| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-15页 |
| 1.1 课题研究背景和意义 | 第7-10页 |
| 1.2 国内外研究及应用现状 | 第10-12页 |
| 1.3 本文研究的主要内容 | 第12-14页 |
| 1.4 文章的组织结构 | 第14-15页 |
| 2 理论基础综述 | 第15-23页 |
| 2.1 HTM基础综述 | 第15-18页 |
| 2.1.1 HTM算法 | 第15页 |
| 2.1.2 HTM算法原理 | 第15-17页 |
| 2.1.3 HTM算法功能 | 第17-18页 |
| 2.2 贝叶斯网络理论基础 | 第18-21页 |
| 2.2.1 概率论基础知识 | 第18-19页 |
| 2.2.2 图论基础知识 | 第19-21页 |
| 2.2.3 贝叶斯网络的概念 | 第21页 |
| 2.3 HTM和贝叶斯网络算法混合模型的介绍 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于HTM和贝叶斯网络的状态异常检测模型的设计 | 第23-36页 |
| 3.1 基于HTM的多参数序列的分析 | 第23-27页 |
| 3.1.1 基于HTM脑皮质学习算法实现 | 第23-24页 |
| 3.1.2 计算原始的异常分数 | 第24-25页 |
| 3.1.3 计算异常的似然度 | 第25-27页 |
| 3.2 贝叶斯网络节点的确定 | 第27页 |
| 3.3 贝叶斯网络结构的学习 | 第27-29页 |
| 3.3.1 手工构造贝叶斯网络 | 第28页 |
| 3.3.2 基于因果关系的贝叶斯网络的构造 | 第28-29页 |
| 3.4 贝叶斯网络参数的学习 | 第29-31页 |
| 3.4.1 完整数据集下的参数学习 | 第30-31页 |
| 3.4.2 缺失数据时参数学习方法 | 第31页 |
| 3.5 贝叶斯网络推理 | 第31-35页 |
| 3.5.1 贝叶斯网络推理分类 | 第31-32页 |
| 3.5.2 联合树算法 | 第32-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 基于贝叶斯网络的多参数系统状态异常检测算法设计与实现 | 第36-46页 |
| 4.1 基于HTM一维时间序列数据的系统状态异常检测 | 第36-41页 |
| 4.1.1 数据的获取 | 第37-39页 |
| 4.1.2 HTM数据处理 | 第39-41页 |
| 4.2 基于HTM和贝叶斯网络多维数据的系统状态异常检测 | 第41-43页 |
| 4.3 实验结果 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 总结 | 第46-48页 |
| 5.1 研究工作总结 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 结论 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-54页 |
