摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
缩写、符号清单、术语表 | 第9-16页 |
第一章 绪论 | 第16-33页 |
1.1 引言 | 第16-19页 |
1.2 因果网络结构学习的研究现状及应用 | 第19-26页 |
1.2.1 因果网络结构学习的国内外研究现状 | 第20-25页 |
1.2.2 因果网络结构学习领域的主要应用 | 第25-26页 |
1.3 预备知识 | 第26-31页 |
1.3.1 图的定义 | 第26-27页 |
1.3.2 因果网络 | 第27页 |
1.3.3 D分离准则 | 第27-28页 |
1.3.4 条件独立性测试 | 第28页 |
1.3.5 因果充分性假设与忠诚性假设 | 第28-29页 |
1.3.6 因果马尔科夫假设 | 第29页 |
1.3.7 ANM模型 | 第29-30页 |
1.3.8 PC算法 | 第30-31页 |
1.4 本文的主要研究内容 | 第31-33页 |
第二章 基于独立残差测试的高维因果网络结构学习算法 | 第33-47页 |
2.1 引言 | 第33-35页 |
2.2 独立残差检验(RIT)方法 | 第35-38页 |
2.3 算法框架 | 第38-41页 |
2.4 实验结果分析 | 第41-45页 |
2.4.1 虚拟网络实验 | 第41-43页 |
2.4.2 真实网络实验 | 第43-45页 |
2.5 本章小结 | 第45-47页 |
第三章 基于条件集维度约简的高维因果网络结构学习算法 | 第47-62页 |
3.1 引言 | 第47-48页 |
3.2 相关知识 | 第48-50页 |
3.3 FCDM算法 | 第50-55页 |
3.3.1 相关定理 | 第50-51页 |
3.3.2 因果节点特征选择方法 | 第51-52页 |
3.3.3 算法框架 | 第52-55页 |
3.4 实验结果分析 | 第55-61页 |
3.4.1 FCDM和PC算法之间的比较 | 第55-57页 |
3.4.2 FCDM算法在不同样本量下的效果 | 第57-61页 |
3.5 本章小结 | 第61-62页 |
第四章 基于低阶条件独立性测试的高维因果网络结构学习算法 | 第62-76页 |
4.1 引言 | 第62-64页 |
4.2 LCSCD算法 | 第64-69页 |
4.2.1 基于低阶条件集的粗糙因果骨架构造过程 | 第64-65页 |
4.2.2 寻找因果分区 | 第65-67页 |
4.2.3 算法框架 | 第67-69页 |
4.3 实验结果分析 | 第69-74页 |
4.3.1 两种算法在不同网络结构可靠性比较 | 第70-73页 |
4.3.2 两种算法在不同网络下执行时间的比较 | 第73-74页 |
4.4 本章小结 | 第74-76页 |
第五章 结合K2和BSO的高维因果网络结构学习算法 | 第76-96页 |
5.1 引言 | 第76-78页 |
5.2 K2算法和BSO算法 | 第78-81页 |
5.2.1 K2算法 | 第78-79页 |
5.2.2 BSO算法 | 第79-81页 |
5.3 K2-BSO算法过程 | 第81-86页 |
5.3.1 聚类优化过程 | 第82-84页 |
5.3.2 算法框架 | 第84-86页 |
5.4 算法的性能分析 | 第86-87页 |
5.5 实验结果分析 | 第87-95页 |
5.6 本章小结 | 第95-96页 |
总结与展望 | 第96-98页 |
本文的主要工作 | 第96-97页 |
未来工作展望 | 第97-98页 |
参考文献 | 第98-108页 |
攻读博士学位期间发表或完成的论文 | 第108-109页 |
攻读博士学位期间获得的奖励和参与的项目 | 第109-111页 |
致谢 | 第111-112页 |