| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-13页 |
| 1 绪论 | 第13-23页 |
| 1．1 国外医学专家系统的研究状况 | 第13-14页 |
| 1．2 我国医学专家系统的研究状况 | 第14-15页 |
| 1．3 医学专家系统的发展趋势 | 第15-17页 |
| 1．4 论文研究的意义及主要内容 | 第17-23页 |
| 1．4．1 医学知识的获取 | 第17-19页 |
| 1．4．2 心脏病诊断决策支持系统 | 第19-23页 |
| 2 医学决策支持系统 | 第23-39页 |
| 2．1 概述 | 第23-25页 |
| 2．1．1 医生看病的自然过程 | 第23-24页 |
| 2．1．2 医学决策支持系统对医生看病的模拟过程 | 第24-25页 |
| 2．1．3 医学决策支持系统和临床医生的关系 | 第25页 |
| 2．2 医学知识获取 | 第25-32页 |
| 2．2．1 医学知识的类型 | 第25-26页 |
| 2．2．2 常用的医学知识表示方法 | 第26-28页 |
| 2．2．3 医学知识获取的过程 | 第28-30页 |
| 2．2．4 获取医学知识的方式 | 第30-31页 |
| 2．2．5 医学知识获取方法的发展趋势 | 第31-32页 |
| 2．3 医学决策支持方法 | 第32-36页 |
| 2．3．1 正向推理与反向推理 | 第32-33页 |
| 2．3．2 确定性推理与不确定性推理 | 第33-34页 |
| 2．3．3 机器学习方法 | 第34-36页 |
| 2．4 医学决策支持系统的开发 | 第36-37页 |
| 2．4．1 开发原则 | 第36页 |
| 2．4．2 开发过程 | 第36-37页 |
| 2．5 医学决策支持系统的评估 | 第37-39页 |
| 2．5．1 医学决策支持系统评估的困难性 | 第37页 |
| 2．5．2 医学决策支持系统的效能 | 第37-39页 |
| 3 医学知识工程生产线的设计与开发 | 第39-61页 |
| 3．1 医学知识工程生产线的提出 | 第39-40页 |
| 3．1．1 传统医学知识获取方法的缺点 | 第39页 |
| 3．1．2 通过网络获取医学知识的可行性 | 第39-40页 |
| 3．1．3 基于网络技术和可信度知识表达方式的医学知识工程生产线的提出 | 第40页 |
| 3．2 医学知识库中知识的结构和编码 | 第40-44页 |
| 3．2．1 疾病分类与编码 | 第40-42页 |
| 3．2．2 疾病与诊断参量之间的可信度权值表达 | 第42-44页 |
| 3．2．3 医学知识库中知识的层次结构 | 第44页 |
| 3．3 医学知识库的组织和结构 | 第44-49页 |
| 3．3．1 医学核心知识库 | 第46-47页 |
| 3．3．2 专家临时知识库 | 第47-48页 |
| 3．3．3 专家优化知识库 | 第48-49页 |
| 3．3．4 医学专家数据库 | 第49页 |
| 3．4 知识获取系统的结构 | 第49-55页 |
| 3．4．1 Client/Server应用程序 | 第49-51页 |
| 3．4．2 多层分布式系统技术 | 第51-52页 |
| 3．4．3 MIDAS技术 | 第52-53页 |
| 3．4．4三 层分布式知识获取系统结构 | 第53-55页 |
| 3．5 知识获取的过程 | 第55-61页 |
| 3．5．1 医学知识获取模块 | 第55-58页 |
| 3．5．2 医学知识优化模块 | 第58-60页 |
| 3．5．3 医学核心知识库知识更新模块 | 第60-61页 |
| 3．6 本章小结 | 第61页 |
| 4 基于人工神经网络的诊断决策支持系统 | 第61-87页 |
| 4．1 概述 | 第62-63页 |
| 4．2 人工神经网络 | 第63-66页 |
| 4．2．1 人工神经网络的起源 | 第63页 |
| 4．2．2 人工神经网络的特性 | 第63-64页 |
| 4．2．3 人工神经网络的结构 | 第64-66页 |
| 4．3 多层感知器模型与BP算法 | 第66-69页 |
| 4．3．1 多层感知器模型 | 第66-67页 |
| 4．3．2 BP学习算法 | 第67-69页 |
| 4．3．3 BP算法的程序实现 | 第69页 |
| 4．4 BP算法的改进 | 第69-71页 |
| 4．4．1 增加动量项 | 第70页 |
| 4．4．2 自适应调节学习速率 | 第70-71页 |
| 4．4．3 遗忘机制 | 第71页 |
| 4．4．4 共轭梯度法 | 第71页 |
| 4．5 基于人工神经网络的心脏病诊断决策支持系统的结构 | 第71-76页 |
| 4．5．1 输入层和输入变量的编码 | 第72-73页 |
| 4．5．2 隐层和隐节点数的确定 | 第73-75页 |
| 4．5．3 输出层和输出变量的表示 | 第75-76页 |
| 4．6 心脏病样本数据库与样本处理 | 第76-78页 |
| 4．6．1 心脏病样本的获取与选择 | 第76页 |
| 4．6．2 样本处理 | 第76-78页 |
| 4．7 标准BP算法的逐步改进及实验结果 | 第78-80页 |
| 4．7．1 实验步骤 | 第78-79页 |
| 4．7．2 实验结果 | 第79-80页 |
| 4．8 心脏病决策支持系统的性能分析 | 第80-84页 |
| 4．8．1 交叉验证法 | 第80-83页 |
| 4．8．2 预留法 | 第83页 |
| 4．8．3 自举法 | 第83-84页 |
| 4．9 心脏病决策支持系统的界面及使用 | 第84-85页 |
| 4．9．1 样本数据的输入 | 第85页 |
| 4．9．2 系统的训练 | 第85页 |
| 4．9．3 系统的诊断测试 | 第85页 |
| 4．10 本章小结 | 第85-87页 |
| 5 基于混合遗传算法的诊断决策支持系统 | 第87-110页 |
| 5．1 概述 | 第87-88页 |
| 5．2 基本遗传算法 | 第88-91页 |
| 5．2．1 基本遗传算法的结构 | 第88-89页 |
| 5．2．2 遗传算法的基本原理 | 第89-91页 |
| 5．2．3 遗传算法的应用步骤 | 第91页 |
| 5．3 遗传算法的基本实现技术 | 第91-97页 |
| 5．3．1 编码方法 | 第91-93页 |
| 5．3．2 适应度函数 | 第93-94页 |
| 5．3．3 选择算子 | 第94-95页 |
| 5．3．4 交叉算子和变异算子 | 第95-96页 |
| 5．3．5 约束条件 | 第96-97页 |
| 5．4 基于人工神经网络BP算法的混合遗传算法 | 第97-99页 |
| 5．4．1 混合遗传算法 | 第97-98页 |
| 5．4．2 BP算法与遗传算法的结合 | 第98-99页 |
| 5．5 基于混合遗传算法的心脏病诊断决策支持系统 | 第99-104页 |
| 5．5．1 模式识别原理 | 第99页 |
| 5．5．2 系统的构建 | 第99-100页 |
| 5．5．3 浮点数编码方法 | 第100-101页 |
| 5．5．4 适应度评价函数 | 第101页 |
| 5．5．5 遗传算子的选择及各运行参数的设定 | 第101-103页 |
| 5．5．6 约束条件 | 第103页 |
| 5．5．7 系统运行的流程 | 第103-104页 |
| 5．6 实验结果与系统性能分析 | 第104-106页 |
| 5．6．1 交叉验证法 | 第104-105页 |
| 5．6．2 预留法 | 第105-106页 |
| 5．6．3 自举法 | 第106页 |
| 5．7 心脏病重要诊断参量的提取 | 第106-109页 |
| 5．8 本章小结 | 第109-110页 |
| 6 结论与展望 | 第110-113页 |
| 6．1 全文总结 | 第110-111页 |
| 6．2 展望 | 第111-113页 |
| 致谢 | 第113-114页 |
| 参考文献 | 第114-121页 |
| 附录A作者在攻读博士学位期间发表的科研论文 | 第121-122页 |