改进的贝叶斯网络算法在亚健康分析中的应用研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 亚健康状态的研究现状 | 第8-9页 |
| 1.2.2 贝叶斯网络国内外研究现状 | 第9-10页 |
| 1.3 贝叶斯网络的应用领域 | 第10-11页 |
| 1.4 论文的主要工作与章节组织 | 第11-14页 |
| 2 贝叶斯网络介绍及算法研究 | 第14-22页 |
| 2.1 基础知识介绍 | 第14-16页 |
| 2.1.1 贝叶斯网络概念 | 第14-15页 |
| 2.1.2 贝叶斯网络的特点 | 第15-16页 |
| 2.1.3 贝叶斯网络的构造 | 第16页 |
| 2.2 贝叶斯网络基本算法学习 | 第16-17页 |
| 2.3 完整数据条件下贝叶斯网络的参数学习 | 第17-20页 |
| 2.3.1 最大似然估计方法 | 第18页 |
| 2.3.2 贝叶斯方法 | 第18-19页 |
| 2.3.3 K2算法 | 第19-20页 |
| 2.4 信息论 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 改进的贝叶斯学习算法及应用 | 第22-26页 |
| 3.1 K2算法的改进 | 第22-23页 |
| 3.1.1 基于信息论的改进 | 第22页 |
| 3.1.2 BIC评分 | 第22-23页 |
| 3.2 算法仿真 | 第23-24页 |
| 3.3 小数据集下的数据处理 | 第24-25页 |
| 3.4 本章小结 | 第25-26页 |
| 4 贝叶斯网络推理算法 | 第26-42页 |
| 4.1 相关概念介绍 | 第26-27页 |
| 4.2 联合树算法 | 第27-31页 |
| 4.3 高效联合树算法 | 第31-41页 |
| 4.3.1 简化结构算法 | 第32-34页 |
| 4.3.2 信息传播改进 | 第34-38页 |
| 4.3.3 高效联合树算法 | 第38-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 亚健康状态的预测分析 | 第42-48页 |
| 5.1 诊断方案 | 第42-43页 |
| 5.2 预测模型 | 第43-45页 |
| 5.2.1 确定网络变量 | 第43-44页 |
| 5.2.2 模型建立 | 第44-45页 |
| 5.3 预测分析 | 第45-47页 |
| 5.4 本章小结 | 第47-48页 |
| 6 总结与展望 | 第48-50页 |
| 6.1 工作总结 | 第48-49页 |
| 6.2 工作展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-56页 |
| 作者在读硕士期间发表的研究成果 | 第56页 |
