医药分析信息学及分析数据处理技术

第1章 　绪论
　1.1　分析科学发展前沿若干问题
　1.2　涉及的若干概念、界定及术语定义
　1.3　分析信息获取问题
　1.4　生物医药分析技术发展趋势
　1.5　药物信息学与生物医药分析
　1.6　复杂物质体系辨析与医药分析信息学
第2章 　分析数据处理技术基础知识
　2.1　化学计量学与化学信息学
　　2.1.1　化学计量学
　　2.1.2　化学信息学
　2.2　多元统计分析技术
　　2.2.1　基本概念
　　2.2.2　常用的多元统计分析方法
　2.3　机器学习技术
　　2.3.1　机器学习的定义
　　2.3.2　机器学习的类型
　　2.3.3　机器学习的应用领域
　　2.3.4　几种常见的机器学习方法
　2.4　模式信息处理技术
　　2.4.1　基本概念
　　2.4.2　模式识别基本方法
　2.5　知识工程技术
　　2.5.1　知识工程定义
　　2.5.2　知识表示方法
　　2.5.3　知识搜索
　　2.5.4　知识推理机制
　　2.5.5　专家系统
　2.6　人工神经元计算技术
　　2.6.1　神经网络的定义
　　2.6.2　基本概念与原理
　　2.6.3　神经网络的应用
　　2.6.4　几种常见的神经网络模型
　2.7　数据库与数据挖掘技术　
　　2.7.1　数据库技术概述
　　2.7.2　数据库的基本概念
　　2.7.3　数据仓库和数据挖掘技术
　2.8　小波分析技术
　　2.8.1　基本概念
　　2.8.2　小波分析的基本原理
　　2.8.3　信号小波级数的展开及其变换算法的实现
　2.9　数据可视化技术
　　2.9.1　数据可视化概念
　　2.9.2　数据可视化过程
　　2.9.3　数据可视化方法
　　2.9.4　数据可视化应用
　　2.9.5　展望
　2.10　化学信息集成处理技术
　参考文献
第3章　现代仪器分析信号处理
　3.1　分析信号处理技术概述
　3.2　分析仪器的信号与噪声特性
　3.3　数字滤噪方法分类
　3.4　滤噪效果评价方法
　　3.4.1　整体滤噪效果评价指标
　　3.4.2　局部滤噪效果评价指标
　3.5　频带滤噪法
　　3.5.1　多点归并平滑法
　　3.5.2　加权平均平滑法
　　3.5.3　SG数字滤波器
　　3.5.4　可调型低通滤波器
　　3.5.5　几种常用频带滤噪法的性能比较
　3.6　最佳滤波器
　　3.6.1　匹配滤波器
　　3.6.2　维纳滤波器和卡尔曼滤波器
　3.7　基于小波变换法的滤噪技术
　　3.7.1　小波基自适应滤噪技术
　　3.7.2　基于小波包基分解与重构的滤噪技术
　3.8　自适应滤波器
　　3.8.1　最小均方自适应滤波器
　　3.8.2　神经网络滤波器
　3.9　新型滤噪方法研究实例
　　3.9.1　基于分形理论的自适应中位值滤噪方法研究实例
　　3.9.2　基于光谱信息计算解析的液相色谱滤噪方法研究实例
　3.10　小波信号压缩
　参考文献
第4章 　分析谱图的谱峰辨识方法
　4.1　谱峰辨识技术概要
　4.2　谱峰检测方法
　　4.2.1　幅值检峰法
　　4.2.2　一阶导数检峰法
　　4.2.3　二阶导数检峰法
　　4.2.4　分形维检峰法
　4.3　谱峰识别方法
　　4.3.1　基线漂移法
　　4.3.2　谱峰间距测定法
　　4.3.3　峰高比综合判别法
　4.4　仿人智能辨识谱峰方法
　4.5　谱峰自适应辨识方法
第5章 　多元校正与复杂分析数据解析
　5.1　多元校正与复杂分析数据解析概述
　5.2　多元校正
　　5.2.1　直接校正
　　5.2.2　间接校正
　　5.2.3　非线性多元校正
　5.3　近红外光谱数据的多元校正
　　5.3.1　近红外光谱预处理方法
　　5.3.2　波段选择
　　5.3.3　多元校正建模方法
　5.4　复杂分析数据解析
　　5.4.1　多元分辨
　　5.4.2　应用实例
　参考文献
第6章 　化学与生物模式信息处理
　6.1　数据预处理方法
　6.2　常用的模式特征提取方法
　　6.2.1　主成分分析法
　　6.2.2　偏最小二乘法
　　6.2.3　核主成分分析法
　6.3　复杂化学与生物模式的分步特征提取法
　　6.3.1　复杂化学与生物模式特征的分步提取方法原理
　　6.3.2　特征矢量的分类能力评价指标
　　6.3.3　复杂化学与生物模式特征的分步提取方法应用实例
　6.4　最优分类特征提取方法
　　6.4.1　最优分类特征提取方法原理
　　6.4.2　最优分类特征提取方法应用实例
　6.5　聚类分析法
　　6.5.1　相似性测度
　　6.5.2　系统聚类法
　　6.5.3　动态聚类法
　6.6　判别函数法
　　6.6.1　判别函数
　　6.6.2　参数学习
　　6.6.3　多分类问题
　6.7　近邻法
　　6.7.1　最近邻法
　　6.7.2　k近邻法
　6.8　神经网络模式分类法
　　6.8.1　神经网络基本原理
　　6.8.2　感知器
　　6.8.3　误差反传神经网络
　　6.8.4　RBF网络
　6.9　支持向量机
　　6.9.1　支持向量机基本原理
　　6.9.2　多类支持向量机
　　6.9.3　支持向量机应用实例
　6.10　模糊模式识别方法
　　6.10.1　模糊数学的基本知识
　　6.10.2　模糊模式识别的一般过程
　　6.10.3　模糊聚类方法
　　6.10.4　模糊神经网络
　　6.10.5　应用实例
　参考文献
第7章 　化学指纹图谱计算处理
　7.1　化学指纹图谱计算处理方法简介
　　7.1.1　指纹图谱相似性计算原理　
　　7.1.2　模式分类计算原理
　7.2　化学指纹图谱测量参数的选择
　7.3　化学指纹图谱配准方法
　7.4　化学指纹图谱相似性测度的比较
　7.5　化学指纹图谱模式分类计算方法
　　7.5.1　基于小波基分形参量的化学指纹图谱计算方法
　　7.5.2　基于Fisher因子的化学指纹图谱模式分类方法
　　7.5.3　化学指纹图谱类别相似性计算方法
　参考文献
第8章 　分析信息智能管理
　8.1　实验室信息管理系统
　　8.1.1　LIMS的定义和范畴
　　8.1.2　LIMS的发展过程
　　8.1.3　LIMS的工作流程
　　8.1.4　LIMS的功能
　　8.1.5　LIMS的实施过程
　　8.1.6　LIMS的标准和认证体系
　8.2　电子实验记录本
　　8.2.1　电子实验记录本的概念
　　8.2.2　电子实验记录本的功能
　8.3　中药分析信息智能管理
　　8.3.1　中药化学信息数据库
　　8.3.2　中药化合物数据库
　8.4　中药指纹图谱数据库管理系统
　　8.4.1　系统功能
　　8.4.2　应用实例
　8.5　数字中药信息系统
　　8.5.1　数字中药信息系统结构
　　8.5.2　数字中药信息系统功能
　8.6　中药分析信息的数据挖掘
　　8.6.1　基于因果关系发现的中药有效组分辨识方法
　　8.6.2　中药材关键药效成分辨识方法研究实例
　　8.6.3　中药复方关键药效成分辨识方法研究实例
　　8.6.4　中药复方有效组分配伍优化方法研究实例
　参考文献
第9章 　生物芯片分析信息处理
　9.1　生物芯片概述
　9.2　生物芯片分析过程
　9.3　芯片数据获取
　　9.3.1　芯片图像处理
　　9.3.2　归一化方法
　　9.3.3　芯片数据形式
　9.4　芯片数据分析
　　9.4.1　差异分析
　　9.4.2　分类分析
　　9.4.3　聚类分析
　　9.4.4　网络分析
　　9.4.5　可视化方法
　9.5　芯片分析信息处理发展趋势
　　9.5.1　数据质量评价与归一化
　　9.5.2　差异分析
　　9.5.3　测度选择　
　　9.5.4　基因相互关系发现
　　9.5.5　聚类结果验证
　参考文献
第10章 　组学分析信息处理
　10.1　组学及组学分析信息处理技术概述
　10.2　蛋白质组分析信息处理
　　10.2.1　蛋白质组分析信息处理简述
　　10.2.2　基于形态特征的双向电泳图像处理方法
　10.3　代谢组分析信息处理
　　10.3.1　代谢组信息处理技术简述
　　10.3.2　肾阳虚模型大鼠代谢模式分析
　　10.3.3　乳腺癌代谢物组模式特征发现
　　10.3.4　肺癌患者尿液代谢组分析
　10.4　展望 　　
　　10.4.1　组学分析信息处理的应用前景
　　10.4.2　组学分析信息学　
　参考文献
附录
　1　线性空间预备知识
　　1.1　基本概念及定义
　　1.2　矩阵代数
　　1.3　矩阵和向量的微积分
　2　点盒分形维
　　2.1　分形的定义
　　2.2　分形维数定义
　　2.3　点盒维数定义