基于信息测度特征和Hausdorff距离的图像匹配策略

由于传统的图像匹配方法受到诸如景物的遮挡、光照和噪声的影响比较大，并且需要建立模板与图像间的对应关系，因而使实际图像的匹配变得困难。为了克服上述缺陷，以便快速地进行图像匹配，通过引入信息测度概念来提取边缘特征点，并基于修正后的：Hausdorff距离构造相似性测度，提出了一种基于信息测度和：Hausdorff距离的图像匹配策略。该策略不仅加快了匹配过程，提高了抗噪性能，而且能准确匹配遮挡图像，从而较好地解决了基于传统Hausdorff距离的图像匹配因噪声点、伪边缘和出格点而造成的误匹配问题。实验结果证明，该方法是正确有效的。     

一种基于进化学习的中药定量组效关系建模方法

针对中药的组分配伍优化设计，提出一类中药药效智能预测及定量组效关系（QCAR）建模方法.采用全新设计的自适应浮点编码遗传算法，并与反向传播（BP）算法集成用于神经网络学习训练，既改善了神经元网络获得全局最优解的能力，又消除了经典遗传算法（GA）在编码与解码时产生的截断误差，从而提高了QCAR模型的训练与预报精度.以中药当归为实例对该方法进行应用研究.结果表明，无论是交叉验证还是独立检验均取得较好效果，明显优于常规建模方法，可用于对中药药效进行智能预测     

贝叶斯网络杂交学习算法及其在中医中的应用

针对贪婪贝叶斯模式搜索算法(GBPS)在搜索最优贝叶斯网络结构时易陷入局部最优的不足，提出了一种改进的GBPS算法.在GBPS算法的邻域生成过程中引入了有向边的变向操作，并通过仿真实验研究了样本数量和网络节点的连接边数对算法寻优能力、结果准确度和计算量的影响.将该改进算法用于从中医临床诊断数据中辨识症状与辨证要素间的复杂关系.结果表明，该改进算法的学习结果优于GBPS算法和贪婪贝叶斯有向无环图搜索算法(GBDS).所发现的症状－辨证要素间的相关关系与中医专家经验吻合较好，可用于从中医诊断数据中自动获取中医专家知识.     

中医药信息智能检索系统构建方法研究

针对现有中医药信息检索中存在的某些问题，将基于词表的扩展检索，相似性检索等方法与数据挖掘技术相结合，提出了一类智能化中医药信息检系统的构建思想，据此建立了相应的智能检索系统，该系统提供文献间的相似性检索，实现了数据的关联分析，提高了中医药文献的查全率，经实际应用表明，本文方法具有查全率高，使用方便等优点，为建立新型中医药信息检索系统提供了有效途径。     

边缘检测中小波选取问题研究

小波的选取对边缘检测结果有直接的影响.本文分析和研究了小波的对称性、收敛性、平滑性及小波消失矩的内在联系及这些特性对边缘检测的影响,提出了边缘检测中小波选取原则.实验选取了三种具有不同特性的典型小波对选取原则进行了验证,实验结果证明了本文提出的小波选取原则的正确性.     

用均匀设计和回归分析法优化黄连提取工艺

运用均匀设计和回归分析方法优化中草药黄连的提取工艺。以提取物中药根碱、巴马亭和小檗碱的含量为考察指标,对影响黄连提取工艺的因素进行分析。经优化筛选得到最佳提取工艺,其药根碱、巴马亭和小檗碱的收率分别为10.52、23.58、68.17mgg-1药粉,优于文献报道,可以用于黄连的工业提取过程。研究结果表明,均匀设计和回归分析方法尤其适合应用于多因素、多水平地筛选中药提取过程参数。     

超临界CO2溶胀过程中葛根素乙醇溶液的溶解特性研究

为了设计用超临界流体抗溶剂结晶(GAS)法制备葛根素的超细颗粒,用静态平衡法考察了超临界CO2溶胀过程中葛根素在乙醇溶液的溶解特性.实验结果表明,体系压力变化对溶解度的影响最为显著.同时,我们发现,伴随着体系压力的递增,溶液中葛根素浓度表现为先扬后抑的趋势,甚至大于其初始值.由此可知,GAS过程CO2兼有抗溶剂和萃取剂的双重功能:前者降低溶质的溶解度,后者则提高溶液浓度.     

基于分形理论的谱峰检测方法研究

在拓展分形维数概念的基础上,提出曲线的点盒维数定义,并以此构筑判峰算法,发展了一种新的谱峰检测理论及实现途径．与现有谱峰检测技术相比,该算法具有判据阈值设定简单可靠、适应范围广、谱峰识别准确等显著特点．实践表明,这种新的谱峰检测法能满意地用于色谱、光谱等仪器分析数据的自动处理．     

中草药挥发油提取新技术——亚临界水萃取

介绍一种中药挥发油提取的新技术,对亚临界水在中药挥发油提取方面的应用进行综述。探讨亚临界水在中药挥发油萃取过程中萃取温度、萃取压力、萃取时间、夹带剂等因素对萃取效果的影响,并将其与传统的水蒸气蒸馏、索氏提取及目前流行的超临界二氧化碳流体萃取进行对比。结果表明,使用亚临界水提取技术不仅挥发油收率高,提取时间更为迅速,是一种新型而更贴近传统的中药提取方式。     

基于逐步条件相关性分析的因果关系发现方法

从数据中发现与一个变量有直接因果关系的其它变量是一种非常有价值的技术.本文针对回归分析中的逐步回归算法和贝叶斯网络学习中的SGS算法、PC算法应用于变量选择的不足,提出了一种新的因果关系发现算法STEPCARD,并将其与STEPWISE算法和SGS算法进行了实验比较分析.实验表明,STEPCARD算法能够和SGS算法一样从初始自变量集合中找出与因变量有因果相邻关系的变量,而STEPWISE算法只能找出与因变量显著相关的变量.其次,当初始自变量集合较大,而最后输出的自变量集合较小时,STEPCARD算法的计算量比SGS算法的计算量小得多.而且,当初始自变量个数接近或大于事例个数时,SGS算法将无法应用,而STEPCARD算法依然可以得到可信的结果.