导读:本文包含了连续变量离散化方法论文开题报告文献综述及选题提纲参考文献，主要关键词:贝叶斯网络,连续变量,离散化
连续变量离散化方法论文文献综述
刘晓明,李盼池,刘显德,肖红[1]（2018）在《贝叶斯网络参数学习中的连续变量离散化方法研究》一文中研究指出在贝叶斯网络参数学习中,通常假定所有变量是离散变量或者服从高斯分布的连续变量,所以需要对现实中一些不符合该前提假设的变量进行离散化。连续变量的离散化直接影响贝叶斯网络的推理效果,因而具有重要意义。论文采用两种不同的方法(分别为等宽法、ChiMerge法)对数据集进行离散化,离散后的结果运用Netica构建相应的贝叶斯网络并进行参数学习,最后利用得到的贝叶斯网络进行简单的预测分析。(本文来源于《计算机与数字工程》期刊2018年05期）
吴红,王维平,杨峰[2]（2012）在《贝叶斯网络参数学习中的连续变量离散化方法》一文中研究指出首先从离散方案对推理功能的影响出发,提出将条件信息熵作为评判离散方案好坏的标准;其次从降低问题求解的复杂度出发,提出将贝叶斯网络划分为多个极小简单子网分别进行离散化;最后,依据离散化问题与路径规划问题的相似性,设计了一套利用蚁群算法进行问题求解的方法。实验表明,采用所提方法进行贝叶斯网络连续变量离散化,能很好地将连续变量的取值空间进行分类,从而达到良好的推理效果。(本文来源于《系统工程与电子技术》期刊2012年10期）
周旋,王磊,朱延广,杨峰[3]（2009）在《贝叶斯网参数学习中连续变量离散化方法研究》一文中研究指出连续变量离散化是贝叶斯网络参数学习中面临的一个重要问题,它的好坏将直接影响到贝叶斯网络的推理效果。目前缺少一种有效的手段用于评价连续变量离散化的好坏,通过研究,提出了推理信息量的概念,并采用作为衡量连续变量离散化好坏的标准。在连续变量离散化的过程中,采用遗传算法通过迭代的方式寻求最优解,其中,推理信息量作为衡量个体适应度的标准。实例分析证明,推理信息量大的推理效果好要优于推理信息量小的推理效果。(本文来源于《计算机仿真》期刊2009年09期）
张化光,徐悦,孙秋野[4]（2008）在《基于模糊粗糙集的系统连续变量离散化方法》一文中研究指出提出和探讨了一种新的基于模糊粗糙集和断点简约化的离散化方法.综合考虑到规则的支持度和可信度及其关系,应用属性离散指标作为离散化的标准,证明了该指标可以作为离散化彻底的充分条件.并且在时间复杂度和空间复杂度方面分析了算法的有效性,与同类算法比较可以发现该算法在基本不损失分类信息的基础上有效降低这两方面的复杂度,能有效地避免以往各种算法中出现的弊端.最后将其应用于电网故障诊断中,通过具体算例测试,证明该算法的有效性和实用性.(本文来源于《东北大学学报(自然科学版)》期刊2008年01期）
李排昌,左萍,蔡瑾[5]（2006）在《连续变量的离散化方法》一文中研究指出高等数学研究什么问题?它以什么样的单位度量数据?它研究数学问题的思想方法又是什么?这些无疑都是科技工作者所关心的问题。本文以简明的实例和论述从叁个方面阐明了高等数学的连续变量的离散化方法,为分析数学问题提供了简明的数学模型。(本文来源于《中国人民公安大学学报(自然科学版)》期刊2006年02期）
连续变量离散化方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
首先从离散方案对推理功能的影响出发,提出将条件信息熵作为评判离散方案好坏的标准;其次从降低问题求解的复杂度出发,提出将贝叶斯网络划分为多个极小简单子网分别进行离散化;最后,依据离散化问题与路径规划问题的相似性,设计了一套利用蚁群算法进行问题求解的方法。实验表明,采用所提方法进行贝叶斯网络连续变量离散化,能很好地将连续变量的取值空间进行分类,从而达到良好的推理效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
连续变量离散化方法论文参考文献
[1].刘晓明,李盼池,刘显德,肖红.贝叶斯网络参数学习中的连续变量离散化方法研究[J].计算机与数字工程.2018
[2].吴红,王维平,杨峰.贝叶斯网络参数学习中的连续变量离散化方法[J].系统工程与电子技术.2012
[3].周旋,王磊,朱延广,杨峰.贝叶斯网参数学习中连续变量离散化方法研究[J].计算机仿真.2009
[4].张化光,徐悦,孙秋野.基于模糊粗糙集的系统连续变量离散化方法[J].东北大学学报(自然科学版).2008
[5].李排昌,左萍,蔡瑾.连续变量的离散化方法[J].中国人民公安大学学报(自然科学版).2006