| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-12页 |
| 表格清单 | 第12-13页 |
| 插图清单 | 第13-14页 |
| 第一章 概述 | 第14-28页 |
| ·不确定性知识表示的概率图模型 | 第14-16页 |
| ·有向无环图结构的概率图模型 | 第14-16页 |
| ·无向图结构的概率图模型 | 第16页 |
| ·粒度计算与不精确概率 | 第16-19页 |
| ·粒度计算 | 第16-18页 |
| ·商空间意义下定性与定量的相互关系 | 第18页 |
| ·不精确概率 | 第18-19页 |
| ·本文的主要内容及章节安排 | 第19-21页 |
| 参考文献 | 第21-28页 |
| 第二章 基于商空间逼近的知识表示概率图模型：广义因果定性网络与Credal网络 | 第28-66页 |
| ·引言 | 第28-29页 |
| ·因果网络 | 第29-32页 |
| ·商空间逼近 | 第32-37页 |
| ·商空间理论简介 | 第32-34页 |
| ·商空间逼近 | 第34-37页 |
| ·结构融合 | 第37-45页 |
| ·信息一致性与信息非一致性 | 第38页 |
| ·信息一致条件下半序结构的融合 | 第38-40页 |
| ·信息非一致条件下半序结构的融合 | 第40-42页 |
| ·信息非一致情形下半序结构的融合方法 | 第42-45页 |
| ·广义因果定性网络 | 第45-57页 |
| ·因果定性网络 | 第45-47页 |
| ·因果定性网络的性质 | 第47-50页 |
| ·半因果定性网络 | 第50页 |
| ·广义因果定性网络 | 第50-57页 |
| ·Credal网络 | 第57-60页 |
| ·本章小结 | 第60页 |
| 参考文献 | 第60-66页 |
| 第三章 因果网络在构造性学习中的应用 | 第66-96页 |
| ·引言 | 第66页 |
| ·含有隐变量的因果网络在构造性学习中的应用 | 第66-86页 |
| ·因果网络中的隐变量 | 第66-69页 |
| ·构造性学习(覆盖算法) | 第69-74页 |
| ·基于构造性学习的有限混合模型 | 第74-86页 |
| ·基于构造性学习的因果数据挖掘 | 第86-91页 |
| ·小结 | 第91-93页 |
| 参考文献 | 第93-96页 |
| 第四章 粒度计算在认知过程中的表示及其不确定性分析 | 第96-126页 |
| ·引言 | 第96页 |
| ·鞅在认知过程中的应用——离群点辨识与发现 | 第96-104页 |
| ·问题的提出 | 第97-98页 |
| ·鞅性样本的选择 | 第98-100页 |
| ·有限样本集中鞅性样本选择的具体做法 | 第100-101页 |
| ·试验及试验结果分析 | 第101-104页 |
| ·不确定证据下的知识更新 | 第104-110页 |
| ·引言 | 第104页 |
| ·不确定证据下的概率分布知识更新 | 第104-106页 |
| ·认知过程中不同的不确定性证据下的知识更新 | 第106-110页 |
| ·非精确概率,粒概率,商概率模型 | 第110-121页 |
| ·不精确概率 | 第110-113页 |
| ·粒概率 | 第113-115页 |
| ·商概率模型 | 第115-121页 |
| ·本章小结 | 第121-122页 |
| 参考文献 | 第122-126页 |
| 第五章 总结与展望 | 第126-129页 |
| ·本文的主要贡献与创新点 | 第126-127页 |
| ·进一步的研究工作 | 第127-129页 |
| 攻读博士期间科研工作及发表论文 | 第129-131页 |
| 致谢 | 第131页 |