基于结构方程模型的因果发现研究
| 摘要 | 第1-10页 |
| Abstract | 第10-12页 |
| 致谢 | 第12-18页 |
| 第一章 绪论 | 第18-26页 |
| ·研究背景 | 第18-19页 |
| ·贝叶斯网络结构学习的研究现状 | 第19-24页 |
| ·基于依赖分析的方法 | 第19页 |
| ·基于评分搜索的方法 | 第19-20页 |
| ·混合方法 | 第20-21页 |
| ·连续变量系统的结构学习方法 | 第21-24页 |
| ·论文研究内容和组织结构 | 第24-26页 |
| ·课题来源 | 第24-25页 |
| ·内容组织 | 第25-26页 |
| 第二章 基础理论 | 第26-40页 |
| ·引言 | 第26页 |
| ·因果模型 | 第26-29页 |
| ·相关概念 | 第29-32页 |
| ·线性结构方程模型的结构学习 | 第32-39页 |
| ·L1MB算法 | 第33-35页 |
| ·TC算法 | 第35-37页 |
| ·Two-Phase算法 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 基于偏相关的因果发现算法 | 第40-62页 |
| ·引言 | 第40页 |
| ·基于偏相关的贝叶斯网络结构学习算法 | 第40-61页 |
| ·算法的框架 | 第40-41页 |
| ·约束阶段 | 第41-44页 |
| ·搜索阶段 | 第44-49页 |
| ·算法的理论分析 | 第49-50页 |
| ·试验 | 第50-61页 |
| ·本章小结 | 第61-62页 |
| 第四章 基于联立方程模型的因果发现算法 | 第62-105页 |
| ·引言 | 第62页 |
| ·基于联立方程模型的贝叶斯网络结构学习算法 | 第62-86页 |
| ·算法的框架 | 第62页 |
| ·约束阶段 | 第62-71页 |
| ·算法的理论分析 | 第71-72页 |
| ·试验 | 第72-86页 |
| ·基于递归联立方程模型的贝叶斯网络结构学习算法 | 第86-104页 |
| ·算法的描述 | 第86-90页 |
| ·算法的理论分析 | 第90-91页 |
| ·试验 | 第91-104页 |
| ·本章小结 | 第104-105页 |
| 第五章 改进的基于偏相关的因果发现算法 | 第105-126页 |
| ·引言 | 第105页 |
| ·改进的基于偏相关的贝叶斯网络结构学习算法 | 第105-125页 |
| ·约束阶段 | 第105-108页 |
| ·算法的理论分析 | 第108-109页 |
| ·试验 | 第109-125页 |
| ·本章小结 | 第125-126页 |
| 第六章 横断面调查数据因果发现 | 第126-139页 |
| ·引言 | 第126页 |
| ·横断面调查基本概念 | 第126-127页 |
| ·基于贝叶斯网络的横断面调查数据因果发现 | 第127-138页 |
| ·数据集 | 第127-129页 |
| ·试验与分析 | 第129-138页 |
| ·本章小结 | 第138-139页 |
| 第七章 因果发现软件包 | 第139-142页 |
| ·数据产生功能 | 第139-140页 |
| ·因果发现算法 | 第140-141页 |
| ·本章小结 | 第141-142页 |
| 第八章 结束语 | 第142-144页 |
| ·主要研究工作 | 第142-143页 |
| ·下一步研究工作 | 第143-144页 |
| 参考文献 | 第144-154页 |
| 攻读博士学位期间参加研究的课题和发表的论文 | 第154-155页 |
