摘要：为了解决中药方剂的功效约简问题,将模糊神经元和径向基函数引入神经网络,提出了基于模糊神经网络的方剂功效约简算法PERA(Prescription Effect Reduction Algorithm),设计了方剂功效约简模糊神经网络EFNN(Effect Fuzzy Neural Network)。通过大量实验表明,与传统的基于神经网络和粗糙集的属性约简算法相比,PERA算法功效约简的准确率较高,一般在90%以上,功效约简的完整率优势明显,平均高出约40%,系统运行时间明显小于传统神经网络。

摘要：对中医古方药物剂量的自动规范处理方法进行了探讨。首先制定剂量转换标准,在此基础上建立了数据转换规则,进而设计了一个批处理程序来实现数据的自动转换。此方法能对古方药物剂量进行自动转换和规范处理,其结果是古方的配伍与应用的重要参数。

摘要：以效用剂量和中药性味模糊量化作为方剂性味宏观量化两个基本参数,设计出方剂性味的多维宏观量化表达模型,具体包括:四性量化表达模型、五味量化表达模型、组合性味量化表达模型。通过以《中医类方辞典》中的"通用方"为样本开展试验,研究结果表明:基于效用剂量和中药性味量化的方剂性味多维宏观量化表达,能深入和客观地展现方剂的性能,有助于方剂在临床上的合理运用。

摘要：分析了关联规则挖掘存在的3个问题:①不能有效地发现低支持度高置信度的有趣规则;②不能确定“相互依赖”的规则,如中药方剂中的药对药组;③找到的规则并不一定是有趣的,甚至是错误的。鉴于此,提出了双向关联规则挖掘,并对其进行了相关性分析。最后,将新方法用于中药方剂配伍规律的研究中,发现了大量具有重要意义的药对药组,证明新方法能很好地解决上述问题。

摘要：组方规律的研究对于挖掘中医诊治的基本原理,实现中医现代化具有重要意义.本文针对现有算法在发现方剂主药方面存在的不足,提出了将证素与"方名-药名"相似性分析相结合的主药发现算法JPEA(Joint Primary medicine Extraction Algorithm),该算法通过对名医医案临床数据中证素与药物之间的关联分析,并结合方名与药名相似度的计算,来发现方剂中起主要作用的药物.对于证素-药物关联分析,分别设计了基于点互信息的算法、基于贝叶斯的算法和基于MF-ISF(Medicine Frequency-Inverse Syndrome factor Frequency)的算法.实验结果表明,基于点互信息的方法可以达到76.5%的准确率,明显优于文献中已有算法达到的35.8%.同时,实验结果还表明,方名与药名的相似性对于判断方剂的主药具有重要作用.