吳惠敏，葉少珍，2

(1.福州大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，福建福州 350116;2.福建省醫(yī)療器械與醫(yī)藥技術(shù)重點(diǎn)實(shí)驗(yàn)室，福建福州 350002)

0 引言

在中醫(yī)藥理論指導(dǎo)下，中藥功效是對(duì)藥物臨床效果的高度概括.按功效對(duì)中藥進(jìn)行歸類對(duì)了解同類藥物在藥性、功效、主治疾病和禁忌等方面的異同點(diǎn)、以及臨床應(yīng)用等提供了便利手段.由于中藥本身具有多種功效以及歷代醫(yī)家對(duì)藥物的功效記載多樣、繁簡(jiǎn)不一，導(dǎo)致同一種藥物的功效在不同的文獻(xiàn)中表述相異.如，根據(jù)福建省中藥標(biāo)準(zhǔn)的記錄，雷公藤的功效有消炎解毒，而在湖南省中藥材標(biāo)準(zhǔn)的記錄為祛風(fēng)除濕等.中藥功效的識(shí)別有助于增加中藥資源，豐富中藥內(nèi)容，擴(kuò)大其應(yīng)用范圍.

中藥藥性的四性、五味、歸經(jīng)等特性跟功效有著必然聯(lián)系，且有一定的規(guī)律性［1］.中醫(yī)治療中，歷代醫(yī)家都強(qiáng)調(diào)藥性互參，性效結(jié)合，不少學(xué)者也注意到功效與藥性之間的關(guān)聯(lián)性，發(fā)現(xiàn)具有相同或相似功效的各類藥物，在藥性上也往往具有相同或相似的特征，如改善寒證的多屬于辛溫(熱)藥，改善熱證的多屬于苦寒(涼)藥.因此根據(jù)中藥藥性進(jìn)行功效識(shí)別研究是有一定的依據(jù)，中藥藥性和功效的聯(lián)系也是中藥近幾年研究的熱點(diǎn).

針對(duì)功效不明確的藥物，傳統(tǒng)做法是總結(jié)其臨床療效，但是實(shí)驗(yàn)周期長(zhǎng).近年來(lái)模式識(shí)別技術(shù)廣泛應(yīng)用于中醫(yī)藥領(lǐng)域，在中藥藥材的產(chǎn)地識(shí)別、中藥真?zhèn)舞b定等應(yīng)用中都取得了不錯(cuò)的效果［2］，本文提出利用模式知識(shí)根據(jù)中藥的性味歸經(jīng)等特征對(duì)其功效進(jìn)行探索性研究.作為一種新的模式識(shí)別方法，支持向量機(jī)因其獨(dú)特的優(yōu)勢(shì)備受矚目，它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原理彌補(bǔ)了人工神經(jīng)網(wǎng)絡(luò)易陷局部最小、過(guò)學(xué)習(xí)等缺點(diǎn)，即使在小樣本的情況下，也具有良好的推廣性能.針對(duì)中藥樣本個(gè)數(shù)少，非線性等特點(diǎn)，本研究以“四氣－五味－歸經(jīng)－功效”為主線開(kāi)展，提出用SVM分類算法對(duì)中藥的功效進(jìn)行辨識(shí).首先用粗糙集理論對(duì)藥物樣本數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)，降低樣本空間的維數(shù).在構(gòu)建SVM分類器時(shí)，為了消除不同單核函數(shù)各自的缺點(diǎn)，兼顧彼此的優(yōu)點(diǎn)，提出結(jié)合不同的單核函數(shù)，構(gòu)造混合核函數(shù)，經(jīng)驗(yàn)證，相比于單核SVM，基于混合核的SVM模型分類效果更佳.以此構(gòu)建混合核SVM功效分類器，對(duì)骨性關(guān)節(jié)炎中藥復(fù)方中的藥物進(jìn)行功效辨識(shí).根據(jù)中藥相關(guān)理論知識(shí)，構(gòu)建的SVM模型分類精度好，分類結(jié)果合理且具備可行性.

1 算法理論基礎(chǔ)分析

1.1 支持向量機(jī)

支持向量機(jī)算法［3］是基于VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，支持向量機(jī)是從線性可分情況下的最優(yōu)分類面發(fā)展而來(lái)的，其核心思想是通過(guò)滿足Mercer條件的核函數(shù)，將在原始空間中非線性可分的樣本映射到一個(gè)高維空間中，使得樣本線性可分.在高維特征空間中，支持向量機(jī)的非線性決策函數(shù)為

其中:ai表示支持向量;xi為訓(xùn)練樣本向量;yi為相應(yīng)樣本向量的類別值;b為待求常數(shù);k(·)表示核函數(shù).利用SVM進(jìn)行樣本分類是通過(guò)計(jì)算待測(cè)樣本的決策函數(shù)值得到其所屬類別.核函數(shù)的引入使得SVM實(shí)現(xiàn)了非線性分類，避免了在高維特征空間的內(nèi)積運(yùn)算，解決了維數(shù)災(zāi)難.目前支持向量中常用的四種核函數(shù)為線性核，RBF核，多項(xiàng)式核以及Sigmoid核，它們的數(shù)學(xué)表達(dá)式如下所示.

1.2 粗糙集理論

粗糙集是一種研究不完整、不確定知識(shí)和數(shù)據(jù)的表達(dá)、學(xué)習(xí)、歸納的數(shù)學(xué)工具，其核心思想是在不影響分類能力的前提下，通過(guò)知識(shí)約簡(jiǎn)導(dǎo)出問(wèn)題的決策或分類規(guī)則.屬性約簡(jiǎn)是粗糙集的核心部分，在模式識(shí)別中，利用粗糙集對(duì)樣本數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)［4］，既能剔除冗余成分有效地降低樣本的維數(shù)，簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)或SVM等的模型復(fù)雜度，提高模型的訓(xùn)練速度，又能留住對(duì)分類有作用的重要信息并改善分類效果.粗糙集用決策表描述論域中的對(duì)象，冗余的屬性會(huì)干擾正確簡(jiǎn)潔的決策，通過(guò)屬性約簡(jiǎn)除去無(wú)關(guān)成分總結(jié)出適用于決策系統(tǒng)的知識(shí)規(guī)則，其簡(jiǎn)約的步驟如下:

輸入:決策表S=(U，R，V，F(xiàn))

輸出:約簡(jiǎn)后的決策表S

其中:U={x1，x2，…，xn}是一個(gè)非空集合為論域;R=C∪D，其中C是條件屬性集，D為決策屬性集，且D非空;V為屬性值集合;F表示的是函數(shù)映射關(guān)系，其形式為F:U×R→V.在對(duì)原始樣本所有屬性進(jìn)行冗余成分約簡(jiǎn)時(shí)涉及到粗糙集中的兩個(gè)重要概念:屬性核與屬性約簡(jiǎn).

假設(shè)A，B為兩個(gè)屬性集，且B包含于A，IND(B)=IND(A)，則B為A的一個(gè)約簡(jiǎn)，根據(jù)不同的屬性約簡(jiǎn)可得到A的所有屬性約簡(jiǎn)集合，記為RED(A).用屬性核表示為屬性集A的所有約簡(jiǎn)集合，其形式如下:

上式中RED(A)表示條件屬性集A的所有約簡(jiǎn)，屬性核體現(xiàn)出了所有不可缺少的屬性集，它可作為所有約簡(jiǎn)的計(jì)算基礎(chǔ).在決策表中進(jìn)行屬性約簡(jiǎn):從決策表中去掉某些列，簡(jiǎn)化條件屬性，求得獨(dú)立屬性的最小子集;除去決策表中重復(fù)行;除去屬性的冗余值.粗糙集約簡(jiǎn)后的決策表具有約簡(jiǎn)前決策表功能，且得到更少的條件屬性.

2 基于粗糙集與SVM分類方法

2.1 數(shù)據(jù)庫(kù)的建立

針對(duì)祛風(fēng)濕這一功效利用粗糙集與SVM進(jìn)行相關(guān)研究，從中國(guó)藥典、地方藥材標(biāo)準(zhǔn)等文獻(xiàn)收集到明確具有祛風(fēng)除濕功效的125味藥物，以及不具有此功效的藥物100味［5］，根據(jù)兩類數(shù)據(jù)集建立相應(yīng)的正樣本數(shù)據(jù)庫(kù)與負(fù)樣本數(shù)據(jù)庫(kù)，作為模型的訓(xùn)練與驗(yàn)證數(shù)據(jù)源.接著，從相關(guān)文獻(xiàn)收集用于治療骨性關(guān)節(jié)炎的獨(dú)活寄生湯、透骨消痛顆粒等13個(gè)中藥復(fù)方，從中歸類出26味可能具有祛風(fēng)濕功效的中藥，以此建立第三類數(shù)據(jù)庫(kù)，作為分類器的預(yù)測(cè)數(shù)據(jù)集.

2.2 中藥藥性特征多值量化

長(zhǎng)期以來(lái)對(duì)藥物藥性都是從定性角度認(rèn)識(shí)的，為了將中藥藥性直觀表達(dá)出來(lái)以便分析，用多值量化法對(duì)中藥的藥性特征進(jìn)行量化處理［6］.根據(jù)中藥藥性理論以性味歸經(jīng):寒、熱、溫、涼、酸、苦、甘、辛、澀、淡、咸、肺、大腸、心包、三焦、心、小腸、脾、胃、肝、膽、腎、膀胱共23個(gè)特征作為中醫(yī)藥物的屬性集合.具體量化規(guī)則為:每個(gè)歸經(jīng)都單獨(dú)量化，含某歸經(jīng)記為1，不含記為0，若有2個(gè)以上歸經(jīng)，則歸經(jīng)記錄先后順序，除第1歸經(jīng)保持?jǐn)?shù)值不變外，其他歸經(jīng)數(shù)值為0.8(第2歸經(jīng))、0.6(第3歸經(jīng))、0.5(第4歸經(jīng))、0.4(第5歸經(jīng))等，而對(duì)于表里的歸經(jīng)，如肝和膽、脾和胃等，不管出現(xiàn)的順序如何，都以第1歸經(jīng)數(shù)值記.藥味方面約定具有某味者在該味下記1，同一味微者為0.7，其余各項(xiàng)為0，淡和澀為單獨(dú)味數(shù)值化，不依附于甘和酸，另外多數(shù)中藥具有多種味，按照藥味出現(xiàn)先后順序，第一味數(shù)值不變，第二、三味在原來(lái)數(shù)值基礎(chǔ)上減去0.2、0.4.中藥的性大寒、寒、微寒、涼、溫、微溫、熱、大熱、微熱等幾類，分別將其量化為(－1、－0.7、－0.4、－0.2、0.5、0.2、0.7、1、0.4)，其中性平者在寒、涼、溫、熱項(xiàng)下均標(biāo)記為0.例如，中藥穿山龍性溫，味甘、苦，歸肝、腎、肺經(jīng)，量化后值為溫(0.5)、甘(1)、苦(0.8)、肝(1)、腎(0.8)、肺(0.6).225個(gè)正樣本與負(fù)樣本數(shù)據(jù)以及26味帶預(yù)測(cè)分析的數(shù)據(jù)即為251味中藥量化后的結(jié)果如圖1所示.

圖1 中藥數(shù)據(jù)量化結(jié)果Fig.1 Quantitative results

2.3 基于粗糙集的屬性約簡(jiǎn)

通常對(duì)樣本數(shù)據(jù)進(jìn)行有效屬性選擇，可去掉多余屬性降低樣本空間維度改善SVM模型的復(fù)雜度，提高分類精度，但是，支持向量機(jī)不具備處理冗余數(shù)據(jù)的功能.而粗糙集的屬性約簡(jiǎn)可在保持知識(shí)分類或決策能力不變的條件下，剔除無(wú)關(guān)或不重要的屬性，目前在數(shù)據(jù)分析、機(jī)器學(xué)習(xí)和知識(shí)發(fā)現(xiàn)等領(lǐng)域廣泛應(yīng)用［7］.根據(jù)粗糙集的優(yōu)勢(shì)對(duì)中藥樣本的23個(gè)屬性進(jìn)行屬性約簡(jiǎn).

1)創(chuàng)建決策表.通過(guò)對(duì)225味功效已明確的中藥建立了信息決策表，表中的每一行代表一味中藥，每一列描述藥物的屬性，分為條件屬性與決策屬性，其中每一味藥的23個(gè)藥物屬性為表中條件屬性，并對(duì)藥物所屬的功效賦予特定的數(shù)值作為表中的決策屬性.

2)決策表屬性值離散化.由于粗糙集只能處理離散屬性值，因此需要對(duì)決策表中的每個(gè)屬性值進(jìn)行離散化處理.

3)進(jìn)行屬性約簡(jiǎn)，刪除決策表中的冗余屬性.粗糙集理論中有基于區(qū)分矩陣的約簡(jiǎn)算法、基于屬性頻度的約簡(jiǎn)、基于遺傳算法的約簡(jiǎn)等.采用遺傳算法對(duì)決策表進(jìn)行屬性約簡(jiǎn)，約簡(jiǎn)后得到多個(gè)屬性子集，產(chǎn)生了7條決策規(guī)則，結(jié)果如表1所示.

表1 約簡(jiǎn)后的屬性子集Tab.1 Reduced attribute subset

從表1可以看出，經(jīng)過(guò)屬性約簡(jiǎn)處理后，原樣本的屬性(長(zhǎng)度)從23個(gè)約簡(jiǎn)到12、13、14個(gè)，屬性空間縮小了將近一半，該簡(jiǎn)化結(jié)果可優(yōu)化SVM模型的復(fù)雜度.

還需要從表中的7個(gè)決策規(guī)則選取最優(yōu)的決策規(guī)則.通過(guò)對(duì)比分析法做抉擇，基于7條決策規(guī)則中的屬性子集，構(gòu)建相應(yīng)的分類器，對(duì)比各個(gè)SVM分類器對(duì)驗(yàn)證樣本驗(yàn)證所得的分類結(jié)果大小，從中確定最優(yōu)的決策規(guī)則，以此簡(jiǎn)化原始樣本空間的屬性維數(shù).

2.4 支持向量機(jī)建模

針對(duì)SVM多種訓(xùn)練算法，采用SMO(序貫最小優(yōu)化)訓(xùn)練算法，通過(guò)將SVM的二次規(guī)劃問(wèn)題分解為求解兩個(gè)拉格朗日乘子優(yōu)化問(wèn)題來(lái)訓(xùn)練支持向量機(jī).在實(shí)際應(yīng)用中利用SVM構(gòu)建分類模型時(shí)，需要根據(jù)具體問(wèn)題選擇合適的核函數(shù)以及設(shè)定核參數(shù).

1)核函數(shù)的選擇.SVM的許多特性由所用核函數(shù)類型決定，核函數(shù)選擇等于確定一種學(xué)習(xí)模型，影響到SVM的學(xué)習(xí)性能與推廣性能.然而不同核函數(shù)有著各自的優(yōu)勢(shì)與缺陷，實(shí)際應(yīng)用中沒(méi)有特定的一種核函數(shù)適合于所有的問(wèn)題.以UCI上的數(shù)據(jù)為數(shù)據(jù)源，利用四種核函數(shù)建立四個(gè)相應(yīng)的分類器，對(duì)四組數(shù)據(jù)集做相關(guān)實(shí)驗(yàn)分析，得到對(duì)比結(jié)果如表2所示.

表2 單核SVM對(duì)不同數(shù)據(jù)集的分類結(jié)果Tab.2 The classification results of single－core SVM

從表2可以看出，針對(duì)不同的數(shù)據(jù)特點(diǎn)，沒(méi)有一個(gè)核函數(shù)都表現(xiàn)最佳.根據(jù)核函數(shù)對(duì)提取訓(xùn)練集測(cè)試點(diǎn)相關(guān)信息的能力將其分為兩大類:局部核函數(shù)和全局核函數(shù).全局核函數(shù)能有效提取與訓(xùn)練集測(cè)試點(diǎn)距離遠(yuǎn)的信息，推廣性能強(qiáng)，但是學(xué)習(xí)能力弱;局部核函數(shù)能有效提取訓(xùn)練集測(cè)試點(diǎn)附近的信息，學(xué)習(xí)能力強(qiáng)，但推廣性能弱.為了充分利用全局核與局部核各自的優(yōu)勢(shì)，減少因兩者各自的局限性對(duì)SVM分類性能的影響，提出了將局部核函數(shù)與全局核函數(shù)進(jìn)行混合構(gòu)建，其中Sigmoid核函數(shù)、RBF核函數(shù)是目前廣泛應(yīng)用的經(jīng)典全局核、局部核，在兩者基礎(chǔ)上結(jié)合，構(gòu)建出一種混合核函數(shù)［8］.其基本形式如下:

其中參數(shù)t(0≤t≤1)用來(lái)調(diào)整兩種核函數(shù)在新的核函數(shù)中所起的作用.仍以這四個(gè)數(shù)據(jù)集為分析對(duì)象，根據(jù)混合核函數(shù)構(gòu)建的分類結(jié)果如表3所示.

從表3看出，基于混合核的SVM在四個(gè)數(shù)據(jù)集的分類結(jié)果有所改善，因?yàn)槠胀ǖ娜趾撕瘮?shù)與局部核函數(shù)各有利弊，而混合核既能使兩者互補(bǔ)不足，又兼顧兩者的優(yōu)勢(shì)，學(xué)習(xí)性能與泛化能力都有所改善.因此，接下來(lái)的實(shí)驗(yàn)均在在混合核函數(shù)的基礎(chǔ)上構(gòu)建SVM模型.

2)核參數(shù)的設(shè)定.SVM中核參數(shù)主要有懲罰因子c以及RBF核和Sigmoid核中的參數(shù)γ.懲罰參數(shù)c太大，導(dǎo)致系統(tǒng)“過(guò)學(xué)習(xí)”，但是過(guò)小又會(huì)使訓(xùn)練誤差變大，導(dǎo)致系統(tǒng)“欠學(xué)習(xí)”.參數(shù)γ的設(shè)定會(huì)影響核函數(shù)的非線性處理性能，因此核參數(shù)選擇不當(dāng)會(huì)影響到分類模型的分類效果.以往參數(shù)的設(shè)定都是根據(jù)經(jīng)驗(yàn)值進(jìn)行人工拼湊，該方法依賴于測(cè)試者的主觀經(jīng)驗(yàn)且效率極低.本研究將網(wǎng)格搜索與十折交叉驗(yàn)證法［9］結(jié)合起來(lái)，交叉驗(yàn)證與網(wǎng)格搜索的復(fù)合法的具體做法:以(c，γ)為參數(shù)組合，設(shè)定該組合的取值范圍，從而生成關(guān)于該組合的網(wǎng)格空間，在每個(gè)網(wǎng)格點(diǎn)上采取交叉驗(yàn)證法，選取準(zhǔn)確率最大的相應(yīng)的參數(shù)組合為參數(shù)的搜索結(jié)果，實(shí)現(xiàn)自動(dòng)搜索最優(yōu)參數(shù)，相比于人為設(shè)定，該做法既克服了主觀經(jīng)驗(yàn)的局限性，又縮短了搜索時(shí)間，搜索到的參數(shù)更適合于具體的應(yīng)用問(wèn)題，取得更好的分類效果.

表3 混合核SVM的分類結(jié)果Tab.3 The classification results of mixed kernel SVM

3 實(shí)驗(yàn)結(jié)果分析

3.1 軟件工具

在對(duì)實(shí)驗(yàn)中的中藥數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)時(shí)，采用的是挪威科技大學(xué)計(jì)算機(jī)與信息科學(xué)系和波蘭華沙大學(xué)數(shù)學(xué)研究所合作開(kāi)發(fā)的ROSETTA粗糙集應(yīng)用軟件，實(shí)現(xiàn)對(duì)中藥數(shù)據(jù)的預(yù)處理.在構(gòu)建SVM分類器時(shí)，在LIBSVM軟件包2.8 C++版本中融合了文中所構(gòu)建的混合函數(shù)，擴(kuò)大了核函數(shù)的選擇范圍.由于該軟件包是以命令驅(qū)動(dòng)，操作不便，因此將該軟件包開(kāi)發(fā)集成為可視化應(yīng)用程序，并在此基礎(chǔ)上構(gòu)建SVM分類器，進(jìn)行具體的實(shí)驗(yàn)分析.

3.2 SVM分類器的構(gòu)建與驗(yàn)證

將225個(gè)功效明確的樣本數(shù)據(jù)集分成兩部分，一部分為183個(gè)數(shù)據(jù)為訓(xùn)練樣本集合，另外42個(gè)為驗(yàn)證樣本集合，以混合核為核函數(shù)，經(jīng)過(guò)網(wǎng)格搜索和十折交叉驗(yàn)證搜索到最優(yōu)核參數(shù)為γ=3.2，c=2.5.根據(jù)表1的7條規(guī)則中的屬性子集搭建的SVM分類器和在原始樣本中的23個(gè)屬性上搭建的SVM分類器得到的分類結(jié)果對(duì)比如表4所示.

從表4看出，未經(jīng)屬性約簡(jiǎn)的原始SVM分類器的分類精度明顯比經(jīng)過(guò)屬性約簡(jiǎn)的SVM分類器的分類精度低，尤其在約簡(jiǎn)后規(guī)則1上的12個(gè)屬性構(gòu)建的SVM分類器的分類效果最佳.實(shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)粗糙集對(duì)原始屬性集的預(yù)處理，剔除冗余屬性保留有效屬性，不僅縮小分類模型的特征空間還提高了分類精度.

表4 基于不同屬性集的SVM分類結(jié)果Tab.4 the classification results of SVM based on different attribute subset

3.3 功效預(yù)測(cè)與分析

根據(jù)對(duì)比分析，基于規(guī)則1的屬性子集{溫，苦，甘，辛，咸，肺，心，脾，胃，肝，腎，膀胱}構(gòu)建的功效分類器的分類精度最好.為此，選取規(guī)則1中的12個(gè)屬性作為26味待預(yù)測(cè)中藥的屬性特征，利用基于規(guī)則1搭建SVM1分類器對(duì)26味功效有待辨識(shí)的骨性關(guān)節(jié)炎中藥如威靈仙、雷公藤、海風(fēng)藤、絡(luò)石藤、巴戟天、艾葉、桑寄生、旱蓮草、鹿銜草、劉寄奴、獨(dú)活、千年健、赤石脂等進(jìn)行分類，判斷其是否具有祛風(fēng)除濕功效.通過(guò)預(yù)測(cè)實(shí)驗(yàn)得到26味中藥中21味中具有祛風(fēng)濕功效，這21味中藥中，如雷公藤在福建省中藥標(biāo)準(zhǔn)的記錄味消炎解毒，而在湖南省中藥材標(biāo)準(zhǔn)的記錄中為祛風(fēng)除濕功效，經(jīng)驗(yàn)證該藥具有祛風(fēng)濕功效;海風(fēng)藤雖在廣東中藥材標(biāo)準(zhǔn)記載為行氣止痛功效，但根據(jù)中醫(yī)文獻(xiàn)海風(fēng)藤作為筋骨痛消丸中一味藥，確實(shí)具有祛風(fēng)止痛，溫化膝關(guān)節(jié)膠結(jié)之頑疾.而赤石脂、旱蓮草等無(wú)祛風(fēng)除濕功效，最后將所得的預(yù)測(cè)結(jié)果與中國(guó)藥典以及中草藥學(xué)等的描述進(jìn)行比對(duì)，發(fā)現(xiàn)有80%與之符合，表明本方法在對(duì)中藥材進(jìn)行功效的識(shí)別具有合理性與可行性.

骨性關(guān)節(jié)炎［10］是一種主要發(fā)病在中老年人群的慢性關(guān)節(jié)疾病，因其病因與作用機(jī)制的復(fù)雜性使得目前對(duì)于該疾病的治療進(jìn)展并未有很大突破.由于西醫(yī)治療副作用大，費(fèi)用昂貴且治標(biāo)不治本，相比之下中醫(yī)療法在本病的治療上有著整體局部并治，標(biāo)本兼顧，花費(fèi)少，副作用少等優(yōu)勢(shì)，是目前的研究熱點(diǎn).該疾病在治療上當(dāng)以補(bǔ)益肝腎、祛風(fēng)除濕、活血通絡(luò)為主［11］.若能從目前已知的海量的中草藥中挖掘出具有骨性關(guān)節(jié)炎相關(guān)治療功效的中藥，將有助于該疾病的用藥范圍.本實(shí)驗(yàn)以祛風(fēng)除濕功效為主，構(gòu)建可用于判斷藥物是否具有祛風(fēng)除濕功效的SVM分類器，并對(duì)從骨性關(guān)節(jié)炎復(fù)方中總結(jié)出的相關(guān)藥物進(jìn)行該功效的判斷識(shí)別，經(jīng)驗(yàn)證該模型的識(shí)別率高，對(duì)于一些在不同文獻(xiàn)功效描述模糊的藥物也能進(jìn)行正確的判斷.基于相同的原理，本方法也可應(yīng)用為識(shí)別具有補(bǔ)益肝腎或活血通絡(luò)等功效的藥物，有助于發(fā)現(xiàn)具有骨性關(guān)節(jié)炎相關(guān)功效的藥物，挖掘與現(xiàn)有一些稀有藥物具有同等功效的藥物，擴(kuò)大骨性關(guān)節(jié)炎的中藥用藥范圍.

4 結(jié)語(yǔ)

自明清以來(lái)對(duì)中藥區(qū)別主要以功效分類為主.功效分類，多以性味歸經(jīng)為主線，結(jié)合“證－效”予以表達(dá)，體現(xiàn)了性能－病癥－藥效結(jié)合的特點(diǎn).SVM在解決小樣本、非線性以及高維模式識(shí)別問(wèn)題中具有獨(dú)特的優(yōu)勢(shì)，本文提出利用支持向量機(jī)分類算法對(duì)中藥的功效進(jìn)行識(shí)別研究，并以祛風(fēng)濕功效為例，對(duì)骨性關(guān)節(jié)炎中藥復(fù)方中的藥物進(jìn)行辨識(shí).根據(jù)中藥的性味歸經(jīng)等藥性屬性對(duì)其量化處理，結(jié)合粗糙集理論對(duì)中藥樣本進(jìn)行屬性約簡(jiǎn)，在不丟失原始藥物數(shù)據(jù)中有效信息的前提下，消除冗余屬性，從原始藥物數(shù)據(jù)中提取最能反應(yīng)相應(yīng)功效的屬性特征，最后在約簡(jiǎn)的屬性集上根據(jù)支持向量機(jī)構(gòu)建分類模型，判別藥物的功效.經(jīng)驗(yàn)證融合粗糙集算法不僅減小了SVM分類模型的復(fù)雜度，還提高了模型分類精度.根據(jù)中醫(yī)理論知識(shí)得到的實(shí)驗(yàn)結(jié)果與實(shí)際相吻合，證明這種分類方法合理可行.把粗糙集理論結(jié)合到SVM分類算法中，使模型具有更強(qiáng)信息提取能力和分類性能.在今后工作中，還可以用于更多中藥藥材的功效預(yù)測(cè)，為中醫(yī)藥物的復(fù)方配伍以及挖掘與稀有藥物具有同等功效的新藥物提供有力輔助手段.

［1］王建，付勇，姚洪武.中藥功效分類與藥性系統(tǒng)間的內(nèi)在規(guī)律研究［J］.時(shí)珍國(guó)醫(yī)國(guó)藥，2008，19(12):2 889－2 891.

［2］張福強(qiáng)，唐向陽(yáng)，王俊全，等.基于機(jī)器學(xué)習(xí)的紅外光譜丹參聚類分析［J］.計(jì)算機(jī)與應(yīng)用化學(xué)，2010，27(9):1 301－1 303.

［3］鄧乃楊，甜英杰.支持向量機(jī):理論、算法和拓展［M］.北京:科學(xué)出版社，2009.

［4］楊傳健，葛浩，汪志圣.基于粗糙集的屬性約簡(jiǎn)方法研究綜述［J］.計(jì)算機(jī)應(yīng)用研究，2012，29(1):16－19.

［5］國(guó)家藥典委員會(huì).中國(guó)藥典:Ⅰ部［M］.北京:化學(xué)工業(yè)出版社，2010.

［6］王詠梅，馬紅，劉蘇中.方劑配伍的模糊數(shù)學(xué)特性研究［J］.中國(guó)實(shí)驗(yàn)方劑學(xué)雜志，2000，6(6):59－60.

［7］董云耀，陳小翠，黃煒.基于RST和SVM的中文問(wèn)題分類方法［J］.杭州電子科技大學(xué)學(xué)報(bào)，2010，30(6):44－47.

［8］汪虹橋，孫富春，蔡艷寧，等.多核學(xué)習(xí)方法［J］.自動(dòng)化學(xué)報(bào)，2010，36(8):1 037－1 050.

［9］郭立力，趙春江.十折交叉檢驗(yàn)的支持向量機(jī)參數(shù)優(yōu)化算法［J］.計(jì)算機(jī)工程與應(yīng)用，2009，45(8):55－57.

［10］鄭春松，徐筱杰，劉獻(xiàn)祥，等.精制透骨消痛顆粒防治骨性關(guān)節(jié)炎的計(jì)算機(jī)藥理學(xué)［J］.物理化學(xué)學(xué)報(bào)，2010，26(3):775－783.

［11］吳廣文，褚劍鋒，許惠鳳，等.獨(dú)活寄生湯的藥理作用及其在治療骨性關(guān)節(jié)炎中的應(yīng)用［J］.中醫(yī)正骨，2012，24(1):37－39.