[发明专利]一种基于多标签学习的藏医诊断辅助装置

权利要求书

1.一种基于多标签学习的藏医诊断辅助装置，所述装置包括用于输入症状、证机概要、证候的输入装置，以及用于接收所述输入症状、证机概要、证候的分类器，所述分类器由如下过程训练得到：

步骤1：构建数据集，包括：M份具有治法标签的慢性肾病案例、简称标记案例集，N份无治法标签的慢性肾病案例、简称无标记案例集；

步骤2：基于特征视图训练初始分类器

步骤2.1：初始化特征视图：从标记案例集中随机抽取1份案例，并将其相应的症状、证机概要、证候分别作为3个初始化特征视图；

步骤2.2：初始分类器训练：基于标记案例集，使用ML-KNN方法在3个特征视图上训练基于症状特征的分类器、基于证机概要特征的分类器、基于证候特征的分类器，依次标号为分类器1、2、3；并且在每次训练过程完成后更新相应的3个特征视图；重复训练，直到训练完所有标记案例为止；

步骤3：优化分类器

步骤3.1：分类结果预测：使用训练所得的3个分类器对无标记案例集进行分类预测，得到预测结果

其中，v表示分类器编号，表示分类器v预测案例j的概率向量，表示在分类器为v的条件下案例j的标签为t的概率，t＝1,2,...,K，K为治法标签总数；

步骤3.2：更新预测结果：

其中，表示更新后在分类器为v的条件下案例j的标签为t的概率，表示更新后分类器v预测案例j的概率向量；

表示案例j与标签t不相关的概率：

表示案例j与标签t相关的概率：

C(t_a,t_b)表示标签t_a与标签t_b的相关性：

C(t_a,t_b)≠C(t_b,t_a)

其中，表示标记案例集中同时包含标签t_a和t_b的案例数，表示标记案例集中仅包含标签t_b的案例数；

步骤3.3：计算预测案例j的全局可靠度：

其中，H^v(j,t)表示案例j在标签t上的可靠度：

步骤3.4：根据全局可靠度进行降序排列，选择前n份案例作为可靠案例集B^v，并在3个分类器之间传递可靠案例集、且将其于对应的无标记案例集中去除，同时将其添加到有标记案例集中，从而形成新标记案例集，并使用ML-KNN方法在新标记案例集上再次训练各分类器；

步骤3.5：重复步骤3.1～3.4，直至无标记案例集为空；得到最终训练的3个分类器；

步骤4：输出最优分类结果：

其中，α、β、γ分别为分类器1、2、3的预设权重，且α+β+γ＝1。