| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-11页 |
| 目录 | 第11-14页 |
| 图目录 | 第14-16页 |
| 表目录 | 第16-17页 |
| 第1章 绪论 | 第17-25页 |
| ·研究背景和意义 | 第17-19页 |
| ·树型贝叶斯网络分类器发展及现状 | 第19-21页 |
| ·存在的问题 | 第21-22页 |
| ·本文的研究内容 | 第22-23页 |
| ·论文组织 | 第23-25页 |
| 第2章 树型贝叶斯网络分类器 | 第25-37页 |
| ·分类器 | 第25-29页 |
| ·分类器的定义 | 第25-26页 |
| ·分类器监督学习方法 | 第26-27页 |
| ·分类器的误分类率 | 第27-28页 |
| ·交叉验证法评估分类器的性能 | 第28页 |
| ·尾配对t检验评估两分类器性能的差异 | 第28-29页 |
| ·贝叶斯网络 | 第29-32页 |
| ·概率图 | 第29-30页 |
| ·贝叶斯网络 | 第30-31页 |
| ·贝叶斯网络中的条件独立性表示 | 第31-32页 |
| ·树型贝叶斯网络分类器 | 第32-35页 |
| ·贝叶斯网络分类器 | 第32-33页 |
| ·朴素贝叶斯分类器及其简单拓展 | 第33-34页 |
| ·树型贝叶斯网络分类器TBNC | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第3章 树型贝叶斯网络分类器冗余边的研究及消除算法 | 第37-57页 |
| ·引言 | 第37-38页 |
| ·学习策略 | 第38-41页 |
| ·生成式学习策略 | 第39页 |
| ·鉴别式学习策略 | 第39-41页 |
| ·冗余结构的缺陷研究 | 第41-50页 |
| ·网络结构与变量分布关系的定量描述 | 第41-44页 |
| ·冗余结构的普遍存在性与缺陷实验 | 第44-50页 |
| ·冗余结构消除算法RSD | 第50-56页 |
| ·基于对数条件似然函数偏导数的RSD算法 | 第50-55页 |
| ·RSD算法的性能实验 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第4章 同底图树型贝叶斯网络分类器等价研究及应用 | 第57-85页 |
| ·引言 | 第57-59页 |
| ·贝叶斯网络的等价性 | 第59-61页 |
| ·同底图树型贝叶斯网络分类器的等价性 | 第61-67页 |
| ·树型贝叶斯网络结构空间 | 第61-63页 |
| ·树型贝叶斯网络分类器结构等价类空间 | 第63-67页 |
| ·树型贝叶斯网络分类器学习框架LFWAR | 第67-77页 |
| ·LFWAR学习框架 | 第67-69页 |
| ·LFWAR有效性实验 | 第69-77页 |
| ·场景分类中LFWAR的效应 | 第77-81页 |
| ·场景分类学习基本原理 | 第77-79页 |
| ·SCL算法 | 第79-80页 |
| ·SCL算法效率实验 | 第80-81页 |
| ·本章小结 | 第81-85页 |
| 第5章 基于非独立同分布多源数据的结构学习健壮性研究 | 第85-95页 |
| ·引言 | 第85-86页 |
| ·非对立同分布数据统计合并方法 | 第86-89页 |
| ·TBCND算法 | 第89-90页 |
| ·基于非独立同分布数据的结构学习健壮性实验 | 第90-93页 |
| ·本章小结 | 第93-95页 |
| 第6章 基于集成方法的多类值分类器参数学习及降噪算法 | 第95-113页 |
| ·引言 | 第95-96页 |
| ·树型贝叶斯网络分类器参数集成学习 | 第96-98页 |
| ·指数损失函数与对数条件似然函数的一致性 | 第96-97页 |
| ·类值分类器参数集成学习 | 第97-98页 |
| ·基于集成方法的多类值参数学习扩展 | 第98-100页 |
| ·基于集成学习的参数学习降噪算法 | 第100-102页 |
| ·二类值参数学习降噪算法 | 第100-101页 |
| ·多类值不平衡数据参数学习降噪算法SmoothedBNB | 第101-102页 |
| ·分类器参数学习降噪实验 | 第102-110页 |
| ·本章小结 | 第110-113页 |
| 第7章 总结与展望 | 第113-117页 |
| ·研究工作总结 | 第113-115页 |
| ·未来工作展望 | 第115-117页 |
| 参考文献 | 第117-125页 |
| 攻读学位期间发表和录用的论文 | 第125-129页 |
| 学位论文数据集 | 第129页 |
