混合不确定性贝叶斯网络的学习模型及其R软件的辅助实现
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-12页 |
| ·研究背景和研究目的 | 第10-11页 |
| ·研究背景 | 第10页 |
| ·研究目的 | 第10-11页 |
| ·本文结构 | 第11-12页 |
| 第二章 模糊概率和贝叶斯法则 | 第12-17页 |
| ·模糊数学的基本定义 | 第12-13页 |
| ·模糊集合 | 第12页 |
| ·截集 | 第12-13页 |
| ·贝叶斯网络基本定义 | 第13-14页 |
| ·贝叶斯网络的概率基础 | 第13页 |
| ·贝叶斯网络的定义 | 第13-14页 |
| ·模糊概率的定义及其性质 | 第14-15页 |
| ·模糊概率的定义 | 第14-15页 |
| ·模糊概率的性质 | 第15页 |
| ·模糊概率的条件概率和贝叶斯法则 | 第15-16页 |
| ·模糊概率的条件概率 | 第15-16页 |
| ·模糊概率下的贝叶斯法则 | 第16页 |
| ·本章小结 | 第16-17页 |
| 第三章 混合贝叶斯网络 CPT 的构建 | 第17-26页 |
| ·CPT 概述 | 第17-18页 |
| ·多维模糊事件的概率 | 第18-19页 |
| ·二维模糊事件的概率 | 第18-19页 |
| ·联合模糊事件的概率 | 第19页 |
| ·混合 CPT 表的构建 | 第19-22页 |
| ·不包含模糊事件 | 第20页 |
| ·只含模糊事件 | 第20-21页 |
| ·含有混合事件 | 第21-22页 |
| ·混合 CPT 表的一致格式 | 第22-25页 |
| ·混合网络 CPT 表 | 第22-24页 |
| ·参数规范化 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第四章 混合贝叶斯网络参数学习 | 第26-36页 |
| ·参数学习概述 | 第26-27页 |
| ·一般贝叶斯网络参数学习 | 第26页 |
| ·混合贝叶斯网络参数学习 | 第26-27页 |
| ·确定隶属度参数 | 第27-29页 |
| ·K 均值聚类算法 | 第27页 |
| ·连续型变量隶属度 | 第27-28页 |
| ·离散型变量隶属度 | 第28-29页 |
| ·模糊混合事件过滤处理 | 第29-31页 |
| ·数据模糊化 | 第29-31页 |
| ·模糊混合事件过滤算法 | 第31页 |
| ·混合贝叶斯网络的参数学习 | 第31-35页 |
| ·混合贝叶斯网络最大似然估计 | 第31-33页 |
| ·混合贝叶斯网络的贝叶斯估计 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第五章 混合贝叶斯网络结构学习 | 第36-46页 |
| ·混合贝叶斯网络结构学习概述 | 第36页 |
| ·基于约束的混合网络结构学习方法 | 第36-39页 |
| ·条件独立的相关定义 | 第36-37页 |
| ·混合贝叶斯网络下的定义 | 第37-39页 |
| ·条件独立测试方法结构学习 | 第39页 |
| ·基于评分的混合网络结构学习方法 | 第39-40页 |
| ·一般贝叶斯网络的评分准则 | 第39-40页 |
| ·混合贝叶斯网络的评分准则 | 第40页 |
| ·混合贝叶斯网络的结构搜索算法 | 第40-45页 |
| ·混合贝叶斯网络的 K2 算法 | 第40-42页 |
| ·混合贝叶斯网络的爬山法 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第六章 R 软件辅助设计混合贝叶斯网络 | 第46-58页 |
| ·R 软件介绍 | 第46-47页 |
| ·实验数据描述 | 第47-48页 |
| ·R 语言设计混合贝叶斯网络 | 第48-54页 |
| ·变量模糊化 | 第48-49页 |
| ·生成模糊混合事件 | 第49-51页 |
| ·混合贝叶斯网络学习 | 第51-54页 |
| ·混合贝叶斯网络推理与分类 | 第54-57页 |
| ·混合贝叶斯网络推理 | 第54-55页 |
| ·混合贝叶斯网络分类 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 附录 | 第61-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |
