极大或极小数据集下贝叶斯网学习的研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-12页 |
| 第一章 引言 | 第12-16页 |
| ·课题背景 | 第12页 |
| ·课题内容 | 第12-13页 |
| ·课题意义 | 第13-14页 |
| ·本文的组织结构 | 第14-16页 |
| 第二章 相关技术概述 | 第16-30页 |
| ·贝叶斯网络模型的描述 | 第16-17页 |
| ·贝叶斯网络的构造方式 | 第17页 |
| ·贝叶斯网络的学习 | 第17-18页 |
| ·贝叶斯网络分类器和SVM分类器 | 第18-21页 |
| ·朴素贝叶斯分类器 | 第18-19页 |
| ·TAN分类器 | 第19-20页 |
| ·SVM分类器 | 第20-21页 |
| ·基于贝叶斯分类器的比较 | 第21页 |
| ·异常数据集下的贝叶斯网络学习概述 | 第21-24页 |
| ·极大数据集下贝叶斯网络的学习 | 第21-22页 |
| ·极小数据集下贝叶斯网络的学习 | 第22-24页 |
| ·相关算法及基础知识 | 第24-28页 |
| ·SEM算法 | 第24-26页 |
| ·bootstrap统计原理 | 第26-27页 |
| ·PACOB算法 | 第27-28页 |
| ·实验评价方案 | 第28页 |
| ·本章小结 | 第28-30页 |
| 第三章 支持数据缺失的贝叶斯网络增量学习方法 | 第30-40页 |
| ·基础策略 | 第30-32页 |
| ·贝叶斯网络增量学习的一般策略 | 第31页 |
| ·数据缺失下贝叶斯网络学习的一般策略 | 第31页 |
| ·增量学习下的打分函数 | 第31-32页 |
| ·IBN-M算法设计 | 第32-33页 |
| ·IBN-M的验证 | 第33-36页 |
| ·IBN-M的一个应用 | 第36-38页 |
| ·问题描述 | 第36页 |
| ·实验数据集和实验设计 | 第36-37页 |
| ·实验数据预处理 | 第37-38页 |
| ·实验结果分析 | 第38页 |
| ·本章小结 | 第38-40页 |
| 第四章 基于特征置信的贝叶斯网络学习方法 | 第40-50页 |
| ·基础策略 | 第40-42页 |
| ·bootstrap抽样估计 | 第40-41页 |
| ·贝叶斯网络等价类 | 第41-42页 |
| ·搜索算法 | 第42页 |
| ·边特征置信指导下的贝叶斯网络学习 | 第42页 |
| ·FCLBN算法设计 | 第42-44页 |
| ·FCLBN的验证 | 第44-46页 |
| ·实验数据集及实验设计 | 第44页 |
| ·置信度阈值的选择 | 第44-45页 |
| ·置信指导下的结构学习分析 | 第45-46页 |
| ·置信下学习的泛化性能分析 | 第46页 |
| ·FCLBN的一个应用 | 第46-49页 |
| ·问题描述 | 第47页 |
| ·实验数据集和实验设计 | 第47-48页 |
| ·训练集学习分类器结果比较 | 第48-49页 |
| ·预测实验比较 | 第49页 |
| ·结果分析 | 第49页 |
| ·本章小结 | 第49-50页 |
| 第五章 增量学习内嵌置信指导的贝叶斯网络学习 | 第50-56页 |
| ·引言 | 第50-51页 |
| ·MM-IBN算法设计 | 第51-52页 |
| ·MM-IBN的验证 | 第52-54页 |
| ·存储空间消耗评价 | 第53页 |
| ·网络结构方面评价 | 第53-54页 |
| ·数据拟合程度评价 | 第54页 |
| ·MM-IBN的一个应用 | 第54-55页 |
| ·实验小结 | 第55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| ·工作总结 | 第56-57页 |
| ·工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 发表文章目录 | 第62-64页 |
| 致谢 | 第64-65页 |
| 详细摘要 | 第65-67页 |
