(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211273092.1 (22)申请日 2022.10.18 (71)申请人 广东工业大 学 地址 510062 广东省广州市越秀区东 风东 路729号 (72)发明人 何燕　曹帆　陈学松　蔡述庭　 熊晓明　张子睿　徐瑶通　滕潇　 张日威　 (74)专利代理 机构 广东广信君达律师事务所 44329 专利代理师 廖朗皓 (51)Int.Cl. G06F 16/2458(2019.01) G06K 9/62(2022.01) G06N 20/10(2019.01)G06Q 50/04(2012.01) (54)发明名称 一种基于中药生产数据挖掘的工艺优化方 法 (57)摘要 本发明公开了一种基于中药生产数据挖掘 的工艺优化方法， 包括： 首先， 通过数据抽样函 数， 对收集的中药生产数据进行数据抽样， 获得 初始数据集； 其次， 利用 构建的数据评估模型对 初始数据集中的抽样数据点进行有效性评估， 得 到评估数据集； 并且， 引入机器学习中的核模型 通过对评估 数据集进行评估训练， 建立预测评估 模型； 基于预测评估模型， 利用自适应寻优函数 在感兴趣的数据空间中进行迭代 运算， 以此获得 最优数据点， 并将获取的一系列最优 数据点构成 所对应的优质数据集； 最后， 通过优质数据集中 的数据训练出中药生产优化决策模 型， 基于中药 生产优化决策模型实现对中药生产过程的精确 控制， 实现对中药生产工艺的优化。 权利要求书3页 说明书11页 附图2页 CN 115525697 A 2022.12.27 CN 115525697 A 1.一种基于中药生产数据 挖掘的工艺优化方法， 其特 征在于， 包括： 首先， 通过数据抽样函数， 对收集的中药生产数据进行数据抽样， 获得初始数据集； 其 次， 利用构建的数据评估模型对初始数据集中的抽样数据点进行有效性评估， 得到评估数 据集； 并且， 引入机器学习中的核模型通过对评估数据集进行评估训练， 建立预测评估模 型； 基于预测评估模 型， 利用自适应寻优函数在感兴趣的数据空间中进 行迭代运算， 以此获 得最优数据点， 并将获取的一系列最优 数据点构成所对应的优质数据集； 最后， 通过优质数 据集中的数据训练出中药生产优化决策模型， 基于中药生产优化决策模型实现对中药生产 过程的精确控制， 实现对中药生产工艺的优化。 2.根据权利要求1所述的基于中药生产 数据挖掘的工艺优化方法， 其特征在于， 所述通 过数据抽样函数， 对收集的中药生产数据进行 数据抽样， 获得初始数据集， 包括： 收集的中药生产数据是一个多维度的数据空间 建立数据抽样模型 其 中， si为第i个p维子数据空间xi的抽样步长， 为抽样网格； 利用数据抽样模型 对中药生产数据抽样， 通过设定数据抽样模型中的抽样步长si来决定抽样网 格 的大小， 从而确定抽样数据量的多少。 3.根据权利要求1所述的基于中药生产 数据挖掘的工艺优化方法， 其特征在于， 所述利 用构建的数据评估模型对初始数据集中的抽样数据点进行有效性评估， 得到评估数据集， 包括： 定义一个映射 其中， 表示数域， p表示域的维度； 映射 由p维数据空间 中的抽样数据点到解空间S 的映射来表示； 解空间S定义 为： 解空间S由分类空间η和目标空间τ 这两 部分的张量积构成， 其中： 分类空间η用来描述抽样数据点是有 效数据点还是无效数据点， 分类空间η 由有 效数据 (valid)和无效数据(invalid)构成的集合表示， 其数据评估类别为y， y是由抽样数据点x通 过上述映射 得到的， 表示 为 目标空间τ， 定义 为 表示数域； 每个抽样数据点在目标空间τ中被定义成一个个独立的目标t， t∈τ； 目标t值的大小反 映抽样数据点的有效性程度； 通过数据 评估模型， 对Dinit执行映射， 可以得到数据点评估结 果d(x)， 数据点评估结果d(x)由抽样数据点x、 抽样数据点x对应的评估类别y和目标t三者 决定， d(x)≡(x， y， t)； 收集对所有抽样数据点评估后的结果， 定义 为评估数据集Dexpl。 4.根据权利要求1所述的基于中药生产 数据挖掘的工艺优化方法， 其特征在于， 所述建 立预测评估 模型， 包括： 基于支持向量机SVM和核岭回归KRR两个独立的核模型估计器来构建评估预测模型ε； 评估预测模型 是用于对数据空间中未评估的数据点进行评估预测； 定义评估预测模型ε为从评估数据集Dexpl与数据空间 的张量积映射到解空间S与预测权　利　要　求　书 1/3 页 2 CN 115525697 A 2结果概率空间ηp的张量积， 具体表示 为： 5.根据权利要求1所述的基于中药生产 数据挖掘的工艺优化方法， 其特征在于， 所述预 测评估模型 中， 解空间S包含了预测评估类别 和预测目标 其中， SVM用于结果 的分类， KR R用于预测最优目标参数 基于核模型， 假设存在一个从数据空间 到特征空间F的映射φ： 其内积<φ(x)， φ(x ′)>代表数据空间 中两个抽样数据点x和x ′的高斯核k； SVM和KRR两个特征空间的映射， 即： 和： φSVM表示数据空间 到分类特征空间FS的映射， φKRR表示数据空间 到目标回归特征 空间FR的映射； 其中， 高斯核kSVM(x， x′)和kKRR(x， x′)中的超参数分别为γSVM和γKRR； 预测结果概率空间ηp包含了在对抽样数据点x的预测评估条件下， 获得的有效预测评估 类别概率 具体表示 为： 上式中， f(x)表示预测评估 模型输出的预测结果， a和b为 概率模型参数。 6.根据权利要求1所述的基于中药生产 数据挖掘的工艺优化方法， 其特征在于， 利用自 适应寻优函数在感兴趣的数据空间中进行迭代运 算获得最优数据点， 包括： 构建自适应寻优函数U(u， w)来获得最优数据点xnew； 自适应寻优函数U(u， w)由寻优向 量u和权重向量w组成， 具体为： 其中， ||w||1表示w的11范数， 上标T表示转置； 即最优数据点xnew表示为： 7.根据权利要求1所述的基于中药生产 数据挖掘的工艺优化方法， 其特征在于， 寻优向 量u由三部分组成， 具体定义 为： 其中， US为数据点类别预测 概率， 其基于有效预测评估类别概率 通过香农信息熵S来 表示预测数据点评估类别的可靠性， 具体表示 为：权　利　要　求　书 2/3 页 3 CN 115525697 A 3