| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第14-25页 |
| 1.1 研究背景 | 第14-18页 |
| 1.1.1 不确定性人工智能与贝叶斯网络 | 第14-16页 |
| 1.1.2 贝叶斯网络起源、发展与研究现状 | 第16-18页 |
| 1.2 问题提出 | 第18-21页 |
| 1.2.1 贝叶斯网络结构学习与知识获取 | 第18-19页 |
| 1.2.2 贝叶斯网络结构学习方法的新要求 | 第19-21页 |
| 1.3 研究内容与框架 | 第21-24页 |
| 1.4 论文的创新点 | 第24-25页 |
| 第2章 文献综述 | 第25-36页 |
| 2.1 贝叶斯网络结构学习方法文献综述 | 第25-29页 |
| 2.1.1 基于专家知识的贝叶斯网络结构学习方法 | 第25-26页 |
| 2.1.2 基于数据集的贝叶斯网络结构学习方法 | 第26-29页 |
| 2.2 认知科学文献综述 | 第29-35页 |
| 2.2.1 认知与人工智能 | 第29-31页 |
| 2.2.2 认知与不确定性的表达、推理和决策 | 第31-32页 |
| 2.2.3 认知与机器学习 | 第32-33页 |
| 2.2.4 认知与知识获取 | 第33-35页 |
| 2.3 本章小结 | 第35-36页 |
| 第3章 理论基础 | 第36-50页 |
| 3.1 贝叶斯网络的理论基础 | 第36-41页 |
| 3.1.1 贝叶斯网络原理、定义和特性 | 第36-39页 |
| 3.1.2 贝叶斯网络学习和推理 | 第39-41页 |
| 3.2 强相关逻辑的理论基础 | 第41-45页 |
| 3.2.1 逻辑、推论与知识获取 | 第41-42页 |
| 3.2.2 条件关系与CML、传统相关逻辑 | 第42-44页 |
| 3.2.3 知识获取中的相关推论与强相关逻辑 | 第44-45页 |
| 3.3 双库协同认知机制 | 第45-49页 |
| 3.3.1 双库协同机制的概念 | 第45页 |
| 3.3.2 双库协同认知机制理论框架 | 第45-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 基于MQARS算法的贝叶斯网络结构学习方法 | 第50-71页 |
| 4.1 基于MQARS的方法的提出 | 第50-52页 |
| 4.2 基于MQARS的方法的理论框架 | 第52-55页 |
| 4.2.1 基于MQARS的方法的理论平台 | 第52-54页 |
| 4.2.2 基于MQARS的方法的认知特性 | 第54-55页 |
| 4.3 先验知识的提取约简方法 | 第55-61页 |
| 4.3.1 先验知识提取约简方法的提出 | 第56页 |
| 4.3.2 基于RS的贝叶斯网络节点约简算法 | 第56-59页 |
| 4.3.3 基于KPCA的先验知识提取算法 | 第59-61页 |
| 4.3.4 基于RS&KPCA的先验知识提取约简算法 | 第61页 |
| 4.4 基于粗糙集的多值属性关联规则挖掘算法(MQARS) | 第61-68页 |
| 4.4.1 MQARS算法的提出 | 第62-63页 |
| 4.4.2 MQARS算法的描述 | 第63-65页 |
| 4.4.3 MQARS算法的实现 | 第65-67页 |
| 4.4.4 MQARS算法的实例 | 第67-68页 |
| 4.5 因果关联规则的贝叶斯网络结构表示方法 | 第68-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第5章 基于强相关逻辑的贝叶斯网络及其结构学习方法 | 第71-85页 |
| 5.1 问题描述 | 第71-73页 |
| 5.1.1 概率逻辑模型 | 第71-72页 |
| 5.1.2 SRL-BNs的提出 | 第72-73页 |
| 5.2 SRL-BNs的概述与特点 | 第73-75页 |
| 5.2.1 SRL-BNs的知识演化 | 第73-74页 |
| 5.2.2 SRL-BNs的特点 | 第74-75页 |
| 5.3 SRL-BNs的组件和语义 | 第75-77页 |
| 5.3.1 SRL-BNs的组件 | 第75-76页 |
| 5.3.2 SRL-BNs宣言式的语义 | 第76-77页 |
| 5.4 基于SRL-BNs的贝叶斯网络结构学习方法 | 第77-82页 |
| 5.4.1 基于SRL-BNs的方法的提出 | 第77-79页 |
| 5.4.2 基于SRL-BNs的方法的认知特性 | 第79-80页 |
| 5.4.3 基于SRL-BNs的方法的流程和算法描述 | 第80-82页 |
| 5.5 一个SRL-BNs的实例研究 | 第82-84页 |
| 5.6 本章小结 | 第84-85页 |
| 第6章 基于MQARS的方法在财务预警问题研究的应用 | 第85-104页 |
| 6.1 问题提出 | 第85-91页 |
| 6.1.1 研究背景 | 第85-86页 |
| 6.1.2 财务危机界定与财务预警模型研究综述 | 第86-90页 |
| 6.1.3 贝叶斯网络方法的提出 | 第90-91页 |
| 6.2 研究设计 | 第91-95页 |
| 6.2.1 样本的界定与选取 | 第91-94页 |
| 6.2.2 财务指标的确定 | 第94-95页 |
| 6.3 构建基于贝叶斯网络的财务预警模型 | 第95-100页 |
| 6.3.1 基于RS的财务指标的约简 | 第95-97页 |
| 6.3.2 财务预警模型的网络结构学习 | 第97-98页 |
| 6.3.3 财务预警模型节点参数确定 | 第98-100页 |
| 6.4 模型应用及实证研究结论 | 第100-103页 |
| 6.4.1 财务预警系统的应用 | 第100-102页 |
| 6.4.2 实证研究结论 | 第102-103页 |
| 6.5 本章小结 | 第103-104页 |
| 第7章 基于SRL-BNS的方法在产业集群衰退预测的应用 | 第104-126页 |
| 7.1 研究背景与研究现状 | 第104-106页 |
| 7.2 研究设计 | 第106-109页 |
| 7.2.1 研究样本的选取 | 第107页 |
| 7.2.2 研究样本的界定 | 第107-109页 |
| 7.3 产业集群衰退知识库构建 | 第109-115页 |
| 7.3.1 逻辑斯蒂方程与需求增长率 | 第109-110页 |
| 7.3.2 资源需求量与企业成本 | 第110-111页 |
| 7.3.3 集群规模与吸引力 | 第111-112页 |
| 7.3.4 经济周期与市场需求量 | 第112页 |
| 7.3.5 路径依赖与技术创新力 | 第112-113页 |
| 7.3.6 路径依赖与战略选择 | 第113-114页 |
| 7.3.7 知识溢出效应 | 第114-115页 |
| 7.4 构建基于SRL-BNs的产业集群衰退模型 | 第115-121页 |
| 7.4.1 基于SRL的简单条件句和谓词提取 | 第115-117页 |
| 7.4.2 创建定性贝叶斯子句 | 第117-118页 |
| 7.4.3 创建过程贝叶斯子句 | 第118-120页 |
| 7.4.4 确定定量贝叶斯子句 | 第120-121页 |
| 7.5 预测结果分析及结论 | 第121-125页 |
| 7.6 本章小结 | 第125-126页 |
| 第8章 结论与展望 | 第126-128页 |
| 8.1 论文的主要结论 | 第126-127页 |
| 8.2 未来工作的展望 | 第127-128页 |
| 参考文献 | 第128-136页 |
| 附录 | 第136-148页 |
| 致谢 | 第148-149页 |
| 作者攻读博士学位期间发表论文情况 | 第149-150页 |
| 作者简介 | 第150页 |
