| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-19页 |
| 1.1 引言 | 第11页 |
| 1.2 贝叶斯网络的研究背景及意义 | 第11-13页 |
| 1.3 贝叶斯网络的研究历史及现状 | 第13-15页 |
| 1.4 贝叶斯网络的研究前沿 | 第15-18页 |
| 1.5 本文研究内容及文章结构 | 第18-19页 |
| 2 信息论 | 第19-25页 |
| 2.1 引言 | 第19页 |
| 2.2 熵 | 第19-21页 |
| 2.2.1 熵与微分熵 | 第19-20页 |
| 2.2.2 联合熵 | 第20页 |
| 2.2.3 条件熵 | 第20-21页 |
| 2.3 互信息 | 第21-23页 |
| 2.3.1 互信息 | 第21-23页 |
| 2.3.2 条件互信息 | 第23页 |
| 2.4 最大熵原则与最大互信息原则 | 第23-24页 |
| 2.4.1 最大熵原则 | 第23-24页 |
| 2.4.2 最大互信息原则 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 贝叶斯网络相关理论 | 第25-38页 |
| 3.1 引言 | 第25页 |
| 3.2 概率论基础 | 第25-27页 |
| 3.2.1 先验概率、后验概率及条件概率 | 第25页 |
| 3.2.2 条件概率公式 | 第25-26页 |
| 3.2.3 链式法则 | 第26页 |
| 3.2.4 全概率公式 | 第26页 |
| 3.2.5 贝叶斯规则 | 第26页 |
| 3.2.6 独立性与条件独立性 | 第26-27页 |
| 3.3 图论基础 | 第27-29页 |
| 3.3.1 节点与边 | 第27-28页 |
| 3.3.2 子图 | 第28页 |
| 3.3.3 路径与环 | 第28-29页 |
| 3.4 贝叶斯网络的表示 | 第29页 |
| 3.5 贝叶斯网络的议题 | 第29-30页 |
| 3.6 贝叶斯网络的学习 | 第30-35页 |
| 3.6.1 参数学习 | 第30-32页 |
| 3.6.2 结构学习 | 第32-35页 |
| 3.7 贝叶斯网络与因果关系理论 | 第35-37页 |
| 3.7.1 d分离 | 第35页 |
| 3.7.2 前门准则与后门准则 | 第35-36页 |
| 3.7.3 do算子 | 第36-37页 |
| 3.8 本章小结 | 第37-38页 |
| 4 基于信息论的贝叶斯网络结构学习算法 | 第38-59页 |
| 4.1 引言 | 第38页 |
| 4.2 基于条件熵和高斯过程网络的贝叶斯网络结构局部打分法 | 第38-47页 |
| 4.2.1 高斯过程网络 | 第38-40页 |
| 4.2.2 基于条件熵和高斯过程网络的贝叶斯网络结构局部打分法 | 第40-42页 |
| 4.2.3 基于阈值的改进K2启发式算法 | 第42-43页 |
| 4.2.4 时间复杂度分析 | 第43-44页 |
| 4.2.5 实验结果及分析 | 第44-47页 |
| 4.3 基于赤池信息准则和禁忌搜索的贝叶斯网络结构学习算法 | 第47-58页 |
| 4.3.1 基于信息论的贝叶斯网络降维算法 | 第48-49页 |
| 4.3.2 赤池信息准则 | 第49-50页 |
| 4.3.3 禁忌搜索 | 第50-52页 |
| 4.3.4 基于赤池信息准则和禁忌搜索的贝叶斯网络结构学习算法 | 第52-54页 |
| 4.3.5 实验结果及分析 | 第54-58页 |
| 4.4 本章小结 | 第58-59页 |
| 5 结束语 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间的研究成果目录 | 第65-66页 |
| 致谢 | 第66页 |
