采用量子进化算法学习的贝叶斯网络及其应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-18页 |
| ·研究背景和意义 | 第12-13页 |
| ·国内外研究现状 | 第13-17页 |
| ·量子进化算法的发展历史 | 第13-14页 |
| ·贝叶斯网络的研究现状 | 第14-16页 |
| ·故障诊断技术的研究现状与发展 | 第16-17页 |
| ·本文的主要内容和论文结构 | 第17-18页 |
| 第2章 量子进化算法与贝叶斯网络的基本理论 | 第18-28页 |
| ·量子计算的基础 | 第18-20页 |
| ·量子计算 | 第18页 |
| ·量子比特 | 第18-19页 |
| ·量子门 | 第19-20页 |
| ·基本的量子进化算法 | 第20-23页 |
| ·算法的原理 | 第20-21页 |
| ·算法的结构和实现过程 | 第21-22页 |
| ·算法仿真结果 | 第22-23页 |
| ·贝叶斯网络 | 第23-25页 |
| ·贝叶斯概率基础 | 第23-24页 |
| ·贝叶斯网络的研究内容 | 第24-25页 |
| ·贝叶斯网络的建造 | 第25页 |
| ·应用贝叶斯网络的智能故障诊断 | 第25-27页 |
| ·智能故障诊断技术的比较 | 第25-26页 |
| ·贝叶斯网络的智能诊断技术优势 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 一种改进的量子进化算法 | 第28-44页 |
| ·智能算法简介 | 第28-30页 |
| ·进化算法 | 第28-29页 |
| ·遗传算法 | 第29页 |
| ·模拟退火算法 | 第29-30页 |
| ·混合实数编码量子进化算法的提出 | 第30页 |
| ·算法的设计和收敛性的验证 | 第30-36页 |
| ·基本的实数编码量子进化算法 | 第30-34页 |
| ·改进的实数编码量子进化算法 | 第34-35页 |
| ·算法的收敛性证明 | 第35-36页 |
| ·算法在函数优化中的应用 | 第36-43页 |
| ·多峰函数介绍 | 第37-40页 |
| ·实验结果 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 改进量子进化算法的贝叶斯网络学习 | 第44-55页 |
| ·贝叶斯网络 | 第44-48页 |
| ·贝叶斯网络参数学习 | 第45-46页 |
| ·贝叶斯网络结构学习 | 第46-48页 |
| ·改进算法的贝叶斯网络结构学习实现步骤 | 第48-52页 |
| ·算法描述 | 第48-51页 |
| ·算法的实现步骤 | 第51-52页 |
| ·实验结果与分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 改进算法的贝叶斯网络在故障诊断上的应用 | 第55-61页 |
| ·智能电表故障特点 | 第55页 |
| ·基于智能电表的贝叶斯网络模型建立 | 第55-58页 |
| ·故障诊断系统建立 | 第55-56页 |
| ·智能电表故障诊断模型 | 第56-58页 |
| ·诊断推理过程 | 第58页 |
| ·仿真结果 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 结论与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附录A (攻读学位期间发表的学术论文) | 第68-69页 |
| 附录B (攻读学位期间参加的科研项目) | 第69-70页 |
| 附录C （部分原代码） | 第70-74页 |
