| 第一章 绪论 | 第1-18页 |
| ·贝叶斯网络简介 | 第7-16页 |
| ·贝叶斯网络的产生与发展 | 第8-9页 |
| ·贝叶斯网络学习研究 | 第9-13页 |
| ·贝叶斯网络应用研究 | 第13-14页 |
| ·当前存在的问题及相关研究 | 第14-16页 |
| ·本文的研究领域 | 第16-18页 |
| 第二章 基于依赖分析的贝叶斯网络结构学习算法的基础理论 | 第18-33页 |
| ·基本概念 | 第18-21页 |
| ·将信息论应用在贝叶斯网络学习 | 第21-25页 |
| ·基于依赖分析的贝叶斯网络结构学习算法 | 第25-30页 |
| ·生成最大权重树 | 第25-26页 |
| ·增加第一种边 | 第26-27页 |
| ·删除第二种边 | 第27-28页 |
| ·边定向 | 第28-30页 |
| ·复杂度分析 | 第30-33页 |
| 第三章 贝叶斯分类器 | 第33-54页 |
| ·信息论的相关概念 | 第33-35页 |
| ·贝叶斯网络与贝叶斯网络分类器 | 第35-49页 |
| ·朴素贝叶斯网络分类器 | 第38-42页 |
| ·树增广朴素贝叶斯网络分类器 | 第42-44页 |
| ·无约束贝叶斯网络分类器 | 第44-49页 |
| ·广义朴素贝叶斯分类器 | 第49-52页 |
| ·本章小结 | 第52-54页 |
| 第四章 基于贝叶斯方法的尿沉渣图像分割 | 第54-66页 |
| ·图像预处理 | 第55-61页 |
| ·边缘提取 | 第55-57页 |
| ·梯度图像二值化 | 第57-58页 |
| ·腐蚀(Erosion ) | 第58-59页 |
| ·膨胀(dilation ) | 第59-61页 |
| ·图像分割 | 第61-62页 |
| ·应用贝叶斯方法将单连通区域进行合并 | 第62-64页 |
| ·去除信息不全的目标体 | 第64页 |
| ·实验结果 | 第64-65页 |
| ·结论 | 第65-66页 |
| 第五章 基于 Bayesian 方法的图像分类 | 第66-82页 |
| ·简介 | 第66-69页 |
| ·特征提取 | 第69页 |
| ·特征选择 | 第69-76页 |
| ·分类器设计 | 第76-79页 |
| ·实验及结果分析 | 第79-82页 |
| 第六章 总结与展望 | 第82-85页 |
| ·本文总结 | 第82-83页 |
| ·进一步研究的方向 | 第83-85页 |
| 参考文献 | 第85-90页 |
| 摘要 | 第90-93页 |
| Abstract | 第93-96页 |
| 致谢 | 第96页 |