| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-11页 |
| CONTENTS | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| ·贝叶斯网络的研究背景和意义 | 第14-15页 |
| ·贝叶斯网络的国内外研究现状 | 第15-16页 |
| ·论文的研究内容和结构 | 第16-18页 |
| ·本文的研究内容 | 第16-17页 |
| ·本文的结构安排 | 第17-18页 |
| 第二章 贝叶斯网络的简介 | 第18-25页 |
| ·贝叶斯网络的基本知识 | 第18-19页 |
| ·条件概率 | 第18-19页 |
| ·贝叶斯公式 | 第19页 |
| ·链规则 | 第19页 |
| ·贝叶斯网络的结构学习 | 第19-22页 |
| ·基于条件独立性的方法 | 第20-21页 |
| ·基于评分搜索的方法 | 第21-22页 |
| ·不完备数据的贝叶斯结构学习 | 第22页 |
| ·贝叶斯网络的参数学习 | 第22-23页 |
| ·极大似然估计 | 第22-23页 |
| ·贝叶斯统计估计 | 第23页 |
| ·贝叶斯网络推理 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 基于最小描述长度和K2算法的贝叶斯结构学习 | 第25-35页 |
| ·贝叶斯结构学习算法介绍 | 第25-27页 |
| ·K2算法 | 第25-26页 |
| ·最小描述长度 | 第26-27页 |
| ·基于最小描述长度和K2的贝叶斯结构学习算法 | 第27-29页 |
| ·构建无向图 | 第27页 |
| ·构建有向图 | 第27-28页 |
| ·算法流程 | 第28-29页 |
| ·实验结果 | 第29-33页 |
| ·Asia网络验证 | 第29-31页 |
| ·BreastCancer网络验证 | 第31-33页 |
| ·本章小结 | 第33-35页 |
| 第四章 基于遗传算法和联合树的贝叶斯推理 | 第35-44页 |
| ·联合树的基本概念 | 第35-38页 |
| ·联合树相关定义 | 第35-36页 |
| ·联合树的构建 | 第36-38页 |
| ·遗传算法 | 第38-39页 |
| ·遗传算法的特点 | 第38页 |
| ·遗产算法的流程 | 第38-39页 |
| ·基于改进的自适应遗传算法的三角化IAGA算法 | 第39-41页 |
| ·实数编码和适应度函数 | 第40页 |
| ·自适应的交叉算子和变异算子 | 第40-41页 |
| ·线性排序选择 | 第41页 |
| ·算法描述 | 第41页 |
| ·实验结果 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 基于贝叶斯网络的老年重症患者预后评估系统 | 第44-57页 |
| ·重症监护室现状分析 | 第44-46页 |
| ·基于贝叶斯网络的老年重症患者预后评估系统 | 第46-49页 |
| ·属性降维 | 第48页 |
| ·参数学习 | 第48-49页 |
| ·贝叶斯推理 | 第49页 |
| ·实验结果 | 第49-56页 |
| ·数据描述 | 第49-51页 |
| ·基于ICU数据的KMBN算法的结构学习结果 | 第51-54页 |
| ·预测结果 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 1 工作总结 | 第57页 |
| 2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文 | 第64-66页 |
| 致谢 | 第66页 |