| 第一章 绪言 | 第1-22页 |
| ·问题的提出 | 第12-13页 |
| ·贝叶斯网络和贝叶斯技术概述 | 第13-18页 |
| ·贝叶斯网络的起源和发展 | 第13-14页 |
| ·贝叶斯网络和人工神经网络之间的关系 | 第14页 |
| ·贝叶斯理论与知识发现 | 第14-16页 |
| ·贝叶斯网络与人工智能 | 第16-17页 |
| ·贝叶斯方法和其它领域的结合 | 第17-18页 |
| ·贝叶斯技术和贝叶斯网络的应用和挑战 | 第18-21页 |
| ·为什么用贝叶斯网络 | 第18-19页 |
| ·贝叶斯网络的应用 | 第19-20页 |
| ·贝叶斯网络和技术所面临的挑战 | 第20-21页 |
| ·课题来源和本文的组织 | 第21-22页 |
| 第二章 贝叶斯技术和贝叶斯网络的理论基础 | 第22-33页 |
| ·贝叶斯公式 | 第22-23页 |
| ·贝叶斯网络的模型 | 第23-29页 |
| ·图形模型及相关和概念 | 第23-24页 |
| ·贝叶斯网络的形式化描述 | 第24-26页 |
| ·贝叶斯网络的构建方法 | 第26-27页 |
| ·贝叶斯网络的语义 | 第27页 |
| ·贝叶斯网络的优点和不足 | 第27-29页 |
| ·隐含马尔可夫模型 | 第29-30页 |
| ·隐含马尔可夫模型 | 第29-30页 |
| ·隐含马尔可夫模型可解决的问题 | 第30页 |
| ·信息熵理论 | 第30-32页 |
| ·小结 | 第32-33页 |
| 第三章 贝叶斯网络的学习 | 第33-53页 |
| ·机器学习 | 第33-35页 |
| ·机器学习的定义和模型 | 第33页 |
| ·系统的学习方式 | 第33-34页 |
| ·机器学习中的过分拟合问题 | 第34-35页 |
| ·受管理的学习和不受管理的学习 | 第35页 |
| ·贝叶斯网络学习 | 第35-37页 |
| ·贝叶斯网络与学习相关的特点 | 第35-36页 |
| ·贝叶斯网络学习的研究现状 | 第36-37页 |
| ·贝叶斯网络学习所面临的挑战 | 第37页 |
| ·贝叶斯网络的参数学习 | 第37-38页 |
| ·贝叶斯网络结构的评价函数 | 第38-42页 |
| ·贝叶斯后验评价函数 | 第39-40页 |
| ·基于编码理论的MDL测度函数 | 第40-41页 |
| ·两种测度的比较 | 第41-42页 |
| ·遗传算法 | 第42-46页 |
| ·算法的构成要素 | 第42-43页 |
| ·遗传算法的基本实现技术 | 第43-44页 |
| ·基于遗传算法和K2算法相结合的贝叶斯网络结构的学习 | 第44-46页 |
| ·基于遗传算法和MDL原则的贝叶斯网络结构优化算法 | 第46-52页 |
| ·改进的MDL原则 | 第46-48页 |
| ·变形的遗传算法 | 第48页 |
| ·GAMDL算法 | 第48-49页 |
| ·实验结果分析 | 第49-51页 |
| ·算法比较与分析 | 第51-52页 |
| ·小结 | 第52-53页 |
| 第四章 动态贝叶斯网络与智能Agent | 第53-67页 |
| ·动态贝叶斯网络 | 第53-54页 |
| ·智能Agent和MAS | 第54-56页 |
| ·Agent模型 | 第54-55页 |
| ·多Agent系统 | 第55页 |
| ·贝叶斯技术和Agent技术的结合 | 第55-56页 |
| ·影响图 | 第56-61页 |
| ·影响图模型 | 第56-58页 |
| ·最优行为计算和对影响图的评价 | 第58-59页 |
| ·影响图的推理 | 第59-60页 |
| ·基于Agent的贝叶斯网络模型原型 | 第60-61页 |
| ·用贝叶斯网络来实现Agents之间的协商 | 第61-63页 |
| ·协商问题 | 第61页 |
| ·基于贝叶斯的多Agent协商的实现 | 第61-63页 |
| ·基于动态贝叶斯网络的多Agent交互的模型表示 | 第63-66页 |
| ·多人交互的MAS模型假设 | 第63页 |
| ·CHMMs(couple HMMs)图形模型 | 第63-64页 |
| ·基于分解和合并的CHMMs | 第64-66页 |
| ·小结 | 第66-67页 |
| 第五章 总结和展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 附录1 GAMDL算法的实验数据 | 第74-78页 |
| 附录2 GAMDL算法 | 第78-80页 |
| 附录3 攻读硕士学位期间发表的论文 | 第80页 |