贝叶斯网络结构学习算法研究
| 致谢 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-12页 |
| ·课题研究的背景和意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·贝叶斯网络理论研究 | 第9-10页 |
| ·贝叶斯网络应用 | 第10页 |
| ·本文主要工作 | 第10-12页 |
| 第二章 关联规则-贝叶斯网络集成学习算法 | 第12-19页 |
| ·关联规则相关概念 | 第12页 |
| ·关联规则Apriori 算法 | 第12-13页 |
| ·Apriori 算法改进——DDFIM 算法 | 第13-15页 |
| ·低级频繁项集集合 | 第13-14页 |
| ·高级频繁项集集合 | 第14-15页 |
| ·FISB 算法 | 第15-16页 |
| ·实验及分析 | 第16-18页 |
| ·DDFIM 算法实验分析 | 第16-17页 |
| ·FISB 算法实验分析 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 基于遗传算法的贝叶斯网络学习算法 | 第19-29页 |
| ·遗传算法过程 | 第19-20页 |
| ·基于遗传算法的贝叶斯网络学习算法 | 第20-26页 |
| ·GBA 算法的设计 | 第20-23页 |
| ·GBA 算法分析 | 第23-24页 |
| ·参数估计 | 第24-25页 |
| ·分类器性能评价 | 第25-26页 |
| ·实验及分析 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第四章 基于模型选择的贝叶斯层次聚类算法 | 第29-37页 |
| ·贝叶斯后验概率 | 第29-32页 |
| ·文档的贝叶斯后验模型 | 第29-30页 |
| ·文档序列生成模型 | 第30-31页 |
| ·模型参数的学习 | 第31-32页 |
| ·基于模型选择的贝叶斯层次聚类算法 | 第32-33页 |
| ·采用最大后验估计的层次聚类算法 | 第32页 |
| ·采用条件期望估计的层次聚类算法 | 第32-33页 |
| ·算法复杂度分析 | 第33页 |
| ·实验设计及结果分析 | 第33-36页 |
| ·实验设计及其评价方案 | 第33-34页 |
| ·实验结果与分析 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第五章 基于MCMC 的贝叶斯网络图像识别 | 第37-47页 |
| ·数字图像统计模式识别 | 第37-38页 |
| ·图像统计模式识别的一般过程 | 第37页 |
| ·朴素贝叶斯分类识别 | 第37-38页 |
| ·MCMC 稳态模拟方法 | 第38-39页 |
| ·Gibbs 抽样 | 第38-39页 |
| ·基于MCMC 的贝叶斯分析 | 第39页 |
| ·MCMC 算法的改进 | 第39-41页 |
| ·算法实现 | 第41-42页 |
| ·程序包 | 第41页 |
| ·随机漫步举例 | 第41-42页 |
| ·基于MCMC 的种子切片图像处理 | 第42-46页 |
| ·形状特征提取预处理 | 第42-43页 |
| ·基于MCMC 的贝叶斯网络图像识别步骤 | 第43-44页 |
| ·实验结果与分析 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 结论 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 附录 | 第51-56页 |
| 详细摘要 | 第56-57页 |
