| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究意义 | 第7-8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 研究内容 | 第9-10页 |
| 1.4 论文结构 | 第10-12页 |
| 第二章 背景知识 | 第12-21页 |
| 2.1 依赖模型及其与图的关系 | 第12-14页 |
| 2.2 马尔可夫(Markov)网 | 第14-16页 |
| 2.3 Apriori算法 | 第16-20页 |
| 2.3.1 关联规则 | 第16-17页 |
| 2.3.2 Apriori算法 | 第17-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 Markov网的构造方法 | 第21-30页 |
| 3.1 基于依赖分析的Markov网构造方法 | 第21-25页 |
| 3.1.1 信息熵基础 | 第21-22页 |
| 3.1.2 基于依赖分析的Markov网构造方法 | 第22-25页 |
| 3.2 基于频繁项集的Markov网构造方法 | 第25-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 增量Markov网更新算法(iMU) | 第30-50页 |
| 4.1 增量学习的概念 | 第30-31页 |
| 4.2 增量Apriori算法 | 第31-36页 |
| 4.2.1 增量Apriori算法的提出 | 第31页 |
| 4.2.2 负性边缘(Negative Border) | 第31-32页 |
| 4.2.3 算法思想描述 | 第32-36页 |
| 4.3 增量Markov网更新算法(iMU) | 第36-40页 |
| 4.3.1 结点更新 | 第37-38页 |
| 4.3.2 边更新 | 第38-40页 |
| 4.4 对比实验 | 第40-49页 |
| 4.4.1 实验软硬件条件 | 第41页 |
| 4.4.2 实验数据及处理 | 第41-43页 |
| 4.4.3 实验步骤 | 第43-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-51页 |
| 5.1 主要完成工作 | 第50页 |
| 5.2 对未来展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间发表的论文 | 第54-55页 |
| 致谢 | 第55页 |