复杂系统方法学与中医证候建模PDF电子书下载

第0章　熵一般化描述中的某些基本概念 1

0.1　熵发展史概述 1

0.2　熵的定义及其特性 3

0.3　互信息的定义及其特性 10

0.4　最大相对熵聚类 18

0.4.1　最大相对熵聚类与k-均值法聚类的比较 20

0.4.2　度量 21

0.4.3　相容性结果 23

参考文献 24

第1章　复杂系统分划（聚集）的熵方法 25

1.1　引言 25

1.2　用熵定义的关联度 25

1.3　分划的要求和分划的方法 28

1.4　生态经济区划中的熵分划方法 30

1.5　人脑意识研究中的熵分划方法 31

参考文献 33

第2章　智能系统研究初阶 35

2.1　智能控制系统的基本观点基本构型 35

2.2　熵与智能共增减原理 36

2.3　智能控制系统的智能行为 39

2.4　抽象神经自动机的结构可变性及其思维 42

2.5　基于随机图的神经计算 45

2.5.1　Markov神经网络的定义 45

2.5.2　转移概率矩阵 45

2.5.3　采用随机图法计算稳态概率 46

2.5.4　仿真计算 49

参考文献 53

第3章　中医复杂系统中的统计相关性 55

3.1　引言 55

3.2　常用的相关分析方法 55

3.2.1　相关系数法 55

3.2.2　Logistic回归分析 55

3.3　基于熵的互信息 56

3.3.1　基于Shannon熵的互信息 56

3.3.2　基于Renyi熵的互信息 57

3.4　中医证候与理化指标之间的相关性 57

3.4.1　Bayes参数估计方法 58

3.4.2　离散变量与连续变量的互信息 60

3.4.3　实例分析 61

3.5　理化指标之间的相关性 64

3.5.1　两个指标之间的相关分析 64

3.5.2　实例分析 65

3.6　研究证候与宏观子集之间相关性的五种方法 71

3.6.1　证候的宏观子集 71

3.6.2　五种有监督分类方法的比较学习 74

3.6.3　性能指标 75

3.6.4　比较学习结果 76

3.7　中医中方剂与证候之间相关性 78

3.7.1　实例分析 79

3.7.2　结果分析 80

3.8　本章小结 81

参考文献 81

第4章　中医复杂系统研究中的熵分划方法 83

4.1　引言 83

4.2　分划的准备 84

4.3　N级相关 85

4.4　分划算法的描述 86

4.5　最佳分类个数的探讨 88

4.6　中医实例 90

4.6.1　离散变量之间的中医实例 90

4.6.2　离散变量和连续变量间的中医实例 99

4.6.3　连续变量间的中医实例 101

4.7　本章小结 106

参考文献 106

第5章　复杂系统综合评价指标的建立 108

5.1　引言 108

5.2　常用的综合评价方法 109

5.2.1　主成分分析法的综合评价方法 109

5.2.2　用熵值确定权重的综合评价方法 110

5.2.3　非线性主成分分析法的综合评价方法 111

5.3　基于熵的广义指标建立方法 112

5.3.1　强可迁矩阵 112

5.3.2　广义指标建立的方法 113

5.4　实例分析 114

5.4.1　中医实例分析 114

5.4.2　城市生态环境评价 117

5.5　本章小结 121

参考文献 121

第6章　特征提取方法及其在中医中的应用 123

6.1　引言 123

6.2　多分类支持向量机 124

6.3　基于联合贡献度截尾准则的特征提取方法 126

6.3.1　联合贡献度定义 126

6.3.2　基于联合贡献度截尾准则的特征提取 128

6.3.3　实例分析 129

6.4　基于新的关联度的特征提取方法 135

6.4.1　基于Shannon熵的关联度 135

6.4.2　特征提取方法 136

6.4.3　实例分析 137

6.5　用于理化指标的特征提取 139

6.5.1　极大似然估计 140

6.5.2　关联度的计算 140

6.5.3　实例分析 142

6.6　本章小结 144

参考文献 144

第7章　无监督分类方法研究 146

7.1　引言 146

7.2　基于扩展熵的无监督聚类 147

7.2.1　信息瓶颈理论 147

7.2.2　扩展熵 149

7.2.3　基于扩展熵的无监督聚类 150

7.2.4　实例分析 151

7.3　无监督复杂系统熵聚类算法 153

7.3.1　改进的互信息 153

7.3.2　熵聚类算法 155

7.3.3　应用于肾衰四诊信息的聚类 155

7.3.4　无监督算法的验证 161

7.4　无监督高阶Boltzmann机 165

7.4.1　高阶BM的概率分布 166

7.4.2　高阶BM的无监督学习 166

7.4.3　用无监督高阶BM分类 168

7.4.4　实例分析 168

7.5　本章小结 170

参考文献 171

第8章　中医辨证的神经计算模型 172

8.1　证候的发生机制、存在性 174

8.1.1　齐次随机神经网络中的相位转移 174

8.1.2　多重类随机神经网络的基本工作原理 177

8.1.3　基于MCRNN的非监督聚类 180

8.1.4　无监督随机神经网络聚类算法的构建 181

8.1.5　算法的应用 182

8.2　证候的主要特征 187

8.2.1　神经网络及其动力学特性 187

8.2.2　证候特征诠释 192

8.3　中医辨证的智能系统模型 193

8.3.1　智能系统的知识表达 193

8.3.2　确定性Boltzmann机神经网络 194

8.3.3　实例分析 196

8.4　中医诊断过程的多层神经网络 197

8.4.1　主成分分析神经网络 198

8.4.2　前馈神经网络 199

8.4.3　实例分析 200

8.5　中医脉象信息和证候的相关性 200

8.5.1　波形的形成 200

8.5.2　改进的BP算法 202

8.5.3　实例分析 203

8.6　本章小结 204

参考文献 205

第9章　熵理论在疾病诊断标准中的应用 206

9.1　引言 206

9.2　疾病诊断标准的主要研究方法 207

9.2.1　确定证候诊断基本要素的研究方法 207

9.2.2　确定相关要素贡献分值的研究方法 208

9.2.3　确定证候诊断阈值的研究方法 209

9.3　脉络-血管系统病数据 209

9.4　脉络-血管系统病的量化诊断标准 212

9.4.1　量化诊断标准的要求 212

9.4.2　确定证候诊断的基本要素 212

9.4.3　变量症状对基本证型的贡献度 214

9.4.4　基本证型的阈值 216

9.4.5　量化诊断标准的形成 219

9.5　脉络-血管系统病患者的危险因素 221

9.5.1　患者危险因素有关的数据 221

9.5.2　确定患者的危险因素 224

9.6　本章小结 224

参考文献 225

第10章　熵在多时点数据中的演化及其应用 226

10.1　引言 226

10.2　中风病多时点数据演化分析 227

10.2.1　中风病多时点数据说明 227

10.2.2　各时点上证候要素的提取 231

10.2.3　各时点上证候要素的分布 235

10.2.4　各时点上证候的综合程度 237

10.2.5　相邻时点上各证候间的关联程度 239

10.3　本章小结 241

参考文献 241

附录　相关信件和成果证书 242

后记 248