| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 致谢 | 第8-13页 |
| 第一章 绪论 | 第13-16页 |
| ·论文的研究背景和意义 | 第13页 |
| ·因果贝叶斯网络结构学习的研究现状 | 第13-14页 |
| ·课题的来源和本文的组织 | 第14-16页 |
| ·课题的来源 | 第14-15页 |
| ·研究内容及安排 | 第15-16页 |
| 第二章 因果贝叶斯网络结构学习基本理论 | 第16-24页 |
| ·因果贝叶斯网络描述 | 第16页 |
| ·结构评分 | 第16-19页 |
| ·似然评分 | 第16-17页 |
| ·基于贝叶斯方法的评分 | 第17-18页 |
| ·MDL 评分 | 第18-19页 |
| ·基于评分搜索的因果贝叶斯网络结构学习方法 | 第19-22页 |
| ·树状结构网络的搜索方法 | 第19-20页 |
| ·给定结点次序后的结构搜索方法 | 第20-21页 |
| ·一般网络的结构搜索方法 | 第21-22页 |
| ·基于独立性测试的因果结构学习方法 | 第22页 |
| ·不完备数据集上因果贝叶斯网络的结构学习 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 一种基于 2测试的贝叶网络结构学习算法 | 第24-31页 |
| ·忠实性条件与 2测试 | 第24-25页 |
| ·基于相对平均熵的方向判定方法 | 第25页 |
| ·CIGS 算法 | 第25-28页 |
| ·爬山算法 | 第25-26页 |
| ·GS 算法 | 第26页 |
| ·k2 算法 | 第26-27页 |
| ·CIGS 算法描述 | 第27-28页 |
| ·实验结果与分析 | 第28-29页 |
| ·实验环境与数据 | 第28-29页 |
| ·实验结果与分析 | 第29页 |
| ·本章小结 | 第29-31页 |
| 第四章 一种基于 d-分离树分解的 GES 因果贝叶网络结构学习改进算法 | 第31-39页 |
| ·GES 算法 | 第31-32页 |
| ·无向图和分离树 | 第32-33页 |
| ·网络结构的分解 | 第33-36页 |
| ·GDI 算法 | 第36-37页 |
| ·实验结果与分析 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第五章 基于扰动和因果强度的因果贝叶斯网络结构的主动学习研究 | 第39-51页 |
| ·扰动学习 | 第39页 |
| ·扰动与因果发现 | 第39-41页 |
| ·扰动模型 | 第41-44页 |
| ·无扰动模型 | 第41-42页 |
| ·完美扰动模型 | 第42页 |
| ·非完美扰动模型 | 第42-43页 |
| ·不确定扰动模型 | 第43-44页 |
| ·因果强度 | 第44-46页 |
| ·Good 的因果微积分学 | 第44页 |
| ·cheng 的强度理论 | 第44-45页 |
| ·互信息和不对称熵的强度理论 | 第45-46页 |
| ·基于贝叶斯方法的结构学习算法-BP 算法 | 第46页 |
| ·基于因果强度进行节点选择的扰动学习方法 | 第46-47页 |
| ·实验结果与分析 | 第47-50页 |
| ·实验环境与数据 | 第47-48页 |
| ·实验结果与分析 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| ·本文的总结 | 第51页 |
| ·展望 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 读硕士期间主要科研工作及成果 | 第58-59页 |