贝叶斯网络结构增量学习研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-19页 |
| ·研究背景和意义 | 第13-14页 |
| ·国内外研究现状 | 第14-18页 |
| ·贝叶斯网络结构批量学习算法的研究现状 | 第14-16页 |
| ·贝叶斯网络结构增量学习研究现状 | 第16-18页 |
| ·论文的研究内容及组织结构 | 第18-19页 |
| 第2章 贝叶斯网络的基本理论 | 第19-25页 |
| ·贝叶斯网络的概述 | 第19-20页 |
| ·贝叶斯网络的学习 | 第20-22页 |
| ·贝叶斯网络的结构学习 | 第21-22页 |
| ·贝叶斯网络的参数学习 | 第22页 |
| ·贝叶斯网络结构学习的两类方法 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 贝叶斯网络结构批量学习算法 | 第25-33页 |
| ·网络结构选择 | 第25-28页 |
| ·最大似然评分函数 | 第25-26页 |
| ·最小描述长度评分函数 | 第26-27页 |
| ·贝叶斯评分函数 | 第27-28页 |
| ·网络结构优化 | 第28-32页 |
| ·评分函数的分解 | 第28-29页 |
| ·K2 算法 | 第29-31页 |
| ·爬山法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第4章 贝叶斯网络结构增量学习算法 | 第33-43页 |
| ·增量学习算法的意义 | 第33页 |
| ·增量学习算法的定义 | 第33-35页 |
| ·增量学习算法的启发式函数 | 第35-40页 |
| ·爬山法搜索路径的特性 | 第35-37页 |
| ·TOCO 启发函数 | 第37-39页 |
| ·RSS 启发函数 | 第39-40页 |
| ·基于启发函数的增量爬山法 | 第40-41页 |
| ·实验分析与比较 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 基于无损分解的贝叶斯网络结构增量学习算法 | 第43-56页 |
| ·贝叶斯网络的无损分解 | 第43-48页 |
| ·联合树分解及其性质 | 第43-45页 |
| ·无损分解的具体方法 | 第45-48页 |
| ·无损性分析 | 第48页 |
| ·基于无损分解的贝叶斯网络结构增量优化算法 | 第48-50页 |
| ·实验分析与比较 | 第50-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| ·总结 | 第56页 |
| ·展望 | 第56-58页 |
| ·启发函数的改进工作 | 第56-57页 |
| ·基于无损分解的增量学习算法的改进工作 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64页 |
