基于加性噪声模型的因果关系推断理论及其应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究背景与意义 | 第14-21页 |
| 1.1.1 论文内容安排 | 第16-18页 |
| 1.1.2 主要贡献 | 第18-21页 |
| 第二章 相关研究 | 第21-29页 |
| 2.1 引言 | 第21-22页 |
| 2.2 基于加性噪声方法的因果关系推断模型 | 第22-24页 |
| 2.2.1 一对一连续因果关系 | 第22-23页 |
| 2.2.2 一对一离散因果关系 | 第23-24页 |
| 2.3 特征选择算法 | 第24-26页 |
| 2.4 多目标进化算法 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于加性噪声模型的泛化因果关系推断模型 | 第29-58页 |
| 3.1 引言 | 第29-30页 |
| 3.2 算法框架 | 第30-39页 |
| 3.2.1 候选集筛选过程 | 第32-33页 |
| 3.2.2 泛化因果关系推断过程 | 第33-39页 |
| 3.3 算法仿真实验 | 第39-49页 |
| 3.3.1 数据生成方法 | 第40-42页 |
| 3.3.2 实验结果一 | 第42-46页 |
| 3.3.3 实验结果二 | 第46-49页 |
| 3.4 算法应用实验 | 第49-56页 |
| 3.4.1 软件项目风险分析数据 | 第50-51页 |
| 3.4.2 实验结果 | 第51-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第四章 基于结构学习的泛化因果关系推断模型 | 第58-75页 |
| 4.1 引言 | 第58-60页 |
| 4.2 算法框架 | 第60-65页 |
| 4.2.1 增边过程 | 第62-64页 |
| 4.2.2 剪边过程 | 第64-65页 |
| 4.3 算法仿真实验 | 第65-69页 |
| 4.3.1 数据生成方式 | 第65-66页 |
| 4.3.2 实验结果 | 第66-69页 |
| 4.4 算法应用应用 | 第69-74页 |
| 4.4.1 股票收益风险数据 | 第69-70页 |
| 4.4.2 实验结果一 | 第70-72页 |
| 4.4.3 实验结果二 | 第72-74页 |
| 4.5 本章小结 | 第74-75页 |
| 第五章 启发式泛化因果关系推断模型 | 第75-91页 |
| 5.1 引言 | 第75-76页 |
| 5.2 算法框架 | 第76-82页 |
| 5.2.1 多目标遗传算法 | 第76-79页 |
| 5.2.2 HMcD算法 | 第79-82页 |
| 5.3 算法仿真实验 | 第82-85页 |
| 5.3.1 数据生成方式 | 第82-84页 |
| 5.3.2 实验结果一 | 第84页 |
| 5.3.3 实验结果二 | 第84-85页 |
| 5.4 算法应用实验 | 第85-90页 |
| 5.4.1 药物副作用风险数据 | 第85-86页 |
| 5.4.2 实验结果 | 第86-90页 |
| 5.5 本章小结 | 第90-91页 |
| 结论 | 第91-93页 |
| 参考文献 | 第93-105页 |
| 攻读博士学位期间发表的论文 | 第105-107页 |
| 致谢 | 第107页 |
