| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外的研究现状与发展 | 第12-14页 |
| 1.2.1 贝叶斯算法的研究现状 | 第12-13页 |
| 1.2.2 数据挖掘在公安领域的研究现状 | 第13-14页 |
| 1.3 本文主要内容与工作 | 第14-15页 |
| 1.4 论文的组织与安排 | 第15-17页 |
| 第2章 贝叶斯网络基础 | 第17-28页 |
| 2.1 概率论基础 | 第17-20页 |
| 2.1.1 随机事件与随机变量 | 第17页 |
| 2.1.2 概率的解释 | 第17-18页 |
| 2.1.3 概率分布 | 第18-19页 |
| 2.1.4 贝叶斯定理 | 第19页 |
| 2.1.5 最大后验假设与极大似然假设 | 第19-20页 |
| 2.2 贝叶斯网络理论 | 第20-24页 |
| 2.2.1 贝叶斯网的构造 | 第20-21页 |
| 2.2.2 贝叶斯网参数学习 | 第21-23页 |
| 2.2.3 贝叶斯网络结构学习 | 第23-24页 |
| 2.3 贝叶斯分类模型 | 第24-27页 |
| 2.3.1 朴素贝叶斯分类模型(NBC) | 第24-26页 |
| 2.3.2 树扩展型朴素贝叶斯分类模型(TANC) | 第26-27页 |
| 2.3.3 增强贝叶斯网的朴素贝叶斯分类模型(BAN) | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于PCA技术的隐藏朴素贝叶斯分类算法 | 第28-38页 |
| 3.1 PCA技术 | 第28-29页 |
| 3.1.1 主成分定义 | 第28-29页 |
| 3.1.2 主成分的性质 | 第29页 |
| 3.1.3 主成分数目的选取 | 第29页 |
| 3.2 隐藏朴素贝叶斯算法 | 第29-32页 |
| 3.2.1 分类模型结构 | 第30页 |
| 3.2.2 隐藏父节点的定义 | 第30-31页 |
| 3.2.3 算法实现过程 | 第31-32页 |
| 3.3 基于PCA技术的隐藏朴素贝叶斯算法 | 第32-37页 |
| 3.3.1 算法描述 | 第33页 |
| 3.3.2 概率为零之M-估计 | 第33-34页 |
| 3.3.3 算法实现流程 | 第34-35页 |
| 3.3.4 算法验证及结果分析 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 贝叶斯分类算法在犯罪分析中的应用 | 第38-49页 |
| 4.1 犯罪分析的应用需求 | 第38-39页 |
| 4.2 犯罪数据的预处理 | 第39-43页 |
| 4.2.0 空缺值的处理 | 第39-40页 |
| 4.2.1 噪声数据处理 | 第40页 |
| 4.2.2 不一致数据处理 | 第40-41页 |
| 4.2.3 数据归约 | 第41-42页 |
| 4.2.4 数据离散化 | 第42-43页 |
| 4.3 P-HNBC在公安情报信息系统中的应用 | 第43-48页 |
| 4.3.1 P-HNBC辅助决策的实验过程 | 第43-45页 |
| 4.3.2 P-HNBC辅助决策的实验结果及分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 总结与展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54页 |