| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.1.1 贝叶斯网络的研究现状及意义 | 第9-10页 |
| 1.1.2 量子贝叶斯网络研究现状及意义 | 第10-11页 |
| 1.2 论文的主要内容 | 第11-12页 |
| 1.3 论文主要创新点 | 第12-13页 |
| 第二章 贝叶斯网络结构研究 | 第13-30页 |
| 2.1 贝叶斯网络的基本理论 | 第13-18页 |
| 2.1.1 贝叶斯网络的基本定义 | 第13-15页 |
| 2.1.2 贝叶斯网络模型的实例分析 | 第15-18页 |
| 2.2 贝叶斯网络参数学习 | 第18-21页 |
| 2.2.1 最大似然估计法 | 第19-20页 |
| 2.2.2 贝叶斯估计法 | 第20-21页 |
| 2.3 贝叶斯网络结构学习 | 第21-29页 |
| 2.3.1 基于依赖分析的贝叶斯网络结构学习 | 第21-23页 |
| 2.3.2 基于搜索评分的贝叶斯网络结构学习 | 第23-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 量子粒子群算法研究 | 第30-43页 |
| 3.1 基于量子位概率幅的粒子群算法QPSEA | 第30-31页 |
| 3.1.1 算法原理 | 第30-31页 |
| 3.1.2 算法流程 | 第31页 |
| 3.2 基于量子力学波函数的粒子群算法QPSO | 第31-33页 |
| 3.2.1 算法原理 | 第31-32页 |
| 3.2.2 算法流程 | 第32-33页 |
| 3.3 QPSEA与QPSO算法数值仿真与性能分析 | 第33-40页 |
| 3.4 一种改进的QPSO算法 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于量子粒子群算法的经典贝叶斯网络结构学习 | 第43-51页 |
| 4.1 参数编码 | 第43页 |
| 4.2 评分函数的确定 | 第43-44页 |
| 4.3 去环 | 第44-45页 |
| 4.4 算法原理和算法流程 | 第45-46页 |
| 4.4.1 算法原理 | 第45-46页 |
| 4.4.2 算法流程 | 第46页 |
| 4.5 仿真结果及分析 | 第46-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 量子贝叶斯网络的结构研究 | 第51-65页 |
| 5.1 量子信息基础知识 | 第51-54页 |
| 5.2 基于密度算子的量子贝叶斯网络 | 第54-56页 |
| 5.2.1 基于密度算子的量子贝叶斯网络的基本概念 | 第54-55页 |
| 5.2.2 基于密度算子的量子贝叶斯网络结构研究 | 第55-56页 |
| 5.3 基于Stern-Gerlach的量子贝叶斯网络 | 第56-61页 |
| 5.3.1 基于Stern-Garlach量子贝叶斯网络的基本概念 | 第56-59页 |
| 5.3.2 基于Stern-Gerlach量子贝叶斯网络结构研究 | 第59-61页 |
| 5.4 一种改进的量子贝叶斯网络 | 第61-63页 |
| 5.5 量子贝叶斯网络的应用 | 第63-64页 |
| 5.6 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 课题工作总结 | 第65-66页 |
| 6.2 进一步研究方向 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第70-71页 |
| 致谢 | 第71页 |
