面向慢性肾小球肾炎的中医组方辅助决策的研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究工作的背景与意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 中医辨证挖掘研究现状 | 第13-14页 |
| 1.2.2 方剂配伍规律挖掘研究现状 | 第14-15页 |
| 1.2.3 中医数据挖掘系统研究现状 | 第15-18页 |
| 1.3 本文的主要工作 | 第18-19页 |
| 1.4 论文的结构安排 | 第19-20页 |
| 第二章 相关原理与技术 | 第20-34页 |
| 2.1 中医诊疗相关原理 | 第20-21页 |
| 2.2 关系发现技术 | 第21-22页 |
| 2.3 搜索最优解技术 | 第22-24页 |
| 2.4 数据挖掘分类相关技术 | 第24-33页 |
| 2.4.1 最近邻节点算法 | 第25-26页 |
| 2.4.2 支持向量机算法 | 第26-28页 |
| 2.4.3 神经网络算法 | 第28-31页 |
| 2.4.4 分类器性能评价指标 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 中医组方配伍决策 | 第34-60页 |
| 3.1 面向中医辨证的症状-证候关系挖掘 | 第36-42页 |
| 3.1.1 中医症状证候数据预处理 | 第36-37页 |
| 3.1.2 基于关联规则算法的症状-证候关系发现 | 第37-42页 |
| 3.2 面向中医组方的症状-药物关系挖掘 | 第42-46页 |
| 3.2.1 基于遗传算法的症状-药物关系发现 | 第42-45页 |
| 3.2.2 基于卡方检验的症状-药物关系发现 | 第45-46页 |
| 3.3 面向中医成方判定的分类挖掘 | 第46-55页 |
| 3.3.1 中医方剂数据预处理 | 第46-48页 |
| 3.3.2 基于最近邻节点算法的成方判定 | 第48-51页 |
| 3.3.3 基于支持向量机算法的成方判定 | 第51-55页 |
| 3.4 中医成方配伍决策结果分析 | 第55-59页 |
| 3.4.1 基于症状-证候挖掘的辨证结果分析 | 第55页 |
| 3.4.2 基于症状-药物挖掘的结果分析 | 第55-57页 |
| 3.4.3 基于中医成方判定的结果分析 | 第57-59页 |
| 3.5 本章小结 | 第59-60页 |
| 第四章 基于中医组方配伍决策的评价推荐 | 第60-72页 |
| 4.1 面向成方评价的加权投票推荐 | 第60-66页 |
| 4.1.1 基于神经网络的方剂功效预测 | 第61-64页 |
| 4.1.2 基于关联规则的方剂属性匹配 | 第64-65页 |
| 4.1.3 基于加权投票的成方评价推荐 | 第65-66页 |
| 4.2 面向成方修正的反馈调节 | 第66-67页 |
| 4.3 中医组方辅助决策系统结果分析 | 第67-71页 |
| 4.3.1 成方评估推荐结果分析 | 第67-70页 |
| 4.3.2 成方修正反馈调节结果分析 | 第70-71页 |
| 4.4 本章小结 | 第71-72页 |
| 第五章 中医组方辅助决策原型的设计与实现 | 第72-82页 |
| 5.1 系统环境及开发工具 | 第72页 |
| 5.2 系统需求分析 | 第72页 |
| 5.3 系统设计说明 | 第72-79页 |
| 5.3.1 系统设计 | 第72-76页 |
| 5.3.2 数据库设计 | 第76-79页 |
| 5.4 系统实现及展示 | 第79-81页 |
| 5.5 本章小结 | 第81-82页 |
| 第六章 结束语 | 第82-84页 |
| 6.1 论文工作总结 | 第82-83页 |
| 6.2 后续工作展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 攻读硕士学位期间取得的成果 | 第89页 |
