[发明专利]基于AHP、SOM和TOPSIS的配方设计与评价方法

说明书

本发明公开了一种基于AHP、SOM和TOPSIS的配方设计与评价方法。首先，对收集整理得来的数据依据原料所属类别和数据来源等层级评价指标建立矩阵并计算权重。然后，对加权后的原料数据进行SOM聚类分析，最后依据聚类结果结合形成配方，进行TOPSIS分析，得到最优解。本发明对以往单独或成对使用的AHP、SOM聚类和TOPSIS采用联合使用的方式，建立一个对配方设计和评价的方法，对数据库中的原料进行更多层次角度的分析，挖掘出在过往应用研究中可能没有被充分应用的原料。

技术领域

本发明涉及配方设计与评价的应用场景，特别是指基于AHP、SOM和TOPSIS的配方设计与评价方法。

背景技术

配方设计中采用的一般方法是对现行原料进行频次统计和关联规则(Association Rules)、熵聚类(Entropy Clustering)等算法分析得到搭配组合。这些统计方法核心原料的明确、关联药对的筛选，甚或可能配方的组合等保健食品配方筛选的基础环节上已成熟应用。该方法在原料之间的应用规律、配方评价等方面比较薄弱，同时具有耗时较长、效率较低、准确率不高等不足，越来越难满足现在社会对保健食品要求精准营养、精准解决等个体化的需求。

关联规则、决策分析(Decision Analysis)和聚类分析(Cluster Analysis)等机器学习算法近两年也在不断尝试应用在辅助医疗、药物挖掘、医疗图像处理等方面。层次分析法(Analytic Hierarchy Process，AHP)和理想解法(Technique for Order Preferenceby Similarity to Solution，TOPSIS)是两种常用的决策分析方法。AHP通过两两比较的方法分层建立矩阵，最终计算得到权重值，具有对数据要求少、间接使用、系统性强等优点，同时也具有对数据进行简单的基于权重进行加权平均求得综合评价值，却忽略了实际指标值本身特点不足之处，因此还需要在实际中结合其他决策方法进行应用。TOPSIS是一种基于归一化的原始数据矩阵找出有限方案中的最优方案和最劣方案，然后计算评价对象与最优方案和最劣方案之间的相对接近程度的综合评价算法。SOM聚类(Self-Organizing Map)是一种无监督的自组织神经学习网络，可通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构，多用于解决模糊信息的分类等问题。其之前多用于工程、金融等领域，在药学或食品中应用罕见，但是其与AHP和TOPSIS分析联用研究应用实例多样且比较成熟。AHP-SOM聚类的联合应用多应用于多种方案的选择或者是对于定性和定量指标并存的情况下建立一个质量评价体系。相较而言，SOM聚类和TOPSIS的联合使用可以大幅降低在最后选择评价时的对象数量。通过对上述算法的联合使用，可以对方剂、保健食品等各类配方的原料关系、配伍依据提供支持，对配方进行评价，最终筛选出最适配方。

发明内容

本发明的目的在于弥补配方多为具有相同功能的原料简单拼凑、同一功能下部分原料使用频次过高导致对其他原料利用度不足等情况，提供一种可以利用AHP、SOM聚类和TOPSIS联合使用对以某一原料为核心的配方设计与评价方法。

为实现上述目的，本发明提供了如下方案：

一种基于AHP、SOM和TOPSIS的配方设计与评价方法，包括以下步骤：

步骤一、通过对国家市场监督管理总局收录的批文信息及包括药智数据、中医世家在内但不仅限于此的各类中药信息数据库的数据信息进行收集，完成对所研究原料药的信息收集；

步骤二、按照一定的整理方法对步骤一中收集得到的数据进行频次统计等数据整理；

步骤三、依据配方建立时考虑的原料所属类别和原料数据来源等因素建立层级评价指标；

步骤四、按照步骤三中建立的评价指标对收集得到的数据建立矩阵并进行打分，计算权重；

步骤五、对步骤四中得到的数据进行SOM聚类分析；

步骤六、依据对步骤五中聚类结果显示优选的原料进行功能研究支持文献检索，配以中医传统的配伍理论支撑，组成若干可用于该功能项下的配方；