声明
致谢
摘要
1 引言
1.1 研究背景及意义
1.2 因果关系研究综述
1.2.1 因果模型
1.2.2 被动因果关系发现
1.2.3 主动因果关系发现
1.2.3 因果关系传播过程研究
1.2.4 因果关系传播动力研究
1.3 复杂系统因果关系研究面临的挑战
1.4 本文主要研究内容
1.4.1 课题来源
1.4.2 内容组织
2 因果关系研究的理论基础
2.1 引言
2.2 因果模型
2.2.1 概率论基础
2.2.2 贝叶斯网络
2.2.3 因果贝叶斯网络
2.3 因果贝叶斯网络结构被动学习
2.3.1 基于评分搜索的学习方法
2.3.2 基于依赖分析的学习方法
2.4 因果贝叶斯网络扰动学习
2.4.1 扰动定义
2.4.2 扰动模型
2.5 小结
3 基于因果强度和扰动测试的复杂系统因果结构关系发现
3.1 引言
3.2 扰动学习的基本原理
3.2.1 结构扰动
3.2.2 参数扰动
3.3 因果强度的度量准则
3.3.1 Good的因果微积分学
3.3.2 Cheng的因果强度理论
3.3.3 基于互信息的因果强度
3.4 基于因果强度和扰动测试的因果结构关系发现算法
3.4.1 边缘后验概率计算
3.4.2 因果贝叶斯网络结构学习
3.4.3 扰动结点选择
3.4.4 算法评价准则
3.4.5 算法描述
3.5 结果分析
3.5.1 三种因果强度准则的结果分析
3.5.2 互信息和非对称信息熵结合的结果分析
3.6 小结
4 基于灵敏性分析的复杂系统因果传播过程研究
4.1 引言
4.2 贝叶斯网络灵敏性分析
4.2.1 灵敏性函数
4.2.2 灵敏度
4.3 基于灵敏性分析的因果传播过程
4.3.1 联合树中的消息传递
4.3.2 基于联合树的灵敏性函数计算
4.3.3 基于灵敏性分析的因果传播过程
4.4 基于结点灵敏度的因果链搜索
4.4.1 因果链构造
4.4.2 基于结点灵敏度的因果链搜索算法(SA_CC)
4.4.3 算法时间复杂性分析
4.5 实验结果与分析
4.5.1 实例分析
4.5.2 算法的时间性能
4.6 小结
5 基于能量计算模型的复杂系统因果传播动力机理研究
5.1 引言
5.2 股市系统的能量计算模型
5.2.1 随机指标的能量计算模型
5.2.2 相对强弱指标的能量计算模型
5.2.3 指数平滑异同移动平均线的能量计算模型
5.2.4 成交量指标的能量计算模型
5.2.5 收盘指数的能量计算模型
5.3 基于贝叶斯网络的能量特征融合
5.3.1 能量分布不一致性
5.3.2 技术指标能量融合
5.3.3 时序能量融合
5.4 基于能量计算模型的股市态势预测
5.4.1 能量约束的SVM股市态势预测模型
5.4.2 能量计算股市态势预测算法(E-STF)
5.5 实验结果与分析
5.5.1 预测准确率分析
5.5.2 股市态势能量一致性分析
5.6 本章小结
6 总结与展望
6.1 论文内容总结
6.2 未来工作
参考文献
攻读博士学位期间的学术活动及成果情况