[发明专利]一种用于证候与药方匹配数据的处理方法及处理系统

权利要求书

1.一种用于证候与药方匹配数据的处理方法，其特征在于，该方法包括：

获取历史数据中的多个证候数据及证候数据对应的药方数据，构建初始自编码神经网络，将证候数据及其对应的药方数据同时作为初始自编码神经网络输入和输出，并对初始自编码神经网络训练；

根据药方数据对应的药材种类构建药方矩阵，以每个药方数据为顶点构建图结构数据，根据图结构数据中各个顶点的药方矩阵中对应位置的元素值计算每两个顶点之间的边权值，并记为顶点对应的两个药方数据的相似性；

根据药方数据的相似性对图结构数据进行分类得到多类图结构数据，并获取每类图结构数据的类别中心；

获取每类图结构数据中的最小边权值并作为第一近似程度值，获取每类图结构数据与其最相似的其他类图结构数据的第二近似程度值，根据第一近似程度值与第二近似程度计算该类图结构数据的压缩系数；

根据压缩系数对初始自编码神经网络的损失函数重构得到重构损失函数，基于证候数据构建均方差损失函数，根据均方差损失函数和重构损失函数获取自编码神经网络的最终损失函数；根据下式（2）获取重构损失函数：

（2）

其中，表示初始自编码神经网络训练时所输入的训练数据的个数；

表示当前第个药方数据对应的压缩系数；

表示第个药方数据；

表示第个药方数据重构后的重构药方数据；

基于最终损失函数对初始自编码神经网络进行监督训练得到训练好的自编码神经网络，将自编码神经网络分别存储在数据发送端和数据接收端，数据发送端的自编码神经网络的自编码部分对所有历史数据进行压缩得到压缩数据，并将压缩数据传输至数据接收端的自编码神经网络的解码部分进行解压。

2.根据权利要求1所述的一种用于证候与药方匹配数据的处理方法，其特征在于，根据药材种类构建药方矩阵的步骤包括：

对每个药方数据进行编号；

获取历史数据中所有药方数据中的药材种类，并对每种药材进行编号；

其中，药方矩阵中的位置即表示某个编号的药方数据的某个编号的药材，且每个位置的元素值表示是否有该类药材，有该类药材的元素值记为1，反之则元素值记为0。

3.根据权利要求1所述的一种用于证候与药方匹配数据的处理方法，其特征在于，根据图结构数据中各个顶点的药方矩阵中对应位置的元素值计算每两个药方数据的相似性的步骤包括：

获取图结构数据中各个顶点所对应的药方矩阵；

计算每两个药方矩阵之间对应位置的元素值的差值；

将两个药方矩阵之间所有对应位置的元素值的差值的和作为两个药方数据的相似性。

4.根据权利要求1所述的一种用于证候与药方匹配数据的处理方法，其特征在于，根据最小边权法获取每类图结构数据的最小边权值。

5.根据权利要求1所述的一种用于证候与药方匹配数据的处理方法，其特征在于，获取每类图结构数据与其最相似的其他类图结构数据的第二近似程度值的步骤包括：

获取每类图结构数据的类别中心对应顶点的药方矩阵，并记为中心药方矩阵；

计算每两个中心药方矩阵中对应位置的元素值的差值之和，并记为两个类别中心对应的顶点之间的边权值；

获取每个类别中心与其他所有类别中心对应的顶点之间的所有边权值中的最小边权值；

将最小边权值记为第二近似程度值。

6.根据权利要求1所述的一种用于证候与药方匹配数据的处理方法，其特征在于，根据第一近似程度值与第二近似程度计算该类图结构数据的压缩系数的步骤包括：

根据下式（1）计算药方数据的压缩系数：

（1）

其中，表示第m类图结构数据的类别中心与其他所有类别中心的对应顶点之间边权值中的最小边权值；

表示第m类图结构数据中所有边权值中的最小边权值；

n表示第m类图结构数据中顶点的总数。

7.一种用于证候与药方匹配数据的处理系统，其特征在于，该系统包括：数据发送端、数据接收端及分别存储在数据发送端和数据接收端的相同的自编码神经网络；数据发送端的自编码神经网络的自编码部分用于对所有历史数据进行压缩得到压缩数据，并将压缩数据传输至数据接收端；数据接收端的自编码神经网络的解码部分用于对压缩数据进行解压；

其中，所述自编码神经网络包括：

初始自编码神经网络，用于获取历史数据中的多个证候数据及证候数据对应的药方数据，构建初始自编码神经网络，将证候数据及其对应的药方数据同时作为初始自编码神经网络输入和输出，并对初始自编码神经网络训练；

第一参数计算模块，用于根据药方数据对应的药材种类构建药方矩阵，以每个药方数据为顶点构建图结构数据，根据图结构数据中各个顶点的药方矩阵中对应位置的元素值计算每两个顶点之间的边权值，并记为顶点对应的两个药方数据的相似性；

分类模块，用于根据药方数据的相似性对图结构数据进行分类得到多类图结构数据，并获取每类图结构数据的类别中心；

第二参数计算模块，用于获取每类图结构数据中的最小边权值并作为第一近似程度值，获取每类图结构数据与其最相似的其他类图结构数据的第二近似程度值；根据第一近似程度值与第二近似程度计算该类图结构数据的压缩系数；

损失函数重构模块，用于根据压缩系数对初始自编码神经网络的损失函数重构得到重构损失函数，基于证候数据构建均方差损失函数，根据均方差损失函数和重构损失函数获取自编码神经网络的最终损失函数；根据下式（2）获取重构损失函数：

（2）

其中，表示初始自编码神经网络训练时所输入的训练数据的个数；

表示当前第个药方数据对应的压缩系数；

表示第个药方数据；

表示第个药方数据重构后的重构药方数据；

自编码神经网络训练模块，用于基于最终损失函数对初始自编码神经网络进行监督训练得到训练好的自编码神经网络。