第1章 绪论 1
1.1 研究背景 1
1.1.1 决策与智能决策系统 1
1.1.2 优化技术与优化算法 2
1.1.3 智能优化算法与启发式方法 4
1.2 国内外研究现状 5
1.3 研究意义和内容 7
1.3.1 研究意义 7
1.3.2 主要研究内容和结构安排 7
第2章 基于案例推理的智能决策系统框架 10
2.1 案例推理技术 10
2.1.1 案例推理技术的起源和发展 10
2.1.2 案例推理技术的基本思想 11
2.1.3 案例推理技术的特点 13
2.2 基于案例推理的决策技术 15
2.2.1 决策案例的表示形式 15
2.2.2 决策案例的索引 17
2.2.3 决策案例的组织与检索 19
2.2.4 决策案例的修正 19
2.2.5 决策案例的学习和归纳 21
2.2.6 决策案例库的维护 22
2.2.7 案例推理中的K近邻技术 22
2.3 基于案例推理的智能决策系统框架 24
2.3.1 决策支持系统的发展 24
2.3.2 决策支持系统的基本结构 24
2.3.3 CDSS系统结构 26
2.3.4 实现系统的关键技术 31
2.4 本章小结 34
第3章 CBR—IDT中属性的优化选择 36
3.1 属性选择策略概述 36
3.1.1 研究回顾 36
3.1.2 属性选择的搜索策略和评价策略 37
3.1.3 属性选择的方法 37
3.1.4 属性选择的形式化 38
3.2 基于熵的属性优化选择 39
3.2.1 基于熵的属性约简模型和方法 39
3.2.2 性能评价策略 40
3.2.3 实验和结果 41
3.3 基于遗传算法的属性优化选择 44
3.3.1 遗传算法 44
3.3.2 基于遗传算法和相关性评价的属性选择 45
3.3.3 实验结果和分析 47
3.4 基于主成分分析的属性优化选择 48
3.4.1 总体主成分的定义 49
3.4.2 总体主成分的性质 50
3.4.3 标准化变量的主成分 51
3.4.4 样本主成分 52
3.4.5 实验结果和分析 53
3.5 本章小结 55
第4章 CBR—IDT中多策略相似性检索技术 57
4.1 CBR—IDT中案例的检索 57
4.1.1 案例检索的类型 57
4.1.2 案例检索的任务 57
4.1.3 案例检索的启发式方法 58
4.2 CBR-IDT中案例相似性的度量 58
4.2.1 相似性度量概述 58
4.2.2 案例间相似性的度量 60
4.2.3 案例属性间相似性的度量 62
4.2.4 两种案例相似性度量方法 63
4.3 基于提升和投票的多策略相似性检索技术 65
4.3.1 为什么提升和投票 65
4.3.2 提升和投票 68
4.4 本章小结 71
第5章 基于禁忌搜索算法的案例推理技术 72
5.1 禁忌搜索算法 72
5.1.1 禁忌搜索算法概述 72
5.1.2 禁忌搜索的基本思想 73
5.1.3 禁忌搜索算法的基本流程 73
5.1.4 影响算法结果的要素 76
5.1.5 禁忌搜索算法的应用 76
5.2 禁忌搜索算法的关键参数 77
5.2.1 邻域及邻域搜索 77
5.2.2 禁忌表和禁忌表的大小 79
5.2.3 短期记忆和长期记忆 79
5.2.4 改变搜索路径的方法和期望指标 80
5.2.5 停止准则 81
5.2.6 搜索的效率 81
5.3 禁忌搜索算法求解TSP问题 82
5.3.1 TSP问题的描述 82
5.3.2 朴素禁忌搜索算法求解TSP问题 83
5.3.3 基于启发式初始解的禁忌搜索算法求解TSP问题 85
5.4 基于禁忌搜索算法的图结构案例检索技术 88
5.4.1 相似性度量 88
5.4.2 禁忌搜索过程 89
5.4.3 一个两阶段的案例检索 91
5.5 禁忌搜索算法的改进策略 92
5.6 本章小结 94
第6章 基于CBR—IDT的智能决策系统 95
6.1 概述 95
6.1.1 中风病及新安医学 95
6.1.2 医学诊疗系统和中医诊疗系统的研究现状 96
6.1.3 研究目的和意义 97
6.2 案例推理智能决策系统 99
6.2.1 传统智能诊疗决策系统的缺陷 99
6.2.2 案例推理智能决策系统及其优点 99
6.2.3 基于案例推理的中风病诊断的一般过程 101
6.3 诊疗系统的设计 102
6.3.1 概念设计 102
6.3.2 结构设计 108
6.3.3 功能特点 110
6.4 系统实现 111
6.4.1 案例数据准备 111
6.4.2 系统实现过程 112
6.4.3 系统运行界面 116
6.5 本章小结 119
第7章 总结与展望 120
参考文献 124
附录 135
附录1 135
附录2 136