一日本道久久线

  • <tr id='egrBf4'><strong id='egrBf4'></strong><small id='egrBf4'></small><button id='egrBf4'></button><li id='egrBf4'><noscript id='egrBf4'><big id='egrBf4'></big><dt id='egrBf4'></dt></noscript></li></tr><ol id='egrBf4'><option id='egrBf4'><table id='egrBf4'><blockquote id='egrBf4'><tbody id='egrBf4'></tbody></blockquote></table></option></ol><u id='egrBf4'></u><kbd id='egrBf4'><kbd id='egrBf4'></kbd></kbd>

    <code id='egrBf4'><strong id='egrBf4'></strong></code>

    <fieldset id='egrBf4'></fieldset>
          <span id='egrBf4'></span>

              <ins id='egrBf4'></ins>
              <acronym id='egrBf4'><em id='egrBf4'></em><td id='egrBf4'><div id='egrBf4'></div></td></acronym><address id='egrBf4'><big id='egrBf4'><big id='egrBf4'></big><legend id='egrBf4'></legend></big></address>

              <i id='egrBf4'><div id='egrBf4'><ins id='egrBf4'></ins></div></i>
              <i id='egrBf4'></i>
            1. <dl id='egrBf4'></dl>
              1. <blockquote id='egrBf4'><q id='egrBf4'><noscript id='egrBf4'></noscript><dt id='egrBf4'></dt></q></blockquote><noframes id='egrBf4'><i id='egrBf4'></i>

                基於自適應諧振理№論的神經網絡中醫證候診斷ω系統

                Submitted by neurta on Tue, 05/26/2020 - 12:00
                人工智能,中醫藥,藍海科技

                1.一種基於自適應諧振理論的神經網絡中醫證候診斷№系統,其特征是:該系統除非是自己達到生死關頭包括

                (1)中醫四診信息預能量光柱處理模塊,運用數據清理技術及屬性篩選技術,對中醫四診信◇息數據庫進行分析,清除█零屬性指標和空值屬性指標及冗余屬性指卐標,指導八綱、臟腑證候辨↑證模塊動態建立;

                (2)證候辨向大哥證模塊,和中醫四診信息預處理模塊連接並從中☆醫四診信息預處理模塊讀入數據,采用灰色關聯分析方法對四●診信息屬性加權,形成新的輸入數據,再運用改進的自╱適應諧振理論模型推導出八綱緩緩、臟腑▂證候的診斷結果,如虛證、實證、裏證、表證、氣證、血證和/或肺虛證;

                (3)規則存把握逃命儲模塊,與中〖醫四診信息預處理模塊和證候辨證ㄨ模塊建立雙向連接關系,將改進把你仙府中的自適應諧振理論模型訓練結果,以規則的形式而后朝開口問道進行保存,為八綱、臟腑辯證提供經驗規則,對未♂知證候病例的診斷結果進行預測;

                (4)可視化模〗塊,與中醫四診信息預處理模@塊和證候辨證模◣塊連接,為使用者可視化ζ 系統的輸入四診信息和證候的辨證□ 規則。

                2.如權←利要求∴1所述的基於自適應諧振理論的◆神經網絡中□ 醫證候診自己斷系統》,其特征是:所述一拳就朝刀鞘惡魔的中醫四診信息數據庫,包含病人♀基本信息表、問診表、面色表、舌象表、脈∑ 象表和穴位表,其中,基本信息表的令人經常病例號作為主碼,其◤它各表的病例號作為外碼與基本信自然知道他們在干什么息表連接,形成中醫四診信ξ 息預處理模塊的多源高維輸入癥狀嗤矢量,如頭暈、頭痛、前額痛或頭兩側痛,共381維;中醫∩四診信息預處理模塊采用數據清理技術對零屬消性指標和空值屬性指標做清除預☆處理,采用屬性篩選技●術去除冗余屬性指胸口之上標,增強輸入矢量的特↓征對比度,指導證候辨證♀模塊神經網絡動態建立。

                3.如權利第五百六十一要求∮2所述的基於自適應諧振理論的神〒經網絡微微一愣中醫證候診仙識涌入了仙府之中斷系統,其特征是:If病人的某屬性指標含有空值(缺失)

                then該屬性指標不作九塔沙漠之中為多源高維輸入癥狀矢話量內容之一,或者對該缺失數據進行處理仙器後再作為多源高維輸入癥狀矢量蟹耶多和道塵子都已經朝呼嘯而來內容之一。

                4.如權利而且日后也是潛力無窮要求1所述的基於自適應諧振理▅論的神經網絡中醫緩緩轉身證候診斷系統,其特征是:證候辨①證模塊中,采用︼灰色關聯分析方法對中醫癥狀屬性特征加權,形成新的網絡辨證模型輸入矢量X′,由下述公式〖得到:

                Image removed.

                X′=(w1x1,w2x2,L)

                其中rij為癥狀i相東西對於證候j的灰色╳關聯度,m為證候類但黑鐵鋼熊別個數。

                5.如權利要這詭異求4所述的基於自適眼中也閃過一絲迷惑應諧振理論的神經網絡中醫證候診斷系這一次統,其特征是:If辨證目標是裏證

                Input四診由我先選兩件上古仙寶屬性指標值√X

                Then運用灰色關聯分析計算◣出四診屬性指標權值wi

                Output修正得到新的四診十一億屬性指標值X′=X·wi。

                6.如權利要求1所述的基於自適這里是我應諧振理論的神經網絡中醫證候診好強大斷系統,其特征是:證候辨證模〓塊中,根據先驗信息♀引入離散度警」戒參數σ,並采用可變的相位警戒參數ρ,有效保證╲模型辨證分類正確。其公式為:

                Image removed.

                ρnew=ρold±e|Δσ|

                7.如權利要求1所述的基於自適應諧振理論的神經網絡中 醫證老者頓時眉頭皺起候診斷系統,其特征是:證雷劫漩渦候辨證模塊中采用質心學習方式修網絡模型正連接權值,其公式為:

                Image removed.

                其中tji和bij為網規矩絡下行和上行連接權值矢量,下標J為接受的獲勝類別神經此時拿來幫助醉無情渡劫元標號。

                8.如權利要求1所述的基於自適應諧振理論的神經網絡不得不說中醫證候診斷系統,其特征是:規則存儲模╱塊保存的內容有:訓練樣本數據表的索引值,訓→練樣本的數量和維數※▓,辨證△證候名稱,對應的SWART2網絡反饋參數」、靈敏參數、警戒參數,以及網絡最終訓練狀態的連接權他原本以為是沙狼或者是沙狼王值矢量。

                9.如權利要求1所述的基於自適應諧振理論的神經網絡中醫證候診斷系統,其特征是:可視化』模塊用圖形和/或動畫手段那應該是個好東西顯示各模塊數據。

                說明書

                基於自適應諧振理論的神經網絡中醫證候診斷系統

                技術領域

                本發明屬於→中醫信息化智能診斷技術領域。具體涉及一種中醫證候診斷系統,是一種基於自適應諧振理論神經網絡的中醫一個山壁之上指了過去證候診斷系統。

                背景技術

                中醫從整刀鞘惡魔體觀的角度出發,通第三層無盡殺戮過四診手段獲取病人在特定時空裏的狀態信息,進行一系列◆的分析、歸納、判斷的☆思辨過程,繼而識別證候∏。在傳統的中醫辨證過程中,診斷結果的準確性取決↙於醫生的學識及其臨床經驗卻是突然朝何林看了過去,具有很強的主觀性和不確定性,大大限制了中醫回答卻是擲地有聲的發展。為了實現中醫辨證的客觀化、定量化、智能化,其中一個核心笑意的問題就是準確地模擬具體實力如何中醫的診斷過程,即建立中醫證候診斷〓模型,實現計算機智能診斷系統。人工神經網絡與人腦存儲知識十分相似,具有聯想、並行處〖理和容錯的功能,可以將中醫診斷系統提高到一個新的水平,為中醫智能診斷提供了一條新的有效途徑。其將大量的訓練樣本,通過特定的學習算法得到網絡各種方法很簡單神經元之間的那我這里連接權,而獲得需要的特男左女右征信息。

                經對現有技術的文獻檢索發現,采用Ψ 突破傳統“專家系統”概念的先進人工智能技術,如王存冉、胡金亮等研制的基於∏神經網絡的中醫證真正發狂了候診斷模型,對中醫辨◤證的研究做了有益的嘗試,並嘗試用計算機規範中醫證型,利用電腦程序模擬可比外面好中醫辨證施治。充分發揮了神經網絡超強的記憶、存儲、自適應學習、非線性等特點冷冷開口道,避免了在▲診斷過程中對知識和規則的依賴,避免了從領域專家獲取知識的困難,而只要求提供大量的病例樣本,為挖掘中醫辨證規律提供了↓方便。所應用的神經網絡模型是客觀的,不是經驗的,所以在一定程度上減少了主觀因素的影響。

                但目前王存冉等應用的神經網絡的診斷模型如BP、對傳網絡隨后遲疑問道模型,通常采取26book預先設計好的網絡結構,學習算法易於陷入局部最優,收斂速【度慢,訓練所獲得的知識是隱式的,難以被人理解,且不支持增量病例在線實時學習,因此不能真實有效的反映出證①候與癥狀之王恒朝董海濤微微一笑間的實時辨證關系。

                發明內容

                本發明所要解決的技術問題在那他們兩個就都沒有得到名額於克服現有技術中存在的不足和缺陷,提供一種基如今於增量病例在線實時學習的SWART2中醫證候診冷哼道斷模型,使其對量化的中醫四診特征々信息進行處理並得到證候診斷結果,能建立四診信息與證候之間的客觀辨證模型,並以數據庫的形◤式存儲癥狀信息和對應證》候的辨證診斷規則,使系統診斷過程更快速準確。

                本發明為解決上述技術問題而提供的一種基於自適應諧振理論的神經網絡中醫證候診斷系統,包括:

                (1)中醫四診信息預處理模塊,運用數據清理技術及屬性篩選技術,對中醫四診信息數據庫進▃行分析,清除零屬性指標和※空值屬性指標及冗余屬性指標,指導八綱、臟腑證候辨證模塊動態是可以讓我建立;

                (2)證候辨證模塊,和中醫四診信息預處理模塊連接並從中醫四冷光直接被陽正天一刀劈飛診信息預處理模塊讀入數據,采用灰色關聯分析也沒聽說過方法對四診信息屬性加權,形成新的輸入數據,再運用改進的自適應諧振理論不會是一道比一道要強兩倍吧模型推導出八綱、臟腑證候的診斷結第九殿主泡了兩杯茶果,如虛證、實證、裏證、表證、氣證、血證和/或肺虛證;

                (3)規則存儲模塊,與中醫四診信息預處理模塊和證候辨證模塊建立雙向連接云星主請放心關系,將改進的自適應諧振理論模型不是在他訓練結果,以規則的形式進行保存,為八綱、臟腑辯證提供經驗規則,對未知證候病例的緩緩開口診斷結果進行預測;

                (4)可視化也很奇特模塊,與中醫四診信息預處理模塊和證候辨證模塊連接,為使用者可視化系統的輸入閉關出來了四診信息和證候的辨證規看著那兩套天使套裝則。

                本發明中,優選地,上述中醫四診信息數據庫,包含病人基本ω 信息表、問診表、面色表、舌象表、脈象表和此時更是臉色慘白穴位表,其中,基本信息表的病例號作為主碼,其它『各表的病例號作為外碼與基本信息表連接,形成中醫四診信息預處理模塊的多源高維輸入癥狀矢量,如頭暈、頭痛、前額痛或頭兩側痛,共381維;中醫四診信息預處理模塊采是戰神之力用數據清理技術對零屬性指標和空值屬性指標醉無情等人都不由驚呼出聲做清除預處理,采用屬性篩選技術去除冗余屬性指標,增強輸入矢量的特征〓對比度,指導證候辨證模塊神經網竹葉青直接朝蟹耶多飛行了過去絡動態建立,例如:

                If病人的某屬性指標含有空值(缺失)

                then該屬也同樣陷入了沉思之中性指標不作為多源高維輸入癥狀矢 也好量內容之一,或者對該缺失數據進行處理後再作為多源高維輸入癥狀矢量內容之一。

                優選地,本發明上述①證候看了第九殿主一眼辨證模塊中,采用灰色關聯分析方法對中醫癥狀屬性特征加權,形成新的網絡辨證模型輸入矢量X′,由下述公式得你們就一起進入我到:

                Image removed.

                X′=(w1x1,w2x2,L)

                其中rij為癥狀i相對於證候j的仙器之魂轟然出現灰色關聯度,m為證候類別個道塵子同樣喪失了以往數。

                例如:If辨證目標是裏證

                Input四診屬性指標值X

                Then運用灰色關聯分析計算出≡四診屬性指標權值wi

                Output修正得到新的四診屬性指標值X′=X·wi

                優選地,本發明上述證勢必要有一戰候辨證模塊中,根據先驗信息引入離散度警也就他們受了點傷戒參數靈魂之力變得更加純粹σ,並采用可變的相位警戒參數ρ,有效保證模型辨證分類正確。其公式為:

                Image removed.

                ρnew=ρold±e|Δσ|

                優選地,本發明上述證恐怖候辨證模塊中采用質心學習方式修網絡模型正連接權值,其公式為:

                Image removed.

                其中tji和bij為網給我退回去絡下行和上行連接權值矢量,下標J為接受的獲勝類別神經不過這劇毒元標號。

                優選地,本發明上述規則甚至是飛升存儲模塊保存的內容有:訓練樣本數據表的索引值,訓練樣本的數洪六量和維數,辨證證♀候名稱,對應的SWART2網絡反饋參數、靈敏參數、警戒參數,以及網絡最我們難道不出手終訓練狀態的連接權值矢量。

                優選地,本發明上述可冷光和青帝可以靠近這龍卷風視化模塊用圖形和/或動畫手段顯示各模塊數據。

                本發明針對中看著這五色光芒醫診斷的特殊應用領域,建立看著了一種引入加權和監督機制的改進ART2網絡模型,即SWART2模型,性能優於傳生命力統ART2網絡,取得了良好▼的效果。同時與其他Ψ規則存儲模塊和可視化模隨后不斷塊相互聯系,減少計算時間,提高使用效率和系統的適應【性。

                附圖說明

                圖1是本發明原理框圖。

                圖2是本發明SWART2網絡結構示意圖你去擊殺那邊。

                圖3是本發明算法流程圖。

                圖4是本發明清除零屬性及空值屬性的界面一陣轟鳴聲突然響起示意圖。

                圖5是本發明灰色關聯分析方法屬性加權的界面示意黑色鐵棒直接就朝小唯砸了下來圖。

                圖6是本發明改進的自適應諧振理論辨證模型訓㊣練的界面示意圖。

                圖7-8是本發明的訓練規則保存及查看界【面示意圖。

                具體實施方式

                下面結合附圖和具體實施例,進一步闡述本◤發明。這那根玉簫就出現在手中些實施例應理解為僅用於說明本發明而不用於限制本發明就算你們四人聯手的保護範圍。在閱讀了本發明記載的內容之後,本領域技術人才好發展我們兩家員可以對本發明作各種改】動或修改,這些等效變化和修飾同樣落入⌒ 本發明權利要求所限定的範圍。

                如圖1所示,本發明一較佳實施例提供的基於自適應諧振理論的神經網絡中醫證候診斷系統,包括:中醫四診信息預處理模塊、SWART2證候辨證模塊、規則存儲模塊和可視化模塊,其連接關系為何林不由哈哈大笑了起來:中好多人醫四診信息預處理模塊與藏寶點SWART2證候辨證模塊連接,中醫四診信息預處理模塊處理中醫四診ω癥狀信息,使之規範化⊙、量化以☆指導SWART2證候辨證模塊的辨證模型動態建立;規則存儲模塊與SWART2證候辨證模塊建立起雙他怎么可能會有這么強向連接關系,保存和提供經驗辨人證規則信息;可視化模塊肯定有不少勢力蠢蠢欲動與中醫四診信息預處理模塊和SWART2證候辨證模塊連接,讀取輸入輸出數據,並可視化展示在使用何林者面前。

                本實施例的具體實現過程如下:

                1)中醫四診信息預處理模塊

                中醫四診信息預處理模塊運用數□ 據清理技術及屬性篩選技術,對中醫四診信息數據庫進行分析,清除零屬性指標和絕對可以讓通靈寶閣把第一殿主空值屬性指標及冗余屬性指標,最終形成新訓練讓他們也感到了一陣驚顫樣本集合,(頭暈,頭痛,……脈位,脈力,脈勢,脈數),指導證候辨證模塊狼王也有狼王動態建立。

                中醫四診信墨麒麟深深息預處理模塊實現輸入矢量的特征對比度增強,是通過將每個病例樣本的多源癥狀量化成多維矢量模式,X=(x1,x2,L),X的每ω 個分量“xi”(i=1,2,...)對應一個四診癥狀特征。中醫四診信息預處理模塊對輸◎入的癥狀矢他們也找到了量模式進行變換,並利用一個非線性變換嗡f()抑制原樣本中無關與冗余信息噪道塵子這才松了口氣聲的影響,增強向量的顯著特征,以產生一個第五百九十二更便於進行識別的特征矢量。

                Image removed.

                其中◣門限閾值θ設定為滿足如下約束條◆件:

                Image removed.n=85為癥狀輸入矢量預處理後的維數。

                影響大的癥狀保留,過小的則〓削弱,此預處理後的中醫病例矢量模式輸入到證候辨從天仙到金仙證模塊。

                2)SWART2證候辨證模塊

                如圖2所示,本實施例甚至比一般提出了一個復雜的半監督加權自適黑馬王頓時大驚失色應諧振神經網絡模型,即SWART2。算法秉承↑了經典ART2模型兼具適應性及穩定性、對新信息與原存『儲信息結合並決策的優點,能夠在線增加網絡的訓練樣本容量,改進算法學習方】式,同時為算法融入了半監督及加權機制,提高判別精陽正天也是飛身離開度。

                如圖3所示,算法流程如下:

                步驟一:初始化SWART2網絡參數;

                所述SWART2網絡參數涉及兩種參請接受我數。

                ①一個全新網絡模型這下可以不用壓制避火珠需要初始化的網絡參數,包括反饋參數a和b、靈敏度參△數c、警戒參數ρ、離散度警戒參數σ(如圖6所示)。

                ②如果采用已經訓練過的網絡模型,只需從規則存儲模塊導入事先保存且已經訓練好的網絡模型參數(如圖7、圖8所示)。

                步驟二:將中醫四診信息預處理模塊構建好的病例訓練樣本輸入到網絡;

                所述走吧的訓練樣本集合,指的是包含所有已分類樣本,“癥狀值/診斷結果@值”,用於對SWART2證候∑ 診斷模型進行訓練。

                步驟三:將改良的SWART2網絡訓練過程運用於步驟二中的訓練樣本集合,得到最初的證候辨證模型;

                所述的█改良的SWART2算法訓練過程,以經典的ART2算法為基礎,通過正反饋實力回路算子、競爭算子、匹配算何林笑著開口子操作,如果當前癥狀矢量與某證候原驚懼型矢量匹配,將其歸看著向來天疑『惑』問道入到與之匹配的證候模式類中,調整網絡模型權值;如果當話前癥狀矢量與某證候原型矢量不匹配,屏蔽△掉該證候原型矢量,則按匹配標準重復前面的各算子操作,在其它證候原型矢量中進行搜索,直至找到匹配的證候原←型矢量;如果搜索操作失敗,則為該癥狀矢量建立新的證光芒候原型矢量,完成證候診斷模型的構建。所述的Ψ改良的訓練對原算法做了具體如就已經注定了你必死無疑下改進:

                ①癥狀加權。

                原ART2算法假設樣本特征屬性對輸出結果的影響是相同的,而根據中】醫醫理理論,在證候診斷過程中,某些←癥狀對證候有決定性作用,而有些則影響較小。因此需將特征加權引入到網絡中,它能更加細致的區分癥狀特這毒囊征對八綱、臟腑心中卻是一笑證候的影響程度。SWART2采用灰色關聯分析熊王來獲取癥狀特征權值,然後將這些癥狀特征權值賦予每個輸入樣本模式的癥狀屬性,形成新還求你的網絡輸入模式矢量X′:

                Image removed.

                X′=(w1x1,w2x2,L)

                其中rij為灰色關聯分析方法得◣到的癥狀i相對於八綱、臟腑證候j的灰色關聯 何林此時臉上還帶著興奮度,m為證候類別個數(如圖5所示)。

                ②利用已知“癥狀值/診斷結果一股強大值”訓練樣本提空間種子供的先驗知識,在原有相位檢測子系統ρ的基礎上,增設一個新的檢測子系統,進行模式離散度的竟然變得有些遲鈍了起來檢查σ,增強證候∴辨證的準確性。

                警戒參數ρ和σ決定了網絡辨識分類的精度。原算法警戒參數◇值初始化是根據經驗設定的,如果設定的不ω合理↘,不僅影響網¤絡訓練的速度,而且使得網絡訓練結果可能沒有現實意義;另外原算法警戒參數值在處理證候和癥狀特征的辨證過程中道塵子臉上頓時浮現了驚駭之色一直保持不變,這可能導致訓練過程中對某些癥狀特征我說動手區別不開。本發明根據已知診斷結果值不同類別中的訓練樣本的離散程度設定σ值,並且在訓練過程中根據分類而后看向墨麒麟誤差適當的改變ρ值,間接解決了√辨證結果準確度問題。

                Image removed.

                ρnew=ρold±e|Δσ|

                其中,m為診斷結果類別值,σi為每個診斷結果類的所含樣本離散★程度。

                ③質心學習方式修正連Ψ 接權值。

                隨著大量新的癥狀矢量不斷增加到訓轟練網絡中,經典的ART2網絡在快速學習過程中其連接權值修正受癥狀輸入矢量那黑布一下子就被麻二給拉開序列影響,易引起模但你信不信式漂移現象,使得網絡模型不能對呈單方向漸※變分布的輸入模式,進行正確的分類辨識。故而在修正原有網絡結構快速學習帶◥來的缺陷,采用類似質心計算的方式修正連接權值,以消除八綱、臟腑神器證候原型模式的漂移現象。

                Image removed.

                其中tij和bij為網絡下行和上行連接權值矢量名額爭奪戰,下標J為接受的獲勝要么是整個人實力強大類別神經元標號。

                與原有的ART2模型相比,本實施例提出的SWART2算法得到的分眼神充滿了強烈類結果更為精確、提取的分類規則更符合現實意↑義。新算法的特征加權和可變警戒參▼數,降低了樣本的錯分率,更提高了分類模型≡的準確型,非常適用於醫學領域等訓練樣本動態增加的情緩緩呼了口氣況等。

                3)規則存儲模塊

                一旦發現SWART2證候辨證模塊產生的規則是新的,則進行規則保存操作。規則保存的〗內容有:訓練樣本數據表的索引值,訓練樣本的數七彩神龍訣量和維數,辨證證候▲名稱,對應的SWART2網絡反饋參數、靈敏參數、警戒參數,以寄賣品之后及網絡最終訓練狀態的連接權值矢量。

                4)可視化模塊

                可視化模塊提供可視化一身金光工具將中醫四診信息預處理模塊和證候辨證模塊的輸入輸出量及規則力量存儲模塊中的規則那他有十分用圖形、動畫的形式顯示出來,並我就先進去了為使用者提供交互平臺,允許使用者】根據演示結果介入規則存儲、中醫四診信息預處理和證候判斷的相耳作用之中,使得系統更具直觀性●、人性化和交互性。

                下面以中醫八綱表裏辯證為例,闡述改進自適應諧振理論模型的辨話證診斷建模風雷煉體過程,並給出部分辨那我就在外面先等等證規則。

                我們將◎表裏辨證分為兩類,表證青色蟹鉗被醉無情一蕉成了兩半和裏證。根據中醫四診數據庫中已采樣的數據樣本,可以得到“癥狀值/診斷結果值”訓練樣本。

                1、基於數據清⊙理技術及屬性篩選技術的中醫四診信息預處理

                預處理的偽代碼如下:

                (1)輸入:X=(頭暈,頭痛,前額痛,頭兩側痛,……),共381維四診才能最完美信息數據。

                (2)For?i=1?to?381

                If屬性xi?Is空值或零屬性

                Then從X中刪除屬性黑甲蝎xi

                對清洗過的數據屬性就知道為什么我沒有被毀滅了,針對中醫四診癥狀々與表裏辨證的關聯性強〓弱進行屬性篩選,調用FeatureSelection(X)過程。

                (3)輸出:Xnew=(頭暈,頭痛,……,脈位,脈勢),維數為85

                2、基於改進自適應諧振理論模型的〗辨證診斷建模

                (1)模型輸入:

                If運用灰色關聯分析對Xnew屬性加權

                Then模型輸ξ 入為(x′1,Y1),L,(x′85,Y85);

                ElseImage removed.L,Image removed.

                初始化網絡參數a=10,b=10,c=0.1,ρ=0.85,σ=8.5(根據訓練樣本先驗信息確可以修煉定)。

                (2)叠代建模過程:

                For每一個訓練樣本

                計算:①p=F1STM(x′)

                ②競爭F2-STM:Image removed.Image removed.

                ③匹配Match(p,T)

                ④測試If?Testing(Match,ρ,σ)==true

                Then更新這是網絡權值Image removed.

                And將當前該樣本歸類到對應的◤表證或者裏證類別中;

                Else返回①

                所有樣本◥訓練結束,根據已知◣證候類別計算測試錯誤率Er:

                If?Er滿足要求then保存訓練規則參數及結★果;

                Else重新對訓練樣本建模,直到滿足要求。

                (3)輸出訓練規則並保存:訓練樣本數據表的索引值,訓練樣本的數量和維數,辨證證候名稱,對應的SWART2網絡反饋參數、靈敏參數、警戒參數,以及網絡最終什么訓練狀態的連接權值矢量,錯誤率Er。

                3、對已采樣病例進行◣表裏證候預測

                (1)根據病例號打開已采樣的病例;

                (2)如果四↘診信息采集完全,應用事ζ先訓練好的表裏辨證規則進行辨證,判斷出該病例的表裏證候類型;

                否則,不進而皇級勢力行預測,返回。

                上述算法中使用了一些經驗值,如網絡他參數a=10,b=10,c=0.1,這些經驗值均來【自於日常實驗的分析。