| 摘要 | 第5-8页 |
| Abstract | 第8-11页 |
| 前言 | 第12-13页 |
| 中英文对照表 | 第13-14页 |
| 第一部分 | 第14-33页 |
| 综述一 糖尿病肾病及其中医治疗进展 | 第14-22页 |
| 1.1 糖尿病肾病及其流行病学研究 | 第14-16页 |
| 1.1.1 糖尿病肾病临床表现及分期 | 第14页 |
| 1.1.2 现代医学关于糖尿病肾病的发病机制的研究 | 第14-15页 |
| 1.1.3 实验室检查 | 第15-16页 |
| 1.2 古代中医治疗糖尿病肾病的历史沿革 | 第16-17页 |
| 1.2.1 中医病名 | 第16页 |
| 1.2.2 所属范畴 | 第16-17页 |
| 1.3 现代中医药在糖尿病肾病中的研究进展 | 第17-21页 |
| 1.3.1 现代医家对糖尿病肾病的辨证与治疗 | 第17-20页 |
| 1.3.2 糖尿病肾病的临床试验研究 | 第20-21页 |
| 1.4 糖尿病肾病的多学科交叉研究 | 第21-22页 |
| 1.5 评价与展望 | 第22页 |
| 综述二 集成案例推理 | 第22-33页 |
| 2.1 基于案例推理 | 第22-28页 |
| 2.1.1 案例推理方法的起源与发展 | 第23页 |
| 2.1.2 适用原理与方法 | 第23-26页 |
| 2.1.3 案例推理的应用 | 第26页 |
| 2.1.4 人工神经网络 | 第26-27页 |
| 2.1.5 案例推理与人工神经网络的结合应用 | 第27-28页 |
| 2.2 基于规则推理 | 第28-29页 |
| 2.2.1 知识的表示方法 | 第28-29页 |
| 2.3 集成案例推理 | 第29-31页 |
| 2.3.1 CBR与智能方法集成的优势 | 第29-31页 |
| 2.4 评价与展望 | 第31-33页 |
| 第二部分 研究部分 | 第33-58页 |
| 研究目标及内容 | 第33-35页 |
| 第一章 糖尿病肾病的数据挖掘 | 第35-37页 |
| 1.1 数据获取 | 第35-37页 |
| 1.1.1 文献检索 | 第35页 |
| 1.1.2 文献纳入与排除 | 第35-36页 |
| 1.1.3 数据提取及整合 | 第36页 |
| 1.1.4 数据规范化处理 | 第36页 |
| 1.1.5 数据录入 | 第36-37页 |
| 第二章 基于人工神经网络的案例推理模型 | 第37-43页 |
| 2.1 数据处理 | 第37-38页 |
| 2.2 人工神经网络模块 | 第38-39页 |
| 2.2.1 人工神经网络预处理 | 第38页 |
| 2.2.2 神经网络训练 | 第38-39页 |
| 2.3 案例推理模块 | 第39-41页 |
| 2.3.1 案例的描述 | 第39-40页 |
| 2.3.2 案例索引 | 第40页 |
| 2.3.3 案例相似度计算 | 第40-41页 |
| 2.3.4 案例修正与重用 | 第41页 |
| 2.4 模型实现 | 第41-43页 |
| 2.4.1 建模软件 | 第41页 |
| 2.4.2 基于人工神经网络的案例推理模型 | 第41-42页 |
| 2.4.3 数据测试 | 第42-43页 |
| 2.5 小结 | 第43页 |
| 第三章 基于规则推理模型 | 第43-48页 |
| 3.1 基于规则推理模块 | 第44-48页 |
| 3.1.1 数据处理 | 第45-47页 |
| 3.1.2 数据测试 | 第47-48页 |
| 3.2 小结 | 第48页 |
| 第四章 基于集成案例推理模型 | 第48-54页 |
| 4.1 集成案例推理模块 | 第48-52页 |
| 4.1.1 集成案例推理框架 | 第48-49页 |
| 4.1.2 集成案例推理决策过程 | 第49页 |
| 4.1.3 集成推理模型实现 | 第49-52页 |
| 4.2 数据测试 | 第52-54页 |
| 4.2.1 基于人工神经网络的案例推理模型 | 第52-53页 |
| 4.2.2 基于规则推理模型 | 第53页 |
| 4.2.3 基于集成案例推理模型 | 第53-54页 |
| 4.3 小结 | 第54页 |
| 第五章 总结与展望 | 第54-58页 |
| 5.1 总结 | 第54-56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 个人简介 | 第64页 |