多组图贝叶斯分类模型研究
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-28页 |
| 1.1 基本概念 | 第13-15页 |
| 1.2 研究现状 | 第15-23页 |
| 1.2.1 基于概率的分类方法 | 第15-21页 |
| 1.2.2 其他分类方法 | 第21页 |
| 1.2.3 经典方法的不足 | 第21-23页 |
| 1.3 研究思路 | 第23-28页 |
| 1.3.1 文章结构 | 第23-25页 |
| 1.3.2 主要创新点 | 第25-28页 |
| 第二章 多组图贝叶斯分类框架 | 第28-42页 |
| 2.1 多组图分类框架的基本结构 | 第28-31页 |
| 2.2 组图分类框架的最大参数估计及其缺陷 | 第31-33页 |
| 2.3 组图分类框架的贝叶斯估计 | 第33-37页 |
| 2.4 组图贝叶斯分类框架的完整性 | 第37-39页 |
| 2.5 简化组图贝叶斯分类框架 | 第39-41页 |
| 2.6 本章小结 | 第41-42页 |
| 第三章 组图贝叶斯分类模型的假设与性质 | 第42-56页 |
| 3.1 多项式分布和狄利克雷分布的简介 | 第42-43页 |
| 3.1.1 多项式分布 | 第42-43页 |
| 3.1.2 狄利克雷分布 | 第43页 |
| 3.2 模型的基础假设 | 第43-45页 |
| 3.3 模型的性质 | 第45-53页 |
| 3.4 不完整数据策略 | 第53-54页 |
| 3.5 本章小结 | 第54-56页 |
| 第四章 组图贝叶斯分类模型的学习与推断 | 第56-76页 |
| 4.1 Metropolis-Hasting采样 | 第56-57页 |
| 4.2 组图模型采样算法 | 第57-66页 |
| 4.2.1 原子操作 | 第59-61页 |
| 4.2.2 采样操作 | 第61-63页 |
| 4.2.3 采样算法 | 第63-66页 |
| 4.3 平衡性分析 | 第66-73页 |
| 4.4 模型推理 | 第73-74页 |
| 4.5 本章小结 | 第74-76页 |
| 第五章 实验分析与应用 | 第76-108页 |
| 5.1 仿真数据集 | 第76-99页 |
| 5.1.1 树状结构 | 第77-82页 |
| 5.1.2 网状结构 | 第82-87页 |
| 5.1.3 无明显结构 | 第87-95页 |
| 5.1.4 异构混合结构 | 第95-99页 |
| 5.2 真实数据集 | 第99-101页 |
| 5.3 应用案例 | 第101-107页 |
| 5.3.1 药靶预测 | 第101-104页 |
| 5.3.2 态势识别中的队形确定 | 第104-107页 |
| 5.4 本章小结 | 第107-108页 |
| 第六章 结论与展望 | 第108-112页 |
| 6.1 本文的主要工作 | 第108-109页 |
| 6.2 主要缺陷与将来的工作 | 第109-112页 |
| 致谢 | 第112-114页 |
| 参考文献 | 第114-126页 |
| 作者在学期间取得的学术成果 | 第126-127页 |
