●章 緒論
1.1 研究背景
1.2 研究內容
1.3 本書結構
第2章 文獻綜述
2.1 QPN模型
2.1.1 基本概念
2.1.2 構造方法及問題
2.2 QPN定性推理
2.2.1 符號傳播算法
2.2.2 約簡歧義性的推理方法
2.3 定量概率網融合
2.4 存在的問題
2.5 本書工作思路
第3章 基於定性互信息的多源QPNs符號融合算法
3.1 定性互信息
3.2 歧義性約簡
3.2.1 增強QPN
3.2.2 性質分析
3.2.3 約簡算法
3.3 符號融合算法QPNSF
3.4 實驗
3.4.1 歧義性約簡算法實驗
3.4.2 QPNSF融合算法實驗
3.5 小結
第4章 基於粗糙集的多源QPNs結構融合算法
4.1 粗糙集理論基礎
4.2 相同節點的結構融合
4.2.1 歧義性約簡
4.2.2 環路消除
4.2.3 融合算法SNQPNF
4.3 時序環境相同節點的結構融合
4.3.1 時變QPN
4.3.2 時變QPN學習算法LTQPN
4.3.3 多時變QPNs融合算法TQPNF
4.4 不同節點的結構融合
4.4.1 基本思想
4.4.2 融合算法DNQPNF
4.5 實驗
4.5.1 SNQPNF融合算法實驗
4.5.2 TOPNF融合算法實驗
4.5.3 DNQPNF融合算法實驗
4.6 小結
第5章 多源QPNs知識在定量BN建模中的應用
5.1 BN建模問題捕述
5.2 BN模型及其評價準則
5.3 面向缺值數據的SEM學習算法
5.4 基於OPNs的BN模型構建算法
5.4.1 基於QPNs知識的BN參數修正
5.4.2 基於QPNs定性知識的搜索算子
5.4.3 初始網絡的選擇規則及其優化策略
5.4.4 SEM-MQ算法
5.4.5 時間復雜性和收斂性
5.5 實驗
5.5.1 實驗環境與數據集
5.5.2 評估指標
5.5.3 SEM-MQ與其他結構學習算法的實驗結果對比與分析
5.5.4 樣本量m與缺值比例r對SEM-MQ實驗結果的影響
5.6 小結
第6章 結語
縮略語
插圖索引
表格索引
附錄A部分實驗代碼
附錄B部分最小樣本實驗數據
參考文獻
後記
內容簡介
概率網是人工智能學科表示並處理概率知識的一類圖模型方法。多源概率網融合是全面進行概率知識表示和推理研究中的重要問題。已有工作大多限於貝葉斯網、影響圖和可能性網等定量概率網的融合,較少考慮到概率知識隻能定性表示或隻需定性表示時的定性概率網模型融合。基於上述問題,本文結合不完整數據,研究QPNs符號融合方法和三種情況下的QPNs結構融合方法。