| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 贝叶斯网络理论简介 | 第11-14页 |
| 1.3 本文的研究内容 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 相关理论及预备知识 | 第16-25页 |
| 2.1 信息论基础知识 | 第16-17页 |
| 2.2 数据挖掘相关知识 | 第17-24页 |
| 2.2.1 朴素贝叶斯分类器 | 第18-20页 |
| 2.2.2 树增强的贝叶斯分类器 | 第20-22页 |
| 2.2.3 关联规则及 Apriori 算法 | 第22-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 基于关联规则的树增强朴素贝叶斯结构的学习方法 | 第25-34页 |
| 3.1 基于关联规则和特定实例的属性约减 | 第25-30页 |
| 3.1.1 关联规则与函数依赖 | 第25-26页 |
| 3.1.2 基于依赖关系和实例的属性约减方法 | 第26-27页 |
| 3.1.3 缺失数据与动态训练集选择 | 第27-30页 |
| 3.2 基于关联规则的树增强朴素贝叶斯方法 | 第30-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 迭代的贝叶斯方法及其在辅助医疗诊断中的应用 | 第34-45页 |
| 4.1 基于依赖关系的概率推导 | 第34-36页 |
| 4.2 基于 AD-TAN 和推理规则的属性加减迭代方法 | 第36-41页 |
| 4.2.1 基于 AD-TAN 和推理规则的属性约减 | 第36-38页 |
| 4.2.2 引入迭代控制的属性加减 IC-TAN 方法 | 第38-41页 |
| 4.3 IC-TAN 在辅助医疗诊断中的应用 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 实验及分析 | 第45-57页 |
| 5.1 实验数据集及实验环境简介 | 第45-46页 |
| 5.1.1 数据集简介 | 第45-46页 |
| 5.1.2 实验环境 | 第46页 |
| 5.2 实验方法及相关信息 | 第46-49页 |
| 5.2.1 实验方法及过程 | 第46-47页 |
| 5.2.2 SNB-CFS 简介 | 第47-48页 |
| 5.2.3 TAN-IGS 简介 | 第48-49页 |
| 5.3 实验结果及分析 | 第49-53页 |
| 5.3.1 IC-TAN 与 NB 和 SNB-CFS 对比 | 第49-51页 |
| 5.3.2 IC-TAN 与 TAN 和 TAN-IGS 对比 | 第51-53页 |
| 5.4 实验总结 | 第53-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 论文总结 | 第57-58页 |
| 6.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简介及在学期间所取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |
