| 第一章 绪论 | 第1-35页 |
| ·研究背景、目的与意义 | 第8页 |
| ·图形模式用于智能数据处理 | 第8-11页 |
| ·智能化数据处理与图形模式发展概述 | 第11-19页 |
| ·智能化数据处理发展概述 | 第11-12页 |
| ·图形模式发展概述 | 第12-19页 |
| ·图形模式基础理论概述 | 第19-33页 |
| ·贝叶斯网络基础理论 | 第19-26页 |
| ·马尔科夫网络基础理论 | 第26-31页 |
| ·链图简介 | 第31-33页 |
| ·论文主要研究内容 | 第33-35页 |
| 第二章 贝叶斯网络学习 | 第35-78页 |
| ·具有完整数据的贝叶斯网络学习 | 第35-42页 |
| ·基于因果语义定向的贝叶斯网络学习 | 第35-39页 |
| ·基于基本依赖关系和基本结构的贝叶斯网络学习 | 第39-42页 |
| ·具有丢失数据的贝叶斯网络学习 | 第42-48页 |
| ·具有隐藏变量的贝叶斯网络学习 | 第48-56页 |
| ·小样本数据的贝叶斯网络学习 | 第56-63页 |
| ·具有连续变量的贝叶斯网络学习 | 第63-70页 |
| ·贝叶斯网络渐进学习 | 第70-77页 |
| ·小结 | 第77-78页 |
| 第三章 马尔科夫网络学习 | 第78-94页 |
| ·具有完整数据的马尔科夫网络学习 | 第78-82页 |
| ·具有丢失数据的可分解马尔科夫网络学习 | 第82-89页 |
| ·基于MWST和Gibbs sampling的丢失数据处理 | 第82-87页 |
| ·可分解马尔科夫网络学习 | 第87-89页 |
| ·具有隐藏变量的可分解马尔科夫网络学习 | 第89-93页 |
| ·小结 | 第93-94页 |
| 第四章 图形模式用于知识表示和推理 | 第94-106页 |
| ·图形模式用于知识表示 | 第94-95页 |
| ·图形模式用于概率推断和联合预测 | 第95-98页 |
| ·图形模式用于证据传递 | 第98-103页 |
| ·图形模式用于因果分析 | 第103-105页 |
| ·小结 | 第105-106页 |
| 第五章 图形模式用于分类 | 第106-117页 |
| ·基于类约束的图形模式分类器 | 第106-110页 |
| ·一般图形模式分类器 | 第110-113页 |
| ·分类器的分类准确性评价 | 第113-116页 |
| ·小结 | 第116-117页 |
| 第六章 图形模式用于聚类 | 第117-128页 |
| ·基于依赖结构和Gibbs sampling的混合数据聚类 | 第117-127页 |
| ·小结 | 第127-128页 |
| 第七章 基于图形模式的特征子集选择 | 第128-137页 |
| ·基于贝叶斯网络的特征子集选择 | 第128-135页 |
| ·基于马尔科夫网络的特征子集选择 | 第135-136页 |
| ·小结 | 第136-137页 |
| 第八章 全文总结 | 第137-140页 |
| 参考文献 | 第140-150页 |
| 攻读博士学位期间的学术成果 | 第150-151页 |
| 致谢 | 第151-140页 |
| 摘要 | 第140-155页 |
| ABSTRACT | 第155-157页 |