複雜系統方法學與中醫證候建模

　　在有關中醫藥學的973計劃科研項目中，對中醫證候及其與疾病、方劑的相關性開展研究，獲得一些階段性成果。《複雜系統方法學與中醫證候建模》是這些成果的總結，主要內容包括：①證候的發生機制、存在性及主要特點；②證候、疾病、方劑複雜系統廣義特徵指標；③疾病映射模型及其算法；④中醫廣義症狀（四診信息、西醫病理信息、各類理化指標等）與證候之間的相關性；⑤中醫證候和方劑之間的相關性；⑥症狀對證候的貢獻度；⑦中醫大規模流行病學數據的無監督聚類方法；⑧中醫辨證論治的智能系統模型等。
　　《複雜系統方法學與中醫證候建模》的特點是理論與實踐相統一，具有科學性和原創性。《複雜系統方法學與中醫證候建模》可供從事複雜系統、生物信息學、腦模型和中醫藥的科研與教學工作人員參考；還可作為複雜系統建模與分析領域高年級本科生及研究生的參考書。

前言
第0章 熵一般化描述中的某些基本概念
0.1 熵發展史概述
0.2 熵的定義及其特性
0.3 互信息的定義及其特性
0.4 最大相對熵聚類
0.4.1 最大相對熵聚類與k-均值法聚類的比較
0.4.2 度量
0.4.3 相容性結果
參考文獻

第1章 複雜系統分劃（聚集）的熵方法
1.1 引言
1.2 用熵定義的關聯度
1.3 分劃的要求和分劃的方法
1.4 生態經濟區劃中的熵分劃方法
1.5 人腦意識研究中的熵分劃方法
參考文獻

第2章 智能系統研究初階
2.1 智能控制系統的基本觀點基本構型
2：2熵與智能共增減原理
2.3 智能控制系統的智能行為
2.4 抽象神經自動機的結構可變性及其思維
2.5 基於隨機圖的神經計算
2.5.1 Markov神經網絡的定義
2.5.2 轉移概率矩陣
2.5.3 採用隨機圖法計算穩態概率
2.5.4 仿真計算
參考文獻

第3章 中醫複雜系統中的統計相關性
3.1 引言
3.2 常用的相關分析方法
3.2.1 相關係數法
3.2.2 Logistic回歸分析
3.3 基於熵的互信息
3.3.1 基於Shannon熵的互信息
3.3.2 基於Renyi熵的互信息
3.4 中醫證候與理化指標之間的相關性
3.4.1 Bayes參數估計方法
3.4.2 離散變量與連續變量的互信息
3.4.3 實例分析
3.5 理化指標之間的相關性
3.5.1 兩個指標之間的相關分析
3.5.2 實例分析
3.6 研究證候與宏觀子集之間相關性的五種方法
3.6.1 證候的宏觀子集
3.6.2 五種有監督分類方法的比較學習
3.6.3 性能指標
3.6.4 比較學習結果
3.7 中醫中方劑與證候之間相關性
3.7.1 實例分析
3.7.2 結果分析
3.8 本章小結
參考文獻

第4章 中醫複雜系統研究中的熵分劃方法
4.1 引言
4.2 分劃的準備
4.3 N級相關
4.4 分划算法的描述
4.5 最佳分類個數的探討
4.6 中醫實例
4.6 離散變量之間的中醫實例
4.6.2 離散變量和連續變量間的中醫實例
4.6.3 連續變量間的中醫實例
4.7 本章小結
參考文獻

第5章 複雜系統綜合評價指標的建立
5.1 引言
5.2 常用的綜合評價方法
5.2.1 主成分分析法的綜合評價方法
5.2.2 用熵值確定權重的綜合評價方法
5.2.3 非線性主成分分析法的綜合評價方法
5.3 基於熵的廣義指標建立方法
5.3.1 強可遷矩陣I
5.3.2 廣義指標建立的方法
5.4 實例分析
5.4.1 中醫實例分析
5.4.2 城市生態環境評價
5.5 本章小結
參考文獻

第6章 特徵提取方法及其在中醫中的應用
6.1 引言
6.2 多分類支持向量機
6.3 基於聯合貢獻度截尾準則的特徵提取方法
6.3.1 聯合貢獻度定義
6.3.2 基於聯合貢獻度截尾準則的特徵提取
6.3.3 實例分析
6.4 基於新的關聯度的特徵提取方法
6.4.1 基於Shannon熵的關聯度
6.4.2 特徵提取方法
6.4.3 實例分析
6.5 用於理化指標的特徵提取
6.5.1 極大似然估計
6.5.2 關聯度的計算
6.5.3 實例分析
6.6 本章小結
參考文獻

第7章 無監督分類方法研究
7.1 引言
7.2 基於擴展熵的無監督聚類
7.2.1 信息瓶頸理論
7.2.2 擴展熵
7.2.3 基於擴展熵的無監督聚類
7.2.4 實例分析
7.3 無監督複雜系統熵聚類算法
7.3.1 改進的互信息
7.3.2 熵聚類算法
7.3.3 應用於腎衰四診信息的聚類
7.3.4 無監督算法的驗證
7.4 無監督高階Boltzmann機
7.4.1 高階BM的概率分佈
7.4.2 高階BM的無監督學習
7.4.3 用無監督高階BM分類
7.4.4 實例分析
7.5 本章小結
參考文獻

第8章 中醫辨證的神經計算模型
8.1 證候的發生機制、存在性
8.1.1 齊次隨機神經網絡中的相位轉移
8.1.2 多重類隨機神經網絡的基本工作原理
8.1.3 基於MCRNN的非監督聚類
8.1.4 無監督隨機神經網絡聚類算法的構建
8.1.5 算法的應用
8.2 證候的主要特徵
8.2.1 神經網絡及其動力學特性
8.2.2 證候特徵詮釋
8.3 中醫辨證的智能系統模型
8.3.1 智能系統的知識表達
8.3.2 確定性Boltzmann機神經網絡
8.3.3 實例分析
8.4 中醫診斷過程的多層神經網絡
8.4.1 主成分分析神經網絡
8.4.2 前饋神經網絡
8.4.3 實例分析
8.5 中醫脈象信息和證候的相關性
8.5.1 波形的形成
8.5.2 改進的BP算法
8.5.3 實例分析
8.6 本章小結
參考文獻

第9章 熵理論在疾病診斷標準中的應用
9.1 引言
9.2 疾病診斷標準的主要研究方法
9.2.1 確定證候診斷基本要素的研究方法
9.2.2 確定相關要素貢獻分值的研究方法
9.2.3 確定證候診斷閾值的研究方法
9.3 脈絡-血管系統病數據
9.4 脈絡-血管系統病的量化診斷標準
9.4.1 量化診斷標準的要求
9.4.2 確定證候診斷的基本要素
9.4.3 變量症狀對基本證型的貢獻度
9.4.4 基本證型的閾值
9.4.5 量化診斷標準的形成
9.5 脈絡-血管系統病患者的危險因素
9.5.1 患者危險因素有關的數據
9.5.2 確定患者的危險因素
9.6 本章小結
參考文獻

第10章 熵在多時點數據中的演化及其應用
10.1 引言
10.2 中風病多時點數據演化分析
10.2.1 中風病多時點數據說明
10.2.2 各時點上證候要素的提取
10.2.3 各時點上證候要素的分佈
10.2.4 各時點上證候的綜合程度
10.2.5 相鄰時點上各證候間的關聯程度
10.3 本章小結
參考文獻

附錄 相關信件和成果證書
後記