中医方剂属性特征的获取和知识挖掘实验

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (28): 212-214.

中医方剂属性特征的获取和知识挖掘实验

高全泉1，张帆2，刘晓峰2，孙燕2，任廷革2，陈永义3

1.中国科学院数学与系统科学研究院，北京 100190
2.北京中医药大学，北京100029
3.中国气象局，北京100081

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-01 发布日期:2011-10-01

Characteristics acquisition of prescription samples of Chinese medicine and experiments on knowledge mining

GAO Quanquan1，ZHANG Fan2，LIU Xiaofeng2，SUN Yan2，REN Tingge2，CHEN Yongyi3

1.Academy of Mathematics and System Science，Chinese Academy of Sciences，Beijing 100190，China
2.Beijing University of Chinese Medicine，Beijing 100029，China
3.China Meteorological Administration，Beijing 100081，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-01 Published:2011-10-01

摘要/Abstract

摘要： 介绍了一种实现方剂知识信息形式化计算的方法，并进行了量化的表达，在此基础上运用基于SVM的模式识别系统，以“方剂分类”为目标进行实验，其结果符合或接近中医学的普遍认识，获得了满意的效果。实验表明，机器学习技术是挖掘中医处方思维模式特征的可行方法，有很好的应用前景。

关键词: 中医方剂, 特征提取, 支持向量机（SVM）

Abstract: This paper introduces a feasible method formalizing the calculation of information of a prescription of Chinese medicine，and discusses quantified representation of attribute characteristics in prescription samples.Based on aforesaid method and representation，prescription samples are classified by pattern recognition system on the basis of SVM.The acquired results are satisfactory，which are also consistent with or close to the general cognition of principal theory of Chinese medicine.The experience has shown that，machine learning method is a feasible solution to mine thinking mode of Chinese medicine experts when they writing prescriptions.It has bright future of application.

Key words: prescriptions of Chinese medicine, characteristics acquisition, Support Vector Machine（SVM）

高全泉1，张帆2，刘晓峰2，孙燕2，任廷革2，陈永义3. 中医方剂属性特征的获取和知识挖掘实验[J]. 计算机工程与应用, 2011, 47(28): 212-214.

GAO Quanquan1，ZHANG Fan2，LIU Xiaofeng2，SUN Yan2，REN Tingge2，CHEN Yongyi3. Characteristics acquisition of prescription samples of Chinese medicine and experiments on knowledge mining[J]. Computer Engineering and Applications, 2011, 47(28): 212-214.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[5]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[6]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[7]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[8]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[9]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[10]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[11]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[12]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[13]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[14]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[15]	光睿智，安博文，潘胜达. 基于无锚框网络的航拍航道船舶检测算法[J]. 计算机工程与应用, 2021, 57(15): 251-258.