基于贝叶斯网络的个人生活数据分析
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 引言 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 个性化推荐 | 第10-11页 |
| 1.2.2 健康管理 | 第11-12页 |
| 1.2.3 贝叶斯网络 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 相关技术概述 | 第16-23页 |
| 2.1 贝叶斯网络简述 | 第16页 |
| 2.2 贝叶斯网络及其结构模型 | 第16-18页 |
| 2.3 贝叶斯网络结构学习 | 第18-19页 |
| 2.4 贝叶斯网络参数学习 | 第19-20页 |
| 2.4.1 贝叶斯方法 | 第19页 |
| 2.4.2 最大似然估计 | 第19-20页 |
| 2.5 贝叶斯网络联合树推理 | 第20-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 贝叶斯网络混合结构学习算法 | 第23-44页 |
| 3.1 引言 | 第23-24页 |
| 3.2 基本概念 | 第24-25页 |
| 3.3 混合结构学习算法 | 第25-38页 |
| 3.3.1 基于最大信息系数的初始化 | 第26-29页 |
| 3.3.2 网络增厚 | 第29-32页 |
| 3.3.3 冗余边去除 | 第32-34页 |
| 3.3.4 基于评分-搜索的边方向确定 | 第34-36页 |
| 3.3.5 基于模拟退火算法的优化 | 第36-38页 |
| 3.4 算法分析 | 第38页 |
| 3.5 实验分析 | 第38-43页 |
| 3.5.1 实验环境及实验数据集 | 第38-39页 |
| 3.5.2 实验结果分析 | 第39-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 贝叶斯网络增量学习算法 | 第44-57页 |
| 4.1 引言 | 第44页 |
| 4.2 增量学习算法 | 第44-49页 |
| 4.2.1 基于贪婪搜索的修正算法 | 第46-47页 |
| 4.2.2 基于贪婪搜索的边增加算法 | 第47-49页 |
| 4.2.3 基于模拟退火算法的优化 | 第49页 |
| 4.3 正确性分析 | 第49-50页 |
| 4.4 多阶段结构学习 | 第50-51页 |
| 4.5 实验分析 | 第51-56页 |
| 4.5.1 实验环境与实验数据集 | 第51-52页 |
| 4.5.2 增量学习实验结果分析 | 第52-54页 |
| 4.5.3 多阶段学习实验结果分析 | 第54-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第5章 贝叶斯网络三角化优化算法 | 第57-70页 |
| 5.1 引言 | 第57-58页 |
| 5.2 三角化过程 | 第58-60页 |
| 5.3 基于自适应遗传算法三角化优化算法TAGA | 第60-65页 |
| 5.3.1 编码 | 第60-61页 |
| 5.3.2 适应度函数 | 第61页 |
| 5.3.3 自适应交叉概率和变异概率 | 第61-62页 |
| 5.3.4 线性排序选择算子 | 第62-63页 |
| 5.3.5 自适应交叉算子APOS | 第63-64页 |
| 5.3.6 种群迁移 | 第64页 |
| 5.3.7 三角化优化算法TAGA | 第64-65页 |
| 5.4 实验结果与分析 | 第65-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第6章 个人日常生活数据分析 | 第70-82页 |
| 6.1 个人日常生活数据 | 第70-72页 |
| 6.1.1 自然行为 | 第70-71页 |
| 6.1.2 行为痕迹 | 第71-72页 |
| 6.2 日常生活数据的贝叶斯网络构建过程 | 第72页 |
| 6.3 日常生活数据的数据预处理 | 第72-75页 |
| 6.3.1 相关概念 | 第72-74页 |
| 6.3.2 数据预处理算法 | 第74-75页 |
| 6.4 个人日常生活数据示例 | 第75-81页 |
| 6.4.1 行为贝叶斯网络示例 | 第75-79页 |
| 6.4.2 行为-属性贝叶斯网络示例 | 第79-81页 |
| 6.5 本章小结 | 第81-82页 |
| 第7章 总结与展望 | 第82-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-88页 |
