| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-16页 |
| ·研究背景及意义 | 第11-12页 |
| ·问题提出和分析 | 第12-13页 |
| ·研究环境和数据说明 | 第13-14页 |
| ·论文结构安排 | 第14-16页 |
| 第二章 数据挖掘在医学中的应用 | 第16-26页 |
| ·数据挖掘相关知识 | 第16-19页 |
| ·数据挖掘的相关定义 | 第16页 |
| ·数据挖掘方法和数据库传统分析方法区别 | 第16页 |
| ·数据挖掘研究内容和本质 | 第16-17页 |
| ·数据挖掘中的知识类型 | 第17-18页 |
| ·数据挖掘的过程 | 第18-19页 |
| ·数据挖掘方法和工具 | 第19-20页 |
| ·数据挖掘方法 | 第19-20页 |
| ·数据挖掘工具 | 第20页 |
| ·数字挖掘在医学中的应用 | 第20-23页 |
| ·医学数据具有的特点 | 第20-21页 |
| ·医学数据挖掘的过程 | 第21-22页 |
| ·医学数据挖掘的关键技术 | 第22-23页 |
| ·数据挖掘在中医药领域的应用现状 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 中西医量表相关性研究 | 第26-37页 |
| ·中西医量表间线性关系分析 | 第26-30页 |
| ·线形假设合理性检验 | 第27-28页 |
| ·回归分析 | 第28-30页 |
| ·线性关系分析结论 | 第30页 |
| ·中西医量表间非线性关系分析 | 第30-36页 |
| ·LVQ简介 | 第30-31页 |
| ·LVQ网络学习规则 | 第31-32页 |
| ·LVQ在中西医量表分类对应关系分析中的应用 | 第32-36页 |
| ·基本思路 | 第32页 |
| ·LVQ网络实例结构确定 | 第32-33页 |
| ·训练方法的选择 | 第33-34页 |
| ·修改后的 LVQ | 第34-35页 |
| ·实验结果 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 K-MEANS算法和决策树在证候规律研究中的应用 | 第37-49页 |
| ·基于k-means聚类算法的证候成立标准 | 第37-41页 |
| ·K-means算法简介 | 第37-38页 |
| ·K-means算法 | 第38页 |
| ·试验结果 | 第38-41页 |
| ·基于决策树思想的证候转换树模型 | 第41-48页 |
| ·决策树简介 | 第41-43页 |
| ·决策树概念 | 第41页 |
| ·决策树基本算法概述 | 第41-43页 |
| ·证候转换树设计和应用 | 第43-48页 |
| ·证候转换树与决策树关系分析 | 第43页 |
| ·证候转换树构造和算法设计 | 第43-45页 |
| ·证候组合演化规律研究 | 第45-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 关联算法在证侯与治法关系研究中的应用 | 第49-61页 |
| ·关联规则简介 | 第49-54页 |
| ·什么是关联规则 | 第49-50页 |
| ·Apriori算法 | 第50-51页 |
| ·FP-growth算法 | 第51-52页 |
| ·FP-growth的改进算法-KEFP-growth算法 | 第52-53页 |
| ·关联规则的生成 | 第53页 |
| ·相关性分析 | 第53-54页 |
| ·证候与治法的关联规则挖掘 | 第54-60页 |
| ·准备及过程 | 第54-55页 |
| ·挖掘预处理及其结果分析 | 第55-57页 |
| ·数据二值法挖据结果 | 第57-58页 |
| ·数据三值法挖掘结果 | 第58-59页 |
| ·相关性综合分析和医学解释 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| ·所做工作总结 | 第61-62页 |
| ·工作展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 | 第66-74页 |
| 附录一: 中医中风病证候诊疗数据实例片段 | 第66-67页 |
| 附录二: LVQ网络的 MATLAB代码 | 第67-68页 |
| 附录三: K-means算法的核心代码 | 第68-70页 |
| 附录四: 中医量表的 K-means算法聚类结果 | 第70-71页 |
| 附录五: Apriori算法及其相关过程描述 | 第71-72页 |
| 附录六: FP-growth算法部分源代码 | 第72-74页 |
| 致谢 | 第74-75页 |
| 发表文章 | 第75页 |