法 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第三章 基于图模型分解的贝叶斯网络学习研究 | 第32-46页 |
| ·引言 | 第32-33页 |
| ·最大主子图分解 | 第33-37页 |
| ·BN 上的最大主子图分解 | 第33-35页 |
| ·基于全条件独立的最大主子图分解算法 | 第35-37页 |
| ·基于最大主子图分解的贝叶斯网络等价类学习 | 第37-45页 |
| ·Markov 等价 | 第38-39页 |
| ·Markov 边界学习 | 第39-41页 |
| ·等价类学习算法及其理论证明 | 第41-43页 |
| ·仿真实验 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于优化方法的贝叶斯网络学习研究 | 第46-60页 |
| ·引言 | 第46页 |
| ·优化模型的提出 | 第46-48页 |
| ·基于先验节点序学习结构的优化算法 | 第48-58页 |
| ·结构学习算法及其理论证明 | 第48-50页 |
| ·仿真实验 | 第50-51页 |
| ·算法应用 | 第51-58页 |
| ·分类算法的提出及理论证明 | 第52-55页 |
| ·数据分类实验 | 第55-58页 |
| ·本章小结 | 第58-60页 |
| 第五章 基于人工蜂群优化的贝叶斯网络学习研究 | 第60-72页 |
| ·引言 | 第60-61页 |
| ·人工蜂群优化简介 | 第61-62页 |
| ·基于人工蜂群优化的结构学习算法 | 第62-70页 |
| ·问题转换及模型表示 | 第62页 |
| ·算法描述 | 第62-65页 |
| ·仿真实验 | 第65-70页 |
| ·本章小结 | 第70-72页 |
| 第六章 条件线性高斯贝叶斯网络推理研究 | 第72-88页 |
| ·引言 | 第72-73页 |
| ·条件线性高斯贝叶斯网络 | 第73-74页 |
| ·基于语义模型的条件线性高斯贝叶斯网络推理 | 第74-87页 |
| ·交换运算 | 第74-78页 |
| ·推理算法与实例分析 | 第78-83页 |
| ·算法理论证明 | 第83-87页 |
| ·本章小结 | 第87-88页 |
| 结束语 | 第88-90页 |
| 致谢 | 第90-92页 |
| 参考文献 | 第92-104页 |
| 攻读博士学位期间的研究成果 | 第104-106页 |
