贝叶斯网络结构学习与应用研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第17-27页 |
| 1.1 贝叶斯网络学习 | 第18-20页 |
| 1.1.1 结构学习 | 第18-19页 |
| 1.1.2 参数学习 | 第19-20页 |
| 1.2 贝叶斯网络推理 | 第20-21页 |
| 1.2.1 后验概率问题 | 第20-21页 |
| 1.2.2 最大可能解释MPE问题 | 第21页 |
| 1.2.3 最大后验假设MAP问题 | 第21页 |
| 1.3 贝叶斯网络的应用 | 第21-24页 |
| 1.3.1 故障诊断 | 第22页 |
| 1.3.2 可靠性分析 | 第22-23页 |
| 1.3.3 态势评估 | 第23-24页 |
| 1.4 本文的主要工作及贡献 | 第24-25页 |
| 1.5 本文的组织结构 | 第25-27页 |
| 第2章 相关知识及研究工作 | 第27-45页 |
| 2.1 贝叶斯网络 | 第27-31页 |
| 2.1.1 数学模型 | 第27-29页 |
| 2.1.2 有向分离 | 第29-31页 |
| 2.2 主要结构学习方法 | 第31-40页 |
| 2.2.1 基于约束的方法 | 第32-35页 |
| 2.2.2 基于搜索评分的方法 | 第35-40页 |
| 2.3 基于进化计算的结构学习方法 | 第40-42页 |
| 2.4 混合约束和搜索评分的结构学习方法 | 第42-43页 |
| 2.5 小结 | 第43-45页 |
| 第3章 基于离散人工蜂群算法的结构学习 | 第45-67页 |
| 3.1 引言 | 第45页 |
| 3.2 人工蜂群算法 | 第45-49页 |
| 3.2.1 算法流程 | 第46-47页 |
| 3.2.2 离散人工蜂群算法 | 第47-49页 |
| 3.3 基于MABC-BNL的结构学习 | 第49-54页 |
| 3.3.1 问题抽象 | 第49-50页 |
| 3.3.2 算法描述 | 第50-54页 |
| 3.4 复杂度和收敛性 | 第54-58页 |
| 3.4.1 复杂度分析 | 第54-56页 |
| 3.4.2 收敛性分析 | 第56-58页 |
| 3.5 实验与分析 | 第58-65页 |
| 3.5.1 标准贝叶斯网络数据集 | 第59页 |
| 3.5.2 参数选择 | 第59-62页 |
| 3.5.3 对比实验 | 第62-65页 |
| 3.6 小结 | 第65-67页 |
| 第4章 基于混合约束的结构学习 | 第67-85页 |
| 4.1 引言 | 第67-68页 |
| 4.2 基于图分解的结构学习 | 第68-69页 |
| 4.3 理论分析 | 第69-73页 |
| 4.4 基于分解评分合成的结构学习 | 第73-79页 |
| 4.4.1 DSC流程 | 第73-74页 |
| 4.4.2 构建无向独立图 | 第74-76页 |
| 4.4.3 递归分解 | 第76-77页 |
| 4.4.4 搜索评分 | 第77-78页 |
| 4.4.5 子结构合成 | 第78-79页 |
| 4.5 实验与分析 | 第79-82页 |
| 4.5.1 实验数据 | 第79-80页 |
| 4.5.2 实验对比与分析 | 第80-82页 |
| 4.6 小结 | 第82-85页 |
| 第5章 基于贝叶斯网络的多标签分类 | 第85-97页 |
| 5.1 引言 | 第85-86页 |
| 5.2 多标签分类 | 第86-87页 |
| 5.3 基于贝叶斯网络的多标签分类 | 第87-90页 |
| 5.3.1 标签贝叶斯网络模型 | 第87-88页 |
| 5.3.2 K邻域 | 第88-89页 |
| 5.3.3 不确定性标签推理 | 第89-90页 |
| 5.3.4 算法步骤 | 第90页 |
| 5.4 实验结果及分析 | 第90-96页 |
| 5.4.1 实验数据 | 第90-91页 |
| 5.4.2 评价标准 | 第91-92页 |
| 5.4.3 对比算法 | 第92-93页 |
| 5.4.4 实验结果及分析 | 第93-96页 |
| 5.5 小结 | 第96-97页 |
| 第6章 总结与展望 | 第97-101页 |
| 6.1 本文总结 | 第97-98页 |
| 6.2 有待进一步研究的内容 | 第98-101页 |
| 参考文献 | 第101-111页 |
| 致谢 | 第111-113页 |
| 在读期间发表的学术论文与取得的研究成果 | 第113-114页 |
