| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-15页 |
| 1.1.1 贝叶斯网络研究现状 | 第9-10页 |
| 1.1.2 贝叶斯网络结构学习研究现状 | 第10-15页 |
| 1.2 本文的主要研究内容 | 第15-16页 |
| 1.3 本文组织结构 | 第16-19页 |
| 2 贝叶斯网络概述 | 第19-39页 |
| 2.1 贝叶斯网络定义 | 第19-21页 |
| 2.2 贝叶斯网络基本性质 | 第21-24页 |
| 2.2.1 d-分隔 | 第21-22页 |
| 2.2.2 马尔科夫等价类 | 第22-24页 |
| 2.3 贝叶斯网络的结构学习 | 第24-32页 |
| 2.3.1 结构学习的基本问题及假设 | 第24-25页 |
| 2.3.2 基于约束的结构学习方法 | 第25-28页 |
| 2.3.3 基于评分搜索的结构学习方法 | 第28-31页 |
| 2.3.4 混合学习算法 | 第31-32页 |
| 2.4 动态贝叶斯网络 | 第32-38页 |
| 2.4.1 动态贝叶斯网络的定义及表示 | 第33-34页 |
| 2.4.2 动态贝叶斯网络的结构学习 | 第34-38页 |
| 2.5 本章小结 | 第38-39页 |
| 3 基于MI-BPSO算法的BN结构学习 | 第39-69页 |
| 3.1 信息熵与互信息理论 | 第39-40页 |
| 3.2 二进制粒子群算法 | 第40-43页 |
| 3.3 基于互信息和二进制粒子群优化的MI-BPSO算法 | 第43-55页 |
| 3.3.1 基于互信息的初步网络构造方法 | 第43-48页 |
| 3.3.2 改进二进制粒子群优化算法 | 第48-52页 |
| 3.3.3 无效网络结构的检测与破除 | 第52-55页 |
| 3.3.4 MI-BPSO算法 | 第55页 |
| 3.4 实验设计与结果分析 | 第55-66页 |
| 3.4.1 K2算法和MWST-HC算法 | 第56-57页 |
| 3.4.2 F-score准则 | 第57-58页 |
| 3.4.3 静态BN结构学习的实验分析 | 第58-63页 |
| 3.4.4 动态BN结构学习的实验分析 | 第63-66页 |
| 3.5 本章小结 | 第66-69页 |
| 4 基于改进MIC-BPSO算法的BN结构学习 | 第69-83页 |
| 4.1 最大信息系数 | 第69-70页 |
| 4.2 改进MIC-BPSO算法 | 第70-77页 |
| 4.2.1 基于最大信息系数的初步网络构造方法 | 第70-72页 |
| 4.2.2 基于评分函数分解性的改进BPSO算法 | 第72-76页 |
| 4.2.3 改进MIC-BPSO算法流程 | 第76-77页 |
| 4.3 实验设计与结果分析 | 第77-82页 |
| 4.3.1 静态BN结构学习的实验分析 | 第77-80页 |
| 4.3.2 动态BN结构学习的实验分析 | 第80-82页 |
| 4.4 本章小结 | 第82-83页 |
| 5 总结与展望 | 第83-85页 |
| 5.1 论文工作总结 | 第83-84页 |
| 5.2 未来工作展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 发表论文和参加科研情况说明 | 第89-91页 |
| 致谢 | 第91-93页 |