复杂系统方法学与中医证候建模2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

复杂系统方法学与中医证候建模PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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