[发明专利]基于机器学习的中医开方方法及系统

权利要求书

1.一种基于机器学习的中医开方方法，其特征在于，包括以下步骤：

步骤S1，构建症状向量、症型向量和药方向量，并对所述症状向量、所述症型向量和所述药方向量进行预处理；

步骤S2，对预处理后的症状向量进行二阶与高阶耦合，得到添加耦合项的症状向量；

步骤S3，预设待定参数的酉矩阵和伪单位阵对所述添加耦合项的症状向量进行线性空间变换，得到症状空间到症型空间的投影向量和症状空间到药方空间的投影向量；

步骤S4，分别构建症型神经网络和药方神经网络；

步骤S5，将所述症状空间到症型空间的投影向量输入到症型神经网络中，输出症型向量，并将所述症型向量与症型标签向量构成交叉熵损失函数，以按照症型进行诊断分类；

步骤S6，将所述症状空间到药方空间的投影向量输入到所述药方神经网络中，输出药方向量，利用分段二次曲线对所述药方向量进行拟合，得到多条光滑的药方剂量曲线；

步骤S7，通过对多条光滑的药方剂量曲线进行插值，得到完整药方。

2.根据权利要求1所述的基于机器学习的中医开方方法，其特征在于，所述步骤S1中的预处理是分别利用完备正交基对所述症状向量、所述症型向量和所述药方向量进行复空间数字化，得到复症状向量、复症型向量和复药方向量。

3.根据权利要求1所述的基于机器学习的中医开方方法，其特征在于，所述步骤S3中根据预设处理后的症状向量、症型向量和药方向量设置所述待定参数的酉矩阵U_MM，V_mm，W_PP和伪单位阵

4.根据权利要求3所述的基于机器学习的中医开方方法，其特征在于，所述酉矩阵U_MM，V_mm，W_PP的设置和优化采用最大矩阵元优化方法。

5.根据权利要求1所述的基于机器学习的中医开方方法，其特征在于，所述症型神经网络共十一层，第一层为卷积核尺寸[3,1,2]的第一relu函数激活，第二层为卷积核尺寸[5,2,4]的第二relu函数激活，第三层为卷积核尺寸[7,4,6]的第三relu函数激活，第四层为卷积核尺寸[5,6,4]的第四relu函数激活，第五层为卷积核尺寸[5,4,4]的第五relu函数激活，第六层为卷积核尺寸[5,2,4]的第六relu函数激活，第七层为卷积核尺寸[3,2,1]的sigmoid函数激活，第八层为第一全连接层，第九层为第二全连接层，第十层为输出层，第十一层为第一交叉熵损失函数层。

6.根据权利要求1所述的基于机器学习的中医开方方法，其特征在于，所述药方神经网络共五层，第一层为卷积核尺寸[3,1,2]的第七relu函数激活，第二层为卷积核尺寸[5,2,4]的第八relu函数激活，第三层为卷积核尺寸[7,4,2]的第七relu函数激活，第四层为卷积核尺寸[5,2,1]的第二sigmoid函数激活，第五层为第二交叉熵损失函数层。

7.根据权利要求1所述的基于机器学习的中医开方方法，其特征在于，所述步骤S6中的药方向量还与药方标签向量构成损失函数，所述损失函数用于求解真实的数据分布和学习的模型分布的一个度量，损失函数值与机器学习获得的模型概率分布和真实的数据相似度成反比。