《伤寒论》的“方—证要素”对应体系及其神经网络数学模型的构建
|
摘要
本研究乃是根据“证候要素、方剂要素”最新研究进展、与计算机领域的人工智能技术相结合来研究伤寒论的处方,建立一套能处理伤寒论“方-证要素对应、主证-药物对应”的数学模型,分述如下。目的
(1)将伤寒论处方结构分析,并建立“证候要素、方剂要素、方-证要素对应、主证-药物对应”体系。
(2)以人工神经网络来建立整个伤寒论“主证-药物对应”的数学模型。
(3)以人工神经网络来建立整个伤寒论“方-证要素对应”的数学模型。系统数学模型：Yj=输出变数向量,即是伤寒论的方剂要素(或药物)Xi=输入变数向量,即是伤寒论的证候要素(或主证)f=人工神经网络神经元模型的转换函数wij=模仿第i个与第j个生物神经元间的突触强度(即连结加权值)θj=模仿第j个生物神经元的阀值(即门限值)
(4)将大量的“证候要素、方剂要素、方-证要素对应、主证-药物对应”等数据汇入神经网络模型内,让系统不断学习后,即可获取每个参数的权值与阀值,如此的伤寒论“方-证要素对应、主证-药物对应”数学模型,即可有推算预测处方药物的功能,对于辅助教学与临床诊治具有一定参考价值,可供后续萃取其中的知识与信息,为更好地继承与发扬仲景学术,提供方法学借鉴。方法
(1)系统所需计算机程序皆是自行编写开发,采用Microsoft Visual Studio C#. NET 2008结合SQL Server 2008与Access 2007数据库来开发系统所需要的功能。
(2)并采用神经网络技术其中的一种数学算法倒传递网络(Back Propagation Network, BPN)来建立整个数学模型。
(3)建立“证候要素、方剂要素、方-证要素对应、主证-药物对应”体系,并将这些对应资料汇入神经网络模型内。
(4)经由系统不断的训练学习后,即可获取每个神经元节点的权值与阀值,从而构建伤寒论“方-证要素对应、主证-药物对应”体系的数学模型。
结果与结论
(1)本研究以《伤寒论讲义》“十一五”规划教材为蓝本来进行《伤寒论》处方的结构化分析,药性归类依据乃是以中国药典2005年版的内容为准。从伤寒论处方结构化分析后的大规模数据中可以得到多种互为对应的讯息,例如：方-证要素对应关系、主证-药物对应关系、方-药对应关系、方-证对应关系.等等,本研究将只针对其中的“方-证要素对应关系、主证-药物对应关系”分别建立伤寒论的的数学模式,建立数学模式的目的除了可以探讨不同证候与药物等变数之间的定性关联,以及彼此间定量的加重权值外,并可在一旦确定数学模型的权值等参数后,进而将之应用于临床辨证论证的辅助上。
(2)以人工神经网络技术建立伤寒论“主证-药物对应关系”的数学模型：
方法：先将伤寒论处方的结构化资料撷取其中的主证-药物对应关系,转化成输入x向量(主证,最多有354个神经元节点)与输出y向量(药物,最多有98个节点),经由倒传递神经网络来训练学习后,再求出权值ω与阀值0向量最佳解。最佳解的判别准则乃是以在50000次的计算cycle次数内,若误差均方根函数数值低于0.06,则判定本次学习过程求取到权值Wij与阀值θj向量的最佳解。整个平台乃是在在IBM P4个人电脑与微软作业系统Windows XP的环境下运作,每次的求解计算最少要耗时60分钟以上才能计算完毕。
结果：测试后发现在一般维度下可正常运作及计算求解,将求得解的数据加以应用于测试实际的辅助临床推测方药,结果符合预期,初步验证可行。但当神经元节点数过大时会发生无法收敛的现象,后经两种方法共同运用,可改良求解过程的收敛效果,包括：调整学习率参数与使用非线性共轭梯度法,结果可将计算出最佳解的系统维度由(219 x 68)提高到(258 x 74),或输入样本可允许由75个提高到88个。
(3)以人工神经网络技术建立伤寒论“方-证要素对应关系”的数学模型：
方法：先将伤寒论处方的结构化资料撷取其中的证候要素-方剂要素对应关系,转化成输入x向量(证候要素,最多有160个神经元节点)与输出y向量(方剂要素,最多有83个节点),再经由神经网络来训练学习后求出权值Wij与阀值θj向量的最佳解。
结果：测试后发现在一般维度下可正常运作及计算求解,将求得解的数据加以应用于测试实际的辅助临床推测方药,结果符合预期,初步验证可行。但当神经元节点数过大时会发生无法收敛的现象,后经三种方法共同运用,可改良求解过程的收敛效果,分别是调整学习率参数、使用非线性共轭梯度法与采用前次最佳解当作起始值,结果可解出最佳解的系统维度由(129 x 72)提高到(134 x 74),或输入样本可允许由读入196个提高到204个。
(4)研究结果显示以神经网络所建立的数学模型,在主证-药物对应系统或方-证要素对应系统皆有推算预测处方药物的功能,对于辅助教学与临床诊治具有一定参考价值,也具有辅助教学的功能,从中可知伤寒论处方之证候与药物等变数间的定性关联,甚至彼此间的定量关系。
(5)目前根据伤寒论所分析出的主证-药物对应系统或方-证要素对应系统,出现很多同义或相近词汇的主证(或证候要素),故未来的进一步研究还须要再经过词汇统一或简化的探讨,因为词汇的定义与统一将紧密影响着神经网络学习知识的结果,这些影响都将直接表现在相关联神经元节点的权值与阀值上。这些词义相近的证候包括有：(1)身痛类：周身疼痛、身疼痛、身痛(或重)身体痛。(2)呕逆类：呕恶、呕逆、呕恶、干呕、欲呕吐、呕、心烦喜呕、微呕、吐、呕吐涎沫。(3)口渴咽干类：口渴舌燥、舌上燥而口渴甚、口微渴、咽干口干舌躁、口燥咽干。(4)汗出类：汗出、汗漏不止。(5)烦躁类：心烦、心烦、烦躁、微烦、昼日烦躁不得眠,夜而安静、烦躁、心烦不得安、虚烦不得眠、郁郁微烦、心烦不得卧、烦躁欲死、心烦不得眠、心烦懊憹、心烦失眠、大烦渴不解、烦渴。(6)小便利类：小便自利、小便自利、小便利。(7)发热类：身热不去、发热、翕翕发热。(8)喘息类：喘息、喘、喘咳。(9)下利类：下利不止、下利不止、下利日数十行、自利而渴、下利清谷、下利、下利不止、利、下利不止、下利便溏、泄利不止。(10)腹胀满痛类：少腹拘急硬满、少腹硬满、腹痛、腹胀满、腹大满、腹胀满痛、脘腹冷痛、腹胀满、腹满时痛、腹痛拒按、腹痛绵绵。(11)心悸类：心中悸而烦、心悸、心动悸。(12)心下硬痛类：心下硬痛拒按、心下硬满,按之疼痛、心下痞硬满、胸中痞硬。(13)项强类：颈项强、项背拘急不舒。(14)心下痞类：心下痞、心下痞、心下痞满、心下痞硬、心下痞硬而满、心下痞硬、心下痞满。(15)胸胁苦满类：胸胁苦满、胸胁苦满、胸胁苦满.胸胁满而呕、胸胁满微结、胸胁满闷。(16)手足厥冷类：手足厥冷、肢厥、手足厥寒、手足厥寒、四肢厥逆、手足厥逆、手足厥逆、厥逆无脉、四肢厥逆、手足逆冷、手足寒、四肢厥冷、四肢厥冷。(17)风寒束表类：风寒束表、风寒外束、风寒之邪束表。
(6)方-证要素对应系统的收敛效率比主证-药物对应系统的收敛效率好,造成这个现象的第一个原因乃是：方-证要素对应系统是一个小规模的对应关系,而且是“一对多”的对应,但是主证-药物对应系统里面的对应关系,是“多对多”,而且经常是“6对8,或8对7,甚至是6对12”的复杂关系,这么紧密繁杂的对应较难计算到最佳解。第二原因乃是两个系统之人工神经元节点数量不同所致,在方-证要素对应中系统维度为(160 x 60),但在主证-药物对应系统中统维度为(354 x 98),因此后者较难求出最佳解。
This study coupled both new system of syndrome-essential-factor and formula-essential-factor with the artificial intelligence technique to analyze all the formula of the Shang Han Lun to build a mathematical model of formula-syndrome essential-factor correspondence and formula-syndrome correspondence. These are introduced as follow.
Purpose
1.To establish the structural analyses of Shang Han Lun and establish the systems of formula-syndrome essential-factor correspondence and formula-syndrome correspondence.
2. To establish the mathematical model of formula-syndrome correspondence with artificial neural network technique.
3. To establish the mathematical model of formula-syndrome essential-factor correspondence with artificial neural network technique. mathematical model: Yj=output vector, the formula essential-factor (or herb) Xi=input vector, the syndrome essential-factor (or syndrome) f=the transfer function of artificial neural network model Wij= weight Valuesθj= Bias Values
Methods
1. It is developed by self-coding with the software of Microsoft Visual Studio C#. NET 2008, SQL Server 2008 and Access 2007 to design all the functions that we need.
2. One of the method called Back Propagation Network (BPN) of the artificial neural network technique was employed to build the mathmatiocal model.
3.All the data in the system of formula-syndrome essential-factor correspondence and formula-syndrome correspondence were established and then imported into the mathematical model of artificial neural network
4. The weight and bias values were calculated by reiteration training to produce the new mathematical model of systems of formula-syndrome essential-factor correspondence and formula-syndrome correspondence.
Results and Discussion
1.This study employed the book of伤寒论讲义by Professor Wang Qingguo (2007) for the materials to undertake the structural analyses of Shang Han Lun. There are many information could be extracted from these structural analyses, i. e. formula essentialfactor, syndrome essential factor, formula-syndrome essential factor correspondence and formula syndrome correspondence.
2. To establish the mathematical model, Yj=f(∑wijxi_θj), of formula syndrome correspondence with artificial neural network technique and apply it to the clinical therapy of prescription.
Method:The data of structural analyses of Shang Han Lun was imported into the x-vecter and y-vector and then transferred into artificial neural network system to calculate the weight and bias values. If the error of Root-Mean-Square Value is less 0.06 among the iteration of 5000, the optimum solution of the weight and bias values are done. All the system was done at the IBM PC with Windows XP. Every calculation at least nedd 60 minutes to finish the itereation.
Result:These results reveal that most of time it could get the optimum solution of the weight and bias values. The mathematical model then be applied to practical prediction of prescription. Those demonstration shows that it is feasible and practical to forecast the precise formulas for the patients. However, some divergence appear while the amount of neuron node is too large. Two methods were employed to imporved the efficiency of convergence, i.e. the adjustment of learning rate and the conjugate gradient method. The systematic dimension could also improved from (219×68) to (258×74). The input samples could also improved from 75 to 88.
3. To establish the mathematical model, Yj=f(∑wijxi_θj),of formula-syndrome essential-factor correspondence with artificial neural network technique and apply it to the clinical therapy of prescription.
Method:The data of structural analyses of Shang Han Lun was imported into the x-vecter and y-vector and then transferred into artificial neural network system to calculate the weight and bias values. If the error of Root-Mean-Square Value is less 0.06 among the iteration of 5000, the optimum solution of the weight and bias values are done. All the system was done at the IBM PC with Windows XP. Every calculation at least nedd 60 minutes to finish the itereation.
Result:These results reveal that most of time it could get the optimum solution of the weight and bias values. The mathematical model then be applied to practical prediction of prescription. Those demonstration shows that it is feasible and practical to forecast the precise formulas for the patients. However, some divergence appear while the amount of neuron'node is too large. Three methods were employed to imporved the efficiency of convergence, i.e. the adjustment of learning rate, the conjugate gradient method and importing the previous optimum solution as current default original vector. The systematic dimension could also improved from (129×72) to (134×74). The input samples could also improved from 196 to 204.
4. There are many synonym with the similar terms of syndrome appear while we establish the structural analyses of Shang Han Lun for the systems of formula-syndrome essential-factor correspondence and formula
syndrome correspondence. Because the meanings of the syndrome term will has the significant influence on the caluculation of weight and bias values.It is necessary to deal with the unity and simplification for these syndrome terms.
5. The efficiency of convergence for the system of formula-syndrome essential-factor correspondence is better than the one of formula syndrome correspondence. The first reason is because it is a smaller scope of correspondence relation for the system of ormula-syndrome essential-factor correspondence. But it is a more complex correspondence relation for the system of formula syndrome correspondence. The second reason is because it is different for the amount of neuron nodes. The systemic dimension of formula-syndrome essential-factor correspondence is 160x160, but that for formula syndrome correspondence is 354x98. It is harder to calculate the optimum solution of the weight and bias values.
(1)将伤寒论处方结构分析,并建立“证候要素、方剂要素、方-证要素对应、主证-药物对应”体系。
(2)以人工神经网络来建立整个伤寒论“主证-药物对应”的数学模型。
(3)以人工神经网络来建立整个伤寒论“方-证要素对应”的数学模型。系统数学模型：Yj=输出变数向量,即是伤寒论的方剂要素(或药物)Xi=输入变数向量,即是伤寒论的证候要素(或主证)f=人工神经网络神经元模型的转换函数wij=模仿第i个与第j个生物神经元间的突触强度(即连结加权值)θj=模仿第j个生物神经元的阀值(即门限值)
(4)将大量的“证候要素、方剂要素、方-证要素对应、主证-药物对应”等数据汇入神经网络模型内,让系统不断学习后,即可获取每个参数的权值与阀值,如此的伤寒论“方-证要素对应、主证-药物对应”数学模型,即可有推算预测处方药物的功能,对于辅助教学与临床诊治具有一定参考价值,可供后续萃取其中的知识与信息,为更好地继承与发扬仲景学术,提供方法学借鉴。方法
(1)系统所需计算机程序皆是自行编写开发,采用Microsoft Visual Studio C#. NET 2008结合SQL Server 2008与Access 2007数据库来开发系统所需要的功能。
(2)并采用神经网络技术其中的一种数学算法倒传递网络(Back Propagation Network, BPN)来建立整个数学模型。
(3)建立“证候要素、方剂要素、方-证要素对应、主证-药物对应”体系,并将这些对应资料汇入神经网络模型内。
(4)经由系统不断的训练学习后,即可获取每个神经元节点的权值与阀值,从而构建伤寒论“方-证要素对应、主证-药物对应”体系的数学模型。
结果与结论
(1)本研究以《伤寒论讲义》“十一五”规划教材为蓝本来进行《伤寒论》处方的结构化分析,药性归类依据乃是以中国药典2005年版的内容为准。从伤寒论处方结构化分析后的大规模数据中可以得到多种互为对应的讯息,例如：方-证要素对应关系、主证-药物对应关系、方-药对应关系、方-证对应关系.等等,本研究将只针对其中的“方-证要素对应关系、主证-药物对应关系”分别建立伤寒论的的数学模式,建立数学模式的目的除了可以探讨不同证候与药物等变数之间的定性关联,以及彼此间定量的加重权值外,并可在一旦确定数学模型的权值等参数后,进而将之应用于临床辨证论证的辅助上。
(2)以人工神经网络技术建立伤寒论“主证-药物对应关系”的数学模型：
方法：先将伤寒论处方的结构化资料撷取其中的主证-药物对应关系,转化成输入x向量(主证,最多有354个神经元节点)与输出y向量(药物,最多有98个节点),经由倒传递神经网络来训练学习后,再求出权值ω与阀值0向量最佳解。最佳解的判别准则乃是以在50000次的计算cycle次数内,若误差均方根函数数值低于0.06,则判定本次学习过程求取到权值Wij与阀值θj向量的最佳解。整个平台乃是在在IBM P4个人电脑与微软作业系统Windows XP的环境下运作,每次的求解计算最少要耗时60分钟以上才能计算完毕。
结果：测试后发现在一般维度下可正常运作及计算求解,将求得解的数据加以应用于测试实际的辅助临床推测方药,结果符合预期,初步验证可行。但当神经元节点数过大时会发生无法收敛的现象,后经两种方法共同运用,可改良求解过程的收敛效果,包括：调整学习率参数与使用非线性共轭梯度法,结果可将计算出最佳解的系统维度由(219 x 68)提高到(258 x 74),或输入样本可允许由75个提高到88个。
(3)以人工神经网络技术建立伤寒论“方-证要素对应关系”的数学模型：
方法：先将伤寒论处方的结构化资料撷取其中的证候要素-方剂要素对应关系,转化成输入x向量(证候要素,最多有160个神经元节点)与输出y向量(方剂要素,最多有83个节点),再经由神经网络来训练学习后求出权值Wij与阀值θj向量的最佳解。
结果：测试后发现在一般维度下可正常运作及计算求解,将求得解的数据加以应用于测试实际的辅助临床推测方药,结果符合预期,初步验证可行。但当神经元节点数过大时会发生无法收敛的现象,后经三种方法共同运用,可改良求解过程的收敛效果,分别是调整学习率参数、使用非线性共轭梯度法与采用前次最佳解当作起始值,结果可解出最佳解的系统维度由(129 x 72)提高到(134 x 74),或输入样本可允许由读入196个提高到204个。
(4)研究结果显示以神经网络所建立的数学模型,在主证-药物对应系统或方-证要素对应系统皆有推算预测处方药物的功能,对于辅助教学与临床诊治具有一定参考价值,也具有辅助教学的功能,从中可知伤寒论处方之证候与药物等变数间的定性关联,甚至彼此间的定量关系。
(5)目前根据伤寒论所分析出的主证-药物对应系统或方-证要素对应系统,出现很多同义或相近词汇的主证(或证候要素),故未来的进一步研究还须要再经过词汇统一或简化的探讨,因为词汇的定义与统一将紧密影响着神经网络学习知识的结果,这些影响都将直接表现在相关联神经元节点的权值与阀值上。这些词义相近的证候包括有：(1)身痛类：周身疼痛、身疼痛、身痛(或重)身体痛。(2)呕逆类：呕恶、呕逆、呕恶、干呕、欲呕吐、呕、心烦喜呕、微呕、吐、呕吐涎沫。(3)口渴咽干类：口渴舌燥、舌上燥而口渴甚、口微渴、咽干口干舌躁、口燥咽干。(4)汗出类：汗出、汗漏不止。(5)烦躁类：心烦、心烦、烦躁、微烦、昼日烦躁不得眠,夜而安静、烦躁、心烦不得安、虚烦不得眠、郁郁微烦、心烦不得卧、烦躁欲死、心烦不得眠、心烦懊憹、心烦失眠、大烦渴不解、烦渴。(6)小便利类：小便自利、小便自利、小便利。(7)发热类：身热不去、发热、翕翕发热。(8)喘息类：喘息、喘、喘咳。(9)下利类：下利不止、下利不止、下利日数十行、自利而渴、下利清谷、下利、下利不止、利、下利不止、下利便溏、泄利不止。(10)腹胀满痛类：少腹拘急硬满、少腹硬满、腹痛、腹胀满、腹大满、腹胀满痛、脘腹冷痛、腹胀满、腹满时痛、腹痛拒按、腹痛绵绵。(11)心悸类：心中悸而烦、心悸、心动悸。(12)心下硬痛类：心下硬痛拒按、心下硬满,按之疼痛、心下痞硬满、胸中痞硬。(13)项强类：颈项强、项背拘急不舒。(14)心下痞类：心下痞、心下痞、心下痞满、心下痞硬、心下痞硬而满、心下痞硬、心下痞满。(15)胸胁苦满类：胸胁苦满、胸胁苦满、胸胁苦满.胸胁满而呕、胸胁满微结、胸胁满闷。(16)手足厥冷类：手足厥冷、肢厥、手足厥寒、手足厥寒、四肢厥逆、手足厥逆、手足厥逆、厥逆无脉、四肢厥逆、手足逆冷、手足寒、四肢厥冷、四肢厥冷。(17)风寒束表类：风寒束表、风寒外束、风寒之邪束表。
(6)方-证要素对应系统的收敛效率比主证-药物对应系统的收敛效率好,造成这个现象的第一个原因乃是：方-证要素对应系统是一个小规模的对应关系,而且是“一对多”的对应,但是主证-药物对应系统里面的对应关系,是“多对多”,而且经常是“6对8,或8对7,甚至是6对12”的复杂关系,这么紧密繁杂的对应较难计算到最佳解。第二原因乃是两个系统之人工神经元节点数量不同所致,在方-证要素对应中系统维度为(160 x 60),但在主证-药物对应系统中统维度为(354 x 98),因此后者较难求出最佳解。
This study coupled both new system of syndrome-essential-factor and formula-essential-factor with the artificial intelligence technique to analyze all the formula of the Shang Han Lun to build a mathematical model of formula-syndrome essential-factor correspondence and formula-syndrome correspondence. These are introduced as follow.
Purpose
1.To establish the structural analyses of Shang Han Lun and establish the systems of formula-syndrome essential-factor correspondence and formula-syndrome correspondence.
2. To establish the mathematical model of formula-syndrome correspondence with artificial neural network technique.
3. To establish the mathematical model of formula-syndrome essential-factor correspondence with artificial neural network technique. mathematical model: Yj=output vector, the formula essential-factor (or herb) Xi=input vector, the syndrome essential-factor (or syndrome) f=the transfer function of artificial neural network model Wij= weight Valuesθj= Bias Values
Methods
1. It is developed by self-coding with the software of Microsoft Visual Studio C#. NET 2008, SQL Server 2008 and Access 2007 to design all the functions that we need.
2. One of the method called Back Propagation Network (BPN) of the artificial neural network technique was employed to build the mathmatiocal model.
3.All the data in the system of formula-syndrome essential-factor correspondence and formula-syndrome correspondence were established and then imported into the mathematical model of artificial neural network
4. The weight and bias values were calculated by reiteration training to produce the new mathematical model of systems of formula-syndrome essential-factor correspondence and formula-syndrome correspondence.
Results and Discussion
1.This study employed the book of伤寒论讲义by Professor Wang Qingguo (2007) for the materials to undertake the structural analyses of Shang Han Lun. There are many information could be extracted from these structural analyses, i. e. formula essentialfactor, syndrome essential factor, formula-syndrome essential factor correspondence and formula syndrome correspondence.
2. To establish the mathematical model, Yj=f(∑wijxi_θj), of formula syndrome correspondence with artificial neural network technique and apply it to the clinical therapy of prescription.
Method:The data of structural analyses of Shang Han Lun was imported into the x-vecter and y-vector and then transferred into artificial neural network system to calculate the weight and bias values. If the error of Root-Mean-Square Value is less 0.06 among the iteration of 5000, the optimum solution of the weight and bias values are done. All the system was done at the IBM PC with Windows XP. Every calculation at least nedd 60 minutes to finish the itereation.
Result:These results reveal that most of time it could get the optimum solution of the weight and bias values. The mathematical model then be applied to practical prediction of prescription. Those demonstration shows that it is feasible and practical to forecast the precise formulas for the patients. However, some divergence appear while the amount of neuron node is too large. Two methods were employed to imporved the efficiency of convergence, i.e. the adjustment of learning rate and the conjugate gradient method. The systematic dimension could also improved from (219×68) to (258×74). The input samples could also improved from 75 to 88.
3. To establish the mathematical model, Yj=f(∑wijxi_θj),of formula-syndrome essential-factor correspondence with artificial neural network technique and apply it to the clinical therapy of prescription.
Method:The data of structural analyses of Shang Han Lun was imported into the x-vecter and y-vector and then transferred into artificial neural network system to calculate the weight and bias values. If the error of Root-Mean-Square Value is less 0.06 among the iteration of 5000, the optimum solution of the weight and bias values are done. All the system was done at the IBM PC with Windows XP. Every calculation at least nedd 60 minutes to finish the itereation.
Result:These results reveal that most of time it could get the optimum solution of the weight and bias values. The mathematical model then be applied to practical prediction of prescription. Those demonstration shows that it is feasible and practical to forecast the precise formulas for the patients. However, some divergence appear while the amount of neuron'node is too large. Three methods were employed to imporved the efficiency of convergence, i.e. the adjustment of learning rate, the conjugate gradient method and importing the previous optimum solution as current default original vector. The systematic dimension could also improved from (129×72) to (134×74). The input samples could also improved from 196 to 204.
4. There are many synonym with the similar terms of syndrome appear while we establish the structural analyses of Shang Han Lun for the systems of formula-syndrome essential-factor correspondence and formula
syndrome correspondence. Because the meanings of the syndrome term will has the significant influence on the caluculation of weight and bias values.It is necessary to deal with the unity and simplification for these syndrome terms.
5. The efficiency of convergence for the system of formula-syndrome essential-factor correspondence is better than the one of formula syndrome correspondence. The first reason is because it is a smaller scope of correspondence relation for the system of ormula-syndrome essential-factor correspondence. But it is a more complex correspondence relation for the system of formula syndrome correspondence. The second reason is because it is different for the amount of neuron nodes. The systemic dimension of formula-syndrome essential-factor correspondence is 160x160, but that for formula syndrome correspondence is 354x98. It is harder to calculate the optimum solution of the weight and bias values.
引文
(1)Therneau TM, Grambsch PM, Fleming TR (1990).Martingale-based residuals for survival models. Biometrika.77:1, Page 47-53
[2]王永炎,张志斌(2003)。证候名称及分类研究的回顾与假设的提出。北京中医药大学学报,26(2)：Page 1-5。
[3]王永炎(2004)。完善中医辨证方法体系的建议。中医杂志,45(10)：Page729-731。
[4]王永炎,张志斌(2004)。再议完善辨证方法体系的几个问题。天津中医,4(1):Page 1-4.
[5]王永炎,张志斌(2007)。辨证方法新体系的建立。北京中医药大学学报,28 (1):Page 1-3.
[6]朱文锋(2002)。中医辨证体系及证的规范化研究。天津中医,19(5)：Page 1 4.
[7]朱文锋(2004)。创立以证素为核心的辨证新体系。湖南中医药大学学报,24 (6):Page 38-41.
[8]朱文锋,张华敏(2005)。“证素”的基本特征。中国中医基础医学杂志,11 (1):Page 17-18.
[9]朱文锋,甘慧娟(2005)。证素内容的辨析。中医药导报,11(1)：Page 11-13.
[10]朱文锋(2006)。构建“证素辨证”新体系的意义。浙江中医药大学学报,30 (2):Page 135-136.
[11]朱文锋(2008)。方剂主治证的证素分析。湖南中医药大学学报,28(6)：Page 12-16.
[12]李宇航(2009)。谈“证候要素”与“方剂要素”。 中华中医药杂志,24(2):Page 117-121.
[13]朱文锋,晏峻峰,黄碧群(2006)。贝叶斯网络在中医证素辨证体系中的应用。中西医结合学报,4(6)Page 567-571.
[14]王庆国(2007)。伤寒论讲义。北京高等教育出版社,北京。
[15]王天芳,吴秀艳,赵燕,王庆国(2007)。临床常见疾病中医证候要素分布特点的文献研究。中华中医药杂志,22(9)：Page 32-36.
[16]王玲,张均倡,张朴(2006)。肝硬化的形态学变化及其与中医证候要素关系的探讨。中西医结合肝病杂志,16(1)Page 4-8.
[17]王忆勤,郎庆波,李果刚(2005)。慢性胃炎中医湿证证候诊断标准研究。中国中西医结合杂志,25(11)Page 975-978.
[18]王炳和、相敬林(2002)。基于神经网络方法的人体脉象识别研究。西北工业大学学报,20(3),Page 454-457.
[19]王相东、殷鑫(2005)。粗糙集理论与证候规范化研究。陕西中医学院学报,28(2),Page 70-71.
[20]王华、胡学钢(2006)。基于关联规则的数据挖掘在临床上的应用。安徽 大学学报(自然科学版),30(2),Page 21-251.
[21]王学伟、瞿海斌、王阶(2006)。一种基于数据挖掘的中医定量诊断方法。北京中医药大学学报,28(1),Page 4-7.
[22]王继成、吕维雪(1996)。一个基于符号人工神经网络的心电图分类系统。中国生物医学工程学报,15(3),Page 202-207.
[23]白云静、申洪波(2004)。中医证候研究的人工神经网络方法探析。中医药学刊,22(12),Page 2221-2223.
[24]尹英杰,万霞,胡立胜(2006)。慢性乙型病毒性肝炎中医证候与证候要素文献数据库的建立。北京中医药大学学报,29(9)：Page 607-611.
[25]甘慧娟,杨丽蓉,黄守清(2006)。热证虚实病理与红细胞及血小板参数的相关性研究。福建中医学院学报,16(2)：Page 1-5.
[26]马斌,高颖(2007)。中风病恢复期证候要素的研究。江苏中医药,39(1)：Page 27-31。
[27]马斌,高颖(2006)。中风病发病第7天和第14天证候要素演变规律初步研究。辽宁中医杂志,33(12)：Page 1561-1564.
[28]李志更,王天芳,赵燕(2007)。慢性肾功能衰竭常见证候与证候要素的现代文献分析比较。中华中医药学刊,25(1)：Page 52-56.
[29]李志更,王天芳,赵燕(2006)。慢性肾功能衰竭辨证中常见中医症状、证候要素的现代文献分析及其相关性初步探讨。北京中医药大学学报,29(1)：Page 60-65。
[30]吴同玉,杨雪梅,李灿东(2006)。肝与病性病位证素及肝功能的相关分析。福建中医学院学报,16(3)Page 11-16.
[31]刘渡舟(1996)。方证相对论。北京中医药大学学报,19(1)Page 3-5,
[32]杨丽蓉,李灿东,林端宜(2006)。中医证素与肾功能关系的研究。中医药学刊,24(8)Page 1473-1476.
[33]陈萌,王庆国(2003)。浅谈经方方元的研究思路。中国中医药信息杂志,10 (6):Page 5-7.
[34]叶进、邢传鼎(2003)。基于人工人工神经网络的病症诊断原型系统。东华大学学报(自然科学版),29(4),Page 43-47.
[35]赵前龙,刘泉,周祯祥(2008)。对古今组方要素的梳理。湖北中医学院学报,10(1)Page 59-61.
[36]赵前龙,刘泉(2007)。组方要素的概念与基本性质初探。湖北中医学院学报,9(7)Page 5-8。
[37]赵燕,王天芳,于春光(2006)。抑郁症中医证候及证候要素分布特点的文献研究。中医杂志,2006,47(9)Page 691-695.
[38]张兰凤,王阶,王永炎(2005)。方证对应研究。中华中医药杂志,20(1)：Page 8-10.
[39]张少崇,李灿东,黄守清(2006)。气虚、血虚与红细胞、血红蛋白值相 关性研究。甘肃中医学院学报,23(5)：Page21-23.
[40]张启明,王永炎,张志斌(2005)。外感病因中证候要素的提取。山东中医药大学学报,29(5)：Page 339-343.
[41]郭蕾,王永炎,张俊龙(2004)。关于证候因素的讨论。中国中西医结合杂志,24(7)：Page 643-647.
[42]衷敬柏,王阶,赵宜军(2006)。辨证方法及证候要素应证组合研究。北京中医药大学学报,29(4)：Page 221-224.
[43]衷敬柏,董绍英,王阶,王永炎(2006)。2689例冠心病心绞痛证候要素的文献统计分析。中国中医药信息杂志,13(5)：Page 100-105.
[44]蔡秋梅,李灿东,黄守清(2006)。阴虚、阳虚与血尿酸水平的相关性探讨。浙江中医杂志,41(8)：Page 440-445.
[45]黄煌(1998)。论方证相关及其意义。中国中医基础医学杂志,4(6)：Page11-15。
[46]宋小莉、牛欣、司银楚(2005)。神经网络在半夏泻心汤配伍建模中的应用。中国临床药理学与治疗学,10,Page 104-107.
[47]李廷谦(1999)。临床试验的评价。中国中西医结合杂志,19(7),Page435-436。
[48]李明奎(2007)。循证医学思维在《伤寒论》“方证对应”研究中的思考。中华中医药学刊,25(4),Page 683-84.
[49]李建生、胡金亮、余学庆(2005)。基于神经网络的中医证候量化诊断模型探索。河南中医学院学报,20(3),Page 6-8.
[50]李建生、胡金亮、余学庆、沈建京(2005)。基于神经网络的中医证候量化诊断模型探索。河南中医学院学报,20(118),Page 6-8.
[51]周志坚、王宗源、邓兆智(1999)。人工神经网络在类风湿性关节炎病情分级中的应用初探。生物医学工程学杂志,16(4),Page 479-482.
[52]周训蓉(2007)。循证医学思维在“方证对应”研究中的思考。中国中医药信息杂志,14(6),Page 4-5.
[53]孟庆刚、王连心(2005)。浅谈集对分析在证候规范化研究中的应用。北京中医药大学学报,28(4),Page 9-141.
[54]林维鉴(1997)。BP网络用于中医痹证证候分类。福建中医学院学报,7(4), Page 41-43.
[55]姚美村、乔延江、袁月梅(2003)。基于人工神经网络方法的中药功效归类研究。中国中药杂志,28(7),Page 689-691.
[56]施明辉、周昌乐、吴清锋(2005)。用人工神经网络实现基于舌诊的八纲辨证推理初探。中国人工智能学会 中国人工智能进展(下册),北京邮电大学出版社,Page 1394-1399.
[57]查青林、林色奇、吕爱平(2004)。多元统计分析在中医证候研究中的应用探析。江西中医学院学报,16(6),Page 79-80.
[58]胡家宁、阎述池、王秀章(1996)。脉象特征人工神经网络分类器。中国医科大学学报,25(6),Page 571-578.
[59]胡家宁、阎述池、王秀章(1997)。脉象人工神经网络分析系统模型。中国医科大学学报,26(2),Page 134-137.
[60]胡随瑜、唐风英、喻长远(2004)。前馈反向传播网络在抑郁症中医证型分类中的初步研究。中医杂志,45(7),Page 532-533.
[61]徐方维、蔡坤宝(2004)。人工神经网络在中医脉象信号检测中的应用。重庞大学学报,27(8),Page 35-39.
[62]秦中广、毛宗源(2001)。粗糙人工神经网络及其在中医智能诊断系统中的应。计算机工程与应用,18,Page 34-35.
[63]秦中广、毛宗源、邓兆志(2001)。粗糙集在中医类风湿证候诊断中的应用。中国生物医学工程学报,20(4),Page 357-363.
[64]袁世宏、王米渠、王天芳(2006)。聚类分析对肾虚症状的探索性研究。北京中医药大学学报,29(4),Page 254-257.
[65]崔雷(2001)。数据采掘及其在医学研究中的应用。情报理论与实践,24(5), Page 330-333.
[66]莫传伟、武哲丽、陈群(2005)。中医舌诊客观化识别与图像技术的探析。中医药学刊,23(6)Page 1032-1034.
[67]樊晓干、彭展、杨胜跃(2004)。基于多层前馈型人工神经网络的抑郁症分类系统研究。计算机工程与应用,13,Page 205-208.
[68]刘延华、倪青(2005)。糖尿病证候量化研究方法探讨。中国中医基础医学杂志,11(1),Page 72-75.
[69]高隽(2003)。人工神经网络原理及仿真实例。北京：机械工业出版社。
[70]吴新根、吕维雪(1996)。一个用于肝病诊断的连接主义专家。中国生物医学工程学报,15(1),Page 62-66.
[71]张承江、闫朝升、宋立群(2005)。中医肾病治疗信息中关联规则的挖掘算法。黑龙江大学自然科学学报,22(6),Page 842-845.
[72]赵忠旭、沈兰荪、卫保国(2005)。基于人工神经网络的彩色校正方法研究。中国图像图形学报,5(9),Page 785-789.
[73]赵卫东、盛昭瀚、杜雪寒(2000)。基于人工神经网络的案例推理医疗诊断。东南大学学报(自然科学版),130(13),Page 46-50.
[74]陈五零、王存冉、郭荣江(1991)。神经元网络模型及其在中医诊断方面的应用。中华医学杂志,71(2),Page 111-118.
[75]陈玲、李为民(1994)。一个基于NN的高血压中医诊疗专家系统原型。计算机工程,20(2),Page 23-26.
[76]贺宪民,贺佳,范思昌(2001)。BP神经网络及其预测性能探索：数理医药学杂志。14(3),Page 195-8
[77]谢鸣(2003)。“方证相关”逻辑命题及其意义。北京中医药大学学报,26 (2):Page 11-12.
[78]谢颖祯,邹忆怀,马洪明(2006)。中风病急性期中经络和中脏腑证候要素的动态比较。中国中医基础医学杂志,12(10)：Page 746-750.
[79]龚燕冰,倪青,王永炎(2006)。中医证候研究的现代方法学述评(一)-中医证候数据挖掘技术。北京中医药大学学报,29(12)：Page 797-1001.
[80]樊新荣,唐亚平,王荣田(2008)。太阴病的证素辨证临床研究。湖南中医药大学,28(1)：Page 125-128.
[81]窦志芳、郭蕾(2007)。将数据挖掘技术引入方证对应研究的思考。光明中医,22(5),Page 3-6.
[82]窦志芳,郭蕾,张俊龙(2006)。“方证对应”研究的思考。中医杂志,47(8):Page 563-565.
[83]龚燕冰、倪青、王永炎(2006)。中医证候研究的现代方法学述评(一)：中医证候数据挖掘技术。北京中医药大学学报,29(12),Page 797-801.
[84]杨秀岩(2008)。神经网络预测方法在抑郁症疗效评价中的应用研究：北京中医药大学博士论文,Page 53-75。
[85]王进德、萧大全(2005)。类神经网络与模糊控制理论入门。台北：全华科技图书股份有限公司,Page 67-105.
[86]黄亚轩(2003)。类神经网络之规则萃则应用于中医在线诊疗系统。台湾中原大学资讯工程研究所硕士论文,Page 38-51.
[2]王永炎,张志斌(2003)。证候名称及分类研究的回顾与假设的提出。北京中医药大学学报,26(2)：Page 1-5。
[3]王永炎(2004)。完善中医辨证方法体系的建议。中医杂志,45(10)：Page729-731。
[4]王永炎,张志斌(2004)。再议完善辨证方法体系的几个问题。天津中医,4(1):Page 1-4.
[5]王永炎,张志斌(2007)。辨证方法新体系的建立。北京中医药大学学报,28 (1):Page 1-3.
[6]朱文锋(2002)。中医辨证体系及证的规范化研究。天津中医,19(5)：Page 1 4.
[7]朱文锋(2004)。创立以证素为核心的辨证新体系。湖南中医药大学学报,24 (6):Page 38-41.
[8]朱文锋,张华敏(2005)。“证素”的基本特征。中国中医基础医学杂志,11 (1):Page 17-18.
[9]朱文锋,甘慧娟(2005)。证素内容的辨析。中医药导报,11(1)：Page 11-13.
[10]朱文锋(2006)。构建“证素辨证”新体系的意义。浙江中医药大学学报,30 (2):Page 135-136.
[11]朱文锋(2008)。方剂主治证的证素分析。湖南中医药大学学报,28(6)：Page 12-16.
[12]李宇航(2009)。谈“证候要素”与“方剂要素”。 中华中医药杂志,24(2):Page 117-121.
[13]朱文锋,晏峻峰,黄碧群(2006)。贝叶斯网络在中医证素辨证体系中的应用。中西医结合学报,4(6)Page 567-571.
[14]王庆国(2007)。伤寒论讲义。北京高等教育出版社,北京。
[15]王天芳,吴秀艳,赵燕,王庆国(2007)。临床常见疾病中医证候要素分布特点的文献研究。中华中医药杂志,22(9)：Page 32-36.
[16]王玲,张均倡,张朴(2006)。肝硬化的形态学变化及其与中医证候要素关系的探讨。中西医结合肝病杂志,16(1)Page 4-8.
[17]王忆勤,郎庆波,李果刚(2005)。慢性胃炎中医湿证证候诊断标准研究。中国中西医结合杂志,25(11)Page 975-978.
[18]王炳和、相敬林(2002)。基于神经网络方法的人体脉象识别研究。西北工业大学学报,20(3),Page 454-457.
[19]王相东、殷鑫(2005)。粗糙集理论与证候规范化研究。陕西中医学院学报,28(2),Page 70-71.
[20]王华、胡学钢(2006)。基于关联规则的数据挖掘在临床上的应用。安徽 大学学报(自然科学版),30(2),Page 21-251.
[21]王学伟、瞿海斌、王阶(2006)。一种基于数据挖掘的中医定量诊断方法。北京中医药大学学报,28(1),Page 4-7.
[22]王继成、吕维雪(1996)。一个基于符号人工神经网络的心电图分类系统。中国生物医学工程学报,15(3),Page 202-207.
[23]白云静、申洪波(2004)。中医证候研究的人工神经网络方法探析。中医药学刊,22(12),Page 2221-2223.
[24]尹英杰,万霞,胡立胜(2006)。慢性乙型病毒性肝炎中医证候与证候要素文献数据库的建立。北京中医药大学学报,29(9)：Page 607-611.
[25]甘慧娟,杨丽蓉,黄守清(2006)。热证虚实病理与红细胞及血小板参数的相关性研究。福建中医学院学报,16(2)：Page 1-5.
[26]马斌,高颖(2007)。中风病恢复期证候要素的研究。江苏中医药,39(1)：Page 27-31。
[27]马斌,高颖(2006)。中风病发病第7天和第14天证候要素演变规律初步研究。辽宁中医杂志,33(12)：Page 1561-1564.
[28]李志更,王天芳,赵燕(2007)。慢性肾功能衰竭常见证候与证候要素的现代文献分析比较。中华中医药学刊,25(1)：Page 52-56.
[29]李志更,王天芳,赵燕(2006)。慢性肾功能衰竭辨证中常见中医症状、证候要素的现代文献分析及其相关性初步探讨。北京中医药大学学报,29(1)：Page 60-65。
[30]吴同玉,杨雪梅,李灿东(2006)。肝与病性病位证素及肝功能的相关分析。福建中医学院学报,16(3)Page 11-16.
[31]刘渡舟(1996)。方证相对论。北京中医药大学学报,19(1)Page 3-5,
[32]杨丽蓉,李灿东,林端宜(2006)。中医证素与肾功能关系的研究。中医药学刊,24(8)Page 1473-1476.
[33]陈萌,王庆国(2003)。浅谈经方方元的研究思路。中国中医药信息杂志,10 (6):Page 5-7.
[34]叶进、邢传鼎(2003)。基于人工人工神经网络的病症诊断原型系统。东华大学学报(自然科学版),29(4),Page 43-47.
[35]赵前龙,刘泉,周祯祥(2008)。对古今组方要素的梳理。湖北中医学院学报,10(1)Page 59-61.
[36]赵前龙,刘泉(2007)。组方要素的概念与基本性质初探。湖北中医学院学报,9(7)Page 5-8。
[37]赵燕,王天芳,于春光(2006)。抑郁症中医证候及证候要素分布特点的文献研究。中医杂志,2006,47(9)Page 691-695.
[38]张兰凤,王阶,王永炎(2005)。方证对应研究。中华中医药杂志,20(1)：Page 8-10.
[39]张少崇,李灿东,黄守清(2006)。气虚、血虚与红细胞、血红蛋白值相 关性研究。甘肃中医学院学报,23(5)：Page21-23.
[40]张启明,王永炎,张志斌(2005)。外感病因中证候要素的提取。山东中医药大学学报,29(5)：Page 339-343.
[41]郭蕾,王永炎,张俊龙(2004)。关于证候因素的讨论。中国中西医结合杂志,24(7)：Page 643-647.
[42]衷敬柏,王阶,赵宜军(2006)。辨证方法及证候要素应证组合研究。北京中医药大学学报,29(4)：Page 221-224.
[43]衷敬柏,董绍英,王阶,王永炎(2006)。2689例冠心病心绞痛证候要素的文献统计分析。中国中医药信息杂志,13(5)：Page 100-105.
[44]蔡秋梅,李灿东,黄守清(2006)。阴虚、阳虚与血尿酸水平的相关性探讨。浙江中医杂志,41(8)：Page 440-445.
[45]黄煌(1998)。论方证相关及其意义。中国中医基础医学杂志,4(6)：Page11-15。
[46]宋小莉、牛欣、司银楚(2005)。神经网络在半夏泻心汤配伍建模中的应用。中国临床药理学与治疗学,10,Page 104-107.
[47]李廷谦(1999)。临床试验的评价。中国中西医结合杂志,19(7),Page435-436。
[48]李明奎(2007)。循证医学思维在《伤寒论》“方证对应”研究中的思考。中华中医药学刊,25(4),Page 683-84.
[49]李建生、胡金亮、余学庆(2005)。基于神经网络的中医证候量化诊断模型探索。河南中医学院学报,20(3),Page 6-8.
[50]李建生、胡金亮、余学庆、沈建京(2005)。基于神经网络的中医证候量化诊断模型探索。河南中医学院学报,20(118),Page 6-8.
[51]周志坚、王宗源、邓兆智(1999)。人工神经网络在类风湿性关节炎病情分级中的应用初探。生物医学工程学杂志,16(4),Page 479-482.
[52]周训蓉(2007)。循证医学思维在“方证对应”研究中的思考。中国中医药信息杂志,14(6),Page 4-5.
[53]孟庆刚、王连心(2005)。浅谈集对分析在证候规范化研究中的应用。北京中医药大学学报,28(4),Page 9-141.
[54]林维鉴(1997)。BP网络用于中医痹证证候分类。福建中医学院学报,7(4), Page 41-43.
[55]姚美村、乔延江、袁月梅(2003)。基于人工神经网络方法的中药功效归类研究。中国中药杂志,28(7),Page 689-691.
[56]施明辉、周昌乐、吴清锋(2005)。用人工神经网络实现基于舌诊的八纲辨证推理初探。中国人工智能学会 中国人工智能进展(下册),北京邮电大学出版社,Page 1394-1399.
[57]查青林、林色奇、吕爱平(2004)。多元统计分析在中医证候研究中的应用探析。江西中医学院学报,16(6),Page 79-80.
[58]胡家宁、阎述池、王秀章(1996)。脉象特征人工神经网络分类器。中国医科大学学报,25(6),Page 571-578.
[59]胡家宁、阎述池、王秀章(1997)。脉象人工神经网络分析系统模型。中国医科大学学报,26(2),Page 134-137.
[60]胡随瑜、唐风英、喻长远(2004)。前馈反向传播网络在抑郁症中医证型分类中的初步研究。中医杂志,45(7),Page 532-533.
[61]徐方维、蔡坤宝(2004)。人工神经网络在中医脉象信号检测中的应用。重庞大学学报,27(8),Page 35-39.
[62]秦中广、毛宗源(2001)。粗糙人工神经网络及其在中医智能诊断系统中的应。计算机工程与应用,18,Page 34-35.
[63]秦中广、毛宗源、邓兆志(2001)。粗糙集在中医类风湿证候诊断中的应用。中国生物医学工程学报,20(4),Page 357-363.
[64]袁世宏、王米渠、王天芳(2006)。聚类分析对肾虚症状的探索性研究。北京中医药大学学报,29(4),Page 254-257.
[65]崔雷(2001)。数据采掘及其在医学研究中的应用。情报理论与实践,24(5), Page 330-333.
[66]莫传伟、武哲丽、陈群(2005)。中医舌诊客观化识别与图像技术的探析。中医药学刊,23(6)Page 1032-1034.
[67]樊晓干、彭展、杨胜跃(2004)。基于多层前馈型人工神经网络的抑郁症分类系统研究。计算机工程与应用,13,Page 205-208.
[68]刘延华、倪青(2005)。糖尿病证候量化研究方法探讨。中国中医基础医学杂志,11(1),Page 72-75.
[69]高隽(2003)。人工神经网络原理及仿真实例。北京：机械工业出版社。
[70]吴新根、吕维雪(1996)。一个用于肝病诊断的连接主义专家。中国生物医学工程学报,15(1),Page 62-66.
[71]张承江、闫朝升、宋立群(2005)。中医肾病治疗信息中关联规则的挖掘算法。黑龙江大学自然科学学报,22(6),Page 842-845.
[72]赵忠旭、沈兰荪、卫保国(2005)。基于人工神经网络的彩色校正方法研究。中国图像图形学报,5(9),Page 785-789.
[73]赵卫东、盛昭瀚、杜雪寒(2000)。基于人工神经网络的案例推理医疗诊断。东南大学学报(自然科学版),130(13),Page 46-50.
[74]陈五零、王存冉、郭荣江(1991)。神经元网络模型及其在中医诊断方面的应用。中华医学杂志,71(2),Page 111-118.
[75]陈玲、李为民(1994)。一个基于NN的高血压中医诊疗专家系统原型。计算机工程,20(2),Page 23-26.
[76]贺宪民,贺佳,范思昌(2001)。BP神经网络及其预测性能探索：数理医药学杂志。14(3),Page 195-8
[77]谢鸣(2003)。“方证相关”逻辑命题及其意义。北京中医药大学学报,26 (2):Page 11-12.
[78]谢颖祯,邹忆怀,马洪明(2006)。中风病急性期中经络和中脏腑证候要素的动态比较。中国中医基础医学杂志,12(10)：Page 746-750.
[79]龚燕冰,倪青,王永炎(2006)。中医证候研究的现代方法学述评(一)-中医证候数据挖掘技术。北京中医药大学学报,29(12)：Page 797-1001.
[80]樊新荣,唐亚平,王荣田(2008)。太阴病的证素辨证临床研究。湖南中医药大学,28(1)：Page 125-128.
[81]窦志芳、郭蕾(2007)。将数据挖掘技术引入方证对应研究的思考。光明中医,22(5),Page 3-6.
[82]窦志芳,郭蕾,张俊龙(2006)。“方证对应”研究的思考。中医杂志,47(8):Page 563-565.
[83]龚燕冰、倪青、王永炎(2006)。中医证候研究的现代方法学述评(一)：中医证候数据挖掘技术。北京中医药大学学报,29(12),Page 797-801.
[84]杨秀岩(2008)。神经网络预测方法在抑郁症疗效评价中的应用研究：北京中医药大学博士论文,Page 53-75。
[85]王进德、萧大全(2005)。类神经网络与模糊控制理论入门。台北：全华科技图书股份有限公司,Page 67-105.
[86]黄亚轩(2003)。类神经网络之规则萃则应用于中医在线诊疗系统。台湾中原大学资讯工程研究所硕士论文,Page 38-51.