| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-18页 |
| ·研究的背景和意义 | 第11-12页 |
| ·贝叶斯网络的产生、发展和研究现状 | 第12-16页 |
| ·贝叶斯网络的应用 | 第16-17页 |
| ·本文的研究内容和结构安排 | 第17-18页 |
| 2 贝叶斯网络概述 | 第18-26页 |
| ·贝叶斯网络基础 | 第18-19页 |
| ·贝叶斯网络参数学习 | 第19-20页 |
| ·贝叶斯网络结构学习 | 第20-25页 |
| ·基于条件独立性测试的方法 | 第20-21页 |
| ·基于评分搜索的方法 | 第21-23页 |
| ·不完整数据的结构学习 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 3 基于贝叶斯网络结构学习的KNN算法 | 第26-37页 |
| ·KNN分类算法 | 第26-29页 |
| ·贝叶斯网络结构学习算法(K2算法) | 第29-30页 |
| ·基于贝叶斯网络结构学习的KNN分类算法 | 第30-32页 |
| ·贝叶斯网络结构的学习 | 第30-31页 |
| ·计算结点变量的权重 | 第31页 |
| ·BS-KNN算法的流程 | 第31-32页 |
| ·实验结果及分析 | 第32-36页 |
| ·本章小结 | 第36-37页 |
| 4 不完整数据的贝叶斯网络结构学习算法 | 第37-47页 |
| ·问题的提出 | 第37-39页 |
| ·不完整数据的插补 | 第39-41页 |
| ·用几何分布表示变量结点的概率分布 | 第39-40页 |
| ·用KL散度来表示不同案例的相似程度 | 第40-41页 |
| ·贝叶斯网络结构学习算法 | 第41-42页 |
| ·实验结果及分析 | 第42-46页 |
| ·本章小结 | 第46-47页 |
| 5 贝叶斯网络在有不完整数据的轻度认知障碍诊断中的应用 | 第47-74页 |
| ·问题的提出 | 第47-53页 |
| ·轻度认知障碍诊断的意义 | 第47-48页 |
| ·轻度认知障碍的概念和类型 | 第48-52页 |
| ·轻度认知障碍的诊断标准 | 第52-53页 |
| ·轻度认知障碍的测试 | 第53-58页 |
| ·被试信息和量表测试 | 第53页 |
| ·记忆测试 | 第53-55页 |
| ·注意网络测试 | 第55-58页 |
| ·不完整数据的贝叶斯网络学习的相关算法 | 第58-61页 |
| ·MNBN算法 | 第61-66页 |
| ·确定特征之间的关系 | 第61-62页 |
| ·找到最相似的案例 | 第62页 |
| ·不完整数据的估计 | 第62-63页 |
| ·得到先验的特征顺序 | 第63-64页 |
| ·构建贝叶斯网络 | 第64页 |
| ·MNBN算法的实现过程 | 第64-66页 |
| ·实验结果分析 | 第66-72页 |
| ·基于MCI的实验结果 | 第66-68页 |
| ·基于标准数据集的实验结果 | 第68-71页 |
| ·MNBN算法与其他算法的比较 | 第71-72页 |
| ·小结 | 第72-74页 |
| 6 贝叶斯网络在预测脑血管疾病危险因素中的应用 | 第74-89页 |
| ·问题的提出 | 第74-75页 |
| ·相关的分析方法 | 第75-78页 |
| ·逻辑回归方法 | 第76-77页 |
| ·支持向量机 | 第77页 |
| ·贝叶斯网络 | 第77-78页 |
| ·预测脑血管疾病危险因素的贝叶斯网络模型的构建 | 第78-82页 |
| ·被试 | 第78-79页 |
| ·数据预处理 | 第79页 |
| ·决定特征的先验顺序 | 第79-81页 |
| ·构建贝叶斯网络 | 第81-82页 |
| ·BN_IG模型 | 第82页 |
| ·实验结果及分析 | 第82-88页 |
| ·CeVD数据集中的实验 | 第82-85页 |
| ·与逐步逻辑回归的比较 | 第85-86页 |
| ·通过ROC曲线来评价BN_IG算法 | 第86页 |
| ·UCI数据集上的实验 | 第86-88页 |
| ·本章小结 | 第88-89页 |
| 结论 | 第89-92页 |
| 参考文献 | 第92-102页 |
| 攻读博士学位期间发表学术论文情况 | 第102-104页 |
| 致谢 | 第104-105页 |