首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

高维因果网络结构学习关键技术研究

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

论文共112页,点击 下载论文
上一篇:增广信息学习
下一篇:中国城市化进程中的城中村改造研究