第1章 绪论 1
1.1 研究背景和意义 1
1.1.1 不确定性知识的表示方法 1
1.1.2 Bayesian网的产生与发展 3
1.1.3 Bayesian网的应用领域 5
1.2 本书工作 7
1.2.1 研究目标、思路和路线 7
1.2.2 本文主要内容 7
2.1 贝叶斯定理 9
第2章 Bayesian网有关概念和特性 9
2.2 Bayesian网相关概念 13
2.2.1 Bayesian网定义 13
2.2.2 Bayesian网的语义 17
2.2.3 Bayesian网的主要研究方向 17
2.2.4 Bayesian网的研究热点 17
2.3 Bayesian网有关特性 18
2.3.1 Bayesian网中的条件独立关系 19
2.3.2 Bayesian网中的上下文独立关系 21
2.3.3 Bayesian网中的因果影响独立关系 21
2.4 Bayesian网中独立关系的作用 24
2.5 小结 25
第3章 Bayesian网模型的生成 26
3.1 引言 26
3.2 Bayesian网的图形表示 27
3.2.1 静态模型 27
3.2.2 动态模型 29
3.3 推理Bayesian网模型 30
3.3.1 基于知识的模型构建 31
3.3.2 从观察事例中进行Bayesian网推理 32
3.3.3 不完备数据学习 38
3.4 小结 40
第4章 Bayesian网转换为神经网络 42
4.1 引言 42
4.2 相关工作介绍 42
4.3 Bayesian网和PI-SIGMA网 43
4.3.1 Bayesian网 43
4.3.2 PI-SIGMA网 44
4.4 Bayesian后向传播网 45
4.5 后向传播学习法则 46
4.6 分布的表示 48
4.7 归纳的经验评估 49
4.8 小结 50
第5章 Bayesian网精确推理 52
5.1 引言 52
5.2 双向推理 53
5.3 精确推理 54
5.3.1 精确推理算法 54
5.3.2 边际概率的有效计算 55
5.4 Bayesian网推理的主要算法 56
5.4.1 基于多树传播方法 56
5.4.2 基于团树传播的方法 58
5.4.3 图归约方法 59
5.4.4 基于组合优化的方法 60
5.5 一种新的联合树算法 61
5.5.1 优化联合树算法 62
5.5.2 联合树算法 65
5.5.3 证明算法正确性 66
5.5.4 算法的进一步优化 67
5.6 小结 68
第6章 Bayesian网近似推理 71
6.1 近似推理算法 71
6.2 从误差边界对近似推理算法分类 73
6.3 仿真方法 75
6.4 高斯近似方法 81
6.5 小结 83
第7章 Bayesian网推理应用 84
7.1 概率推理 84
7.2 Bayesian网的结构推理 86
7.2.1 边际似然和Bayesian Dirichlet得分 86
7.2.2 结构学习 87
7.2.3 举例 87
7.2.4 Hierarchical模型 88
7.3 数据遗漏条件下的Bayesian推理方法 90
7.3.1 数据遗漏模式 90
7.3.2 数据遗漏时的Bayesian推理 91
7.3.3 定界塌陷方法 91
7.4 基于马尔可夫假设的因果分析 93
7.5 Bayesian网中的决策模型 97
7.6 小结 102
附录1 基于遗传算法的Bayesian网结构增量推理学习 104
附录2 影响图中的概率推理 114
参考文献 137