| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 贝叶斯网络的研究现状 | 第13-16页 |
| 1.3 本文的研究内容与结构安排 | 第16-17页 |
| 第二章 贝叶斯网络概述 | 第17-26页 |
| 2.1 贝叶斯网络基础知识 | 第17-20页 |
| 2.1.1 概率论知识 | 第17页 |
| 2.1.2 信息论知识 | 第17-18页 |
| 2.1.3 图论知识 | 第18-19页 |
| 2.1.4 图分隔与变量独立 | 第19-20页 |
| 2.2 贝叶斯网络模型 | 第20-21页 |
| 2.3 贝叶斯网络结构学习 | 第21-24页 |
| 2.3.1 基于评分搜索的方法 | 第22-23页 |
| 2.3.2 基于条件独立测试的方法 | 第23-24页 |
| 2.4 贝叶斯网络参数学习 | 第24-25页 |
| 2.5 贝叶斯网络推理 | 第25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于MIC ABC算法的贝叶斯网络结构学习 | 第26-39页 |
| 3.1 最大信息系数 | 第26-27页 |
| 3.2 人工蜂群算法 | 第27-30页 |
| 3.3 MIC ABC算法的学习过程 | 第30-34页 |
| 3.3.1 贝叶斯网络结构初始化 | 第30-31页 |
| 3.3.2 贝叶斯网络结构编码 | 第31-32页 |
| 3.3.3 蜜源适应度 | 第32页 |
| 3.3.4 MIC ABC算法流程及实现 | 第32-34页 |
| 3.4 实验仿真 | 第34-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 贝叶斯网络推理 | 第39-49页 |
| 4.1 联合树及其构造 | 第39-43页 |
| 4.1.1 联合树的定义 | 第39-40页 |
| 4.1.2 联合树的构建 | 第40-43页 |
| 4.2 基于联合树的贝叶斯网络推理 | 第43-44页 |
| 4.2.1 推理过程描述 | 第43-44页 |
| 4.2.2 算法描述 | 第44页 |
| 4.3 实验结果 | 第44-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 贝叶斯网络在ICU的应用 | 第49-60页 |
| 5.1 ICU背景 | 第49-50页 |
| 5.2 基于贝叶斯网络的ICU预后评估应用 | 第50-53页 |
| 5.2.1 属性分析及处理 | 第51-52页 |
| 5.2.2 参数学习 | 第52-53页 |
| 5.2.3 应用推理 | 第53页 |
| 5.3 实验分析 | 第53-59页 |
| 5.3.1 数据描述及处理 | 第53-56页 |
| 5.3.2 ICU网络模型 | 第56-58页 |
| 5.3.3 推理及预测 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读学位期间发表的论文 | 第66-68页 |
| 致谢 | 第68页 |