【技术实现步骤摘要】
本专利技术涉及人工智能，尤其是一种四诊信息融合先验知识的中医辨证分析方法及装置。
技术介绍
1、辨证论治是中医认识疾病和治疗疾病的基本原则，包含辨证和论治两个过程。辨证是根据四诊收集的信息，结合中医理论进行综合分析，辨识疾病为何种性质的证。随着人工智能技术的发展，已经有各种机器学习方法应用于中医的辨证分型，以挖掘辨证的信息辅助中医的临床分析。但是，相关技术中直接将不同诊断方式采集的数据项直接组合起来进行数据分析，忽略了不同类型数据之间的差异性，影响辨证算法的性能。综合上述，相关技术中存在的技术问题亟需得到解决。
技术实现思路
1、有鉴于此，本专利技术实施例提供一种四诊信息融合先验知识的中医辨证分析方法及装置，以提高辨证算法的性能。
2、一方面，本专利技术提供了一种四诊信息融合先验知识的中医辨证分析方法，包括：
3、获取四诊数据集和辨证数据集；
4、对所述四诊数据集和所述辨证数据集进行融合处理，得到全局亲和度矩阵；
5、通过多核学习模型对所述四诊数据集和所述全局亲和度矩阵进行多核学习处理，得到多核学习后的样本系数矩阵和核权重向量；
6、根据所述样本系数矩阵和所述核权重向量将所述样本系数矩阵和核权重向量映射到输出空间，得到映射数据；
7、对所述映射数据进行聚类处理，得到中医辨证分析结果。
8、可选地，所述对所述四诊数据集和所述辨证数据集进行融合处理，得到全局亲和度矩阵，包括：
9、根据高斯核
10、将所述辨证数据集作为先验数据对所述初始亲和度矩阵进行融合处理，得到全局亲和度矩阵。
11、可选地，所述根据高斯核函数对所述四诊数据集进行亲和度计算处理，得到初始亲和度矩阵，包括：
12、对所述四诊数据集进行归一化处理，得到归一化数据集；
13、根据高斯核函数对所述归一化数据集进行相似度计算处理，得到相似度矩阵；
14、对所述相似度矩阵的领域信息进行视角平衡处理，得到平衡矩阵；
15、对所述平衡矩阵进行多视角相似度计算处理，得到初始亲和度矩阵。
16、可选地，所述将所述辨证数据集作为先验数据对所述初始亲和度矩阵进行融合处理，得到全局亲和度矩阵，包括：
17、对所述辨证数据集进行加权相加处理，得到先验数据；
18、将所述先验数据与所述初始亲和度矩阵进行融合处理，得到全局亲和度矩阵。
19、可选地，所述通过多核学习模型对所述四诊数据集和所述全局亲和度矩阵进行多核学习处理，得到多核学习后的样本系数矩阵和核权重向量，包括：
20、采用图嵌入方式，将所述四诊数据集和所述全局亲和度矩阵整合，形成多核学习的最小值优化问题；
21、对所述多核学习的最小值优化问题，采用两阶段方式进行迭代优化，计算得到样本系数矩阵和核权重向量。
22、可选地，所述对所述多核学习的最小值优化问题，采用两阶段方式进行迭代优化，计算得到样本系数矩阵和核权重向量，包括：
23、对所述多核学习的最小值优化问题进行计算处理，得到第一计算表达式；
24、将所述第一计算表达式扩展到多维数据处理，得到第二计算表达式；
25、对所述第二计算表达式的样本系数矩阵和核权重向量进行迭代更新处理，得到迭代结束后的样本系数矩阵和核权重向量。
26、可选地，所述对所述第二计算表达式的样本系数矩阵和核权重向量进行迭代更新处理，得到迭代结束后的样本系数矩阵和核权重向量，包括：
27、对所述核权重向量进行固定处理，根据迹比算法对所述样本系数矩阵进行优化更新；
28、对所述样本系数矩阵进行固定处理，根据半正定规划算法对所述核权重向量进行优化更新；
29、返回至所述对所述核权重向量进行固定处理，根据迹比算法对所述样本系数矩阵进行优化更新这一步骤，直到满足迭代结束条件，得到经过优化的样本系数矩阵和核权重向量。
30、另一方面，本专利技术实施例还提供了一种基于融合先验知识的中医辨证分析装置，包括：
31、第一模块，用于获取四诊数据集和辨证数据集；
32、第二模块，用于对所述四诊数据集和所述辨证数据集进行融合处理，得到全局亲和度矩阵；
33、第三模块，用于通过多核学习模型对所述四诊数据集和所述全局亲和度矩阵进行多核学习处理，得到多核学习后的样本系数矩阵和核权重向量；
34、第四模块，用于根据所述样本系数矩阵和所述核权重向量将所述样本系数矩阵和核权重向量映射到输出空间，得到映射数据；
35、第五模块，用于对所述映射数据进行聚类处理，得到中医辨证分析结果。
36、另一方面，本专利技术实施例还公开了一种电子设备，包括处理器以及存储器；
37、所述存储器用于存储程序；
38、所述处理器执行所述程序实现如前面所述的方法。
39、另一方面，本专利技术实施例还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
40、另一方面，本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
41、本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术实施例通过获取四诊数据集和辨证数据集；对所述四诊数据集和所述辨证数据集进行融合处理，得到全局亲和度矩阵；能够结合辨证数据作为先验数据，提升多核学习模型的学习能力和辨证的性能；本专利技术实施例还通过多核学习模型对所述四诊数据集和所述全局亲和度矩阵进行多核学习处理，得到优化的样本系数矩阵和核权重向量；能够将四诊数据集作为不同的输入视角信息并采用不同的核函数，以多核学习的方式进行模型学习，使多核学习模型学习中医辨证的决策和推理策略提高辨证算法的性能。
本文档来自技高网...【技术保护点】
1.一种四诊信息融合先验知识的中医辨证分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述四诊数据集和所述辨证数据集进行融合处理，得到全局亲和度矩阵，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据高斯核函数对所述四诊数据集进行亲和度计算处理，得到初始亲和度矩阵，包括：
4.根据权利要求2所述的方法，其特征在于，所述将所述辨证数据集作为先验数据对所述初始亲和度矩阵进行融合处理，得到全局亲和度矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，所述通过多核学习模型对所述四诊数据集和所述全局亲和度矩阵进行多核学习处理，得到多核学习后的样本系数矩阵和核权重向量，包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述多核学习的最小值优化问题，采用两阶段方式进行迭代优化，计算得到样本系数矩阵和核权重向量，包括：
7.根据权利要求6所述的方法，其特征在于，所述对所述第二计算表达式的样本系数矩阵和核权重向量进行迭代更新处理，得到迭代结束后的样本系数矩阵和核权重向量，
8.一种基于融合先验知识的中医辨证分析装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器；
10.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种四诊信息融合先验知识的中医辨证分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述四诊数据集和所述辨证数据集进行融合处理，得到全局亲和度矩阵，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据高斯核函数对所述四诊数据集进行亲和度计算处理，得到初始亲和度矩阵，包括：
4.根据权利要求2所述的方法，其特征在于，所述将所述辨证数据集作为先验数据对所述初始亲和度矩阵进行融合处理，得到全局亲和度矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，所述通过多核学习模型对所述四诊数据集和所述全局亲和度矩阵进行多核学习处理，得到多核学习后的样本系数矩阵和核权重...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。