| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究的背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 贝叶斯网络分类器理论研究现状 | 第11-14页 |
| 1.2.2 贝叶斯网络分类器应用研究 | 第14-15页 |
| 1.3 结构安排 | 第15-16页 |
| 2 贝叶斯网络及贝叶斯网络分类器 | 第16-29页 |
| 2.1 贝叶斯网络理论基础 | 第16-19页 |
| 2.1.1 条件独立与联合概率分解 | 第16-17页 |
| 2.1.2 d-separation与条件独立 | 第17-18页 |
| 2.1.3 变量间依赖关系的检验标准 | 第18-19页 |
| 2.2 贝叶斯网络结构学习 | 第19-20页 |
| 2.3 贝叶斯网络参数学习 | 第20-22页 |
| 2.3.1 最大似然估计 | 第21页 |
| 2.3.2 贝叶斯估计 | 第21-22页 |
| 2.4 贝叶斯网络分类器 | 第22-28页 |
| 2.4.1 朴素贝叶斯分类器 | 第23-25页 |
| 2.4.2 树增强型贝叶斯分类器(TAN) | 第25页 |
| 2.4.3 k依赖扩展贝叶斯网络分类器（KDB） | 第25-26页 |
| 2.4.4 网增强性贝叶斯网络分类器(BAN) | 第26-27页 |
| 2.4.5 贝叶斯多网分类器(Bayesian multi-networks classifier, BMN) | 第27页 |
| 2.4.6 一般贝叶斯网络分类器(general Bayesian networks classifier, GBN) | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于依赖扩展的贝叶斯网络分类器集成学习 | 第29-40页 |
| 3.1 KDB | 第29-30页 |
| 3.2 Boosting算法 | 第30-32页 |
| 3.3 k阶依赖扩展贝叶斯分类器的集成 | 第32-35页 |
| 3.3.1 LCKDB算法 | 第32-33页 |
| 3.3.2 LCKDB的集成 | 第33-35页 |
| 3.4 实验及分析 | 第35-39页 |
| 3.4.1 数据预处理 | 第35-37页 |
| 3.4.2 实验 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 基于高斯核密度的贝叶斯网络分类器 | 第40-57页 |
| 4.1 基于高斯密度的贝叶斯网络分类器 | 第40-41页 |
| 4.2 核函数和基于核函数的贝叶斯网络分类器 | 第41-44页 |
| 4.2.1 核函数和高斯核函数 | 第41-42页 |
| 4.2.2 基于高斯核函数的贝叶斯网络分类器 | 第42-44页 |
| 4.3 平滑参数的优化 | 第44-48页 |
| 4.4 多平滑参数朴素贝叶斯分类器 | 第48-52页 |
| 4.4.1 传统的多平滑参数朴素贝叶斯分类器 | 第48-49页 |
| 4.4.2 实验结果及分析 | 第49-52页 |
| 4.5 贝叶斯网络的聚类 | 第52-56页 |
| 4.5.1 一般朴素贝叶斯网络聚类算法 | 第52-55页 |
| 4.5.2 基于优化平滑参数的朴素贝叶斯聚类 | 第55页 |
| 4.5.3 实验及分析 | 第55-56页 |
| 4.6 本章小结 | 第56-57页 |
| 5 结论 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-63页 |