[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

说明书

本发明涉及数据处理技术领域，具体涉及一种用于证候与药方匹配数据的处理方法及处理系统，该方法包括：获取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并进行训练；根据药方数据的药材种类构建药方矩阵，根据药方矩阵计算每两个药方数据的相似性，根据每两个药方数据的相似性对药方数据进行分类并获取类别中心，计算每个类别的第一近似程度值，每两个类别中心的第二近似程度值，并计算每个类别的压缩系数，根据压缩系数得到重构损失函数，根据重构损失函数得到最终损失函数，基于最终损失函数对初始自编码神经网络训练，利用训练好的自编码神经网络的实现数据的传输，本发明方法降低了压缩损失，提高了数据传输的精度。

技术领域

本发明涉及数据处理技术领域，具体涉及一种用于证候与药方匹配数据的处理方法及处理系统。

背景技术

目前，中医诊断往往是根据自身行医经验来的，对于同样的症候，不同的中医给出的药方可能有所不同，且中医诊断都是自我诊断，在开药时多是凭借自身经验，各家自成体系，与其他医生之间缺少一定信息上的沟通与交流，所以通过大数据统计平台，可以让医生借鉴其他医生历史所出具的药方。

然而，医生每天都在不断的开药方，大量的药方数据会导致系统内部的信息传输压力过大，利用传统的神经网络进行数据压缩传输时，近似的药方数据会造成较高的压缩损失，进而使得在数据库中病症药方数据传输后，呈现在系统内的数据库中病症药方数据与原数据出现误差，影响数据的完整性。

因此，需要提供一种用于证候与药方匹配数据的处理方法及处理系统，予以解决上述问题。

发明内容

本发明提供一种用于证候与药方匹配数据的处理方法及处理系统，以解决现有的问题。

本发明的一种用于证候与药方匹配数据的处理方法采用如下技术方案：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；优选的，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的步骤包括：

根据下式（2）获取重构损失函数：

（2）

其中，表示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。

优选的，根据药材种类构建药方矩阵的步骤包括：