本文摘要：本课题的目的是运用数据挖掘技术探寻针灸处方配伍规律的提供途径。

本课题的目的是运用数据挖掘技术探寻针灸处方配伍规律的提供途径。数据挖掘技术需要提供针灸处方研究的挖出模式，为针灸处方配伍规律研究获取有效地、不切实际的数据分析途径。并且在有所不同的疾病中，可获得涉及疾病之间有所不同用穴的影响程度以及分析出有该类疾病的用穴规律。　　用现代科学技术来分析针灸处方，说明了其内在的配伍和应用于规律是当前针灸领域研究的热点问题。

目前在针灸领域运用数据挖掘技术的应用于较较少,尚能正处于跟上阶段，其前景辽阔，同时充满著挑战。因此在这一领域的研究中，我们既要看见已获得的成果，也要看见当前不存在的问题和严重不足。

例如，在数据的来源上，研究者多就是指针灸处方教材中挑选某证的配伍用穴展开挖出分析，其样本量较小，研究的结果缺少充足的说服力和可信性，所以精确、可信的信息提取工作十分必要，以创建比较完善的针灸处方数据仓库。此外不存在的问题，即对于挖掘出的理论结果缺少权威的中医理论和临床分析检验，也必须更进一步的实验研究检验。

　　关联分析的优势在于，可以从大量、多维数据中分析不存在于其中任何关联规则，关联规则的找到具备普遍性。1.2数据挖掘的发展历史及国内外研究现状　　而数据挖掘技术的问世，为针灸处方数据的分析带给新的研究思路，从针灸处方数据的特点以及数据挖掘的功能来看，二者是相符合的，使用数据挖掘技术来分析针灸处方数据是不切实际的。　　　数据挖掘从1989年被明确提出来以后,之后很快沦为研究热点,普遍用作商务管理、生产掌控、市场分析、工程设计和金融风险预测、分子生物学、基因工程等领域。

1.3数据挖掘技术在医学领域中的研究现状及意义部分学者利用关联聚类算法对医院病人的流量信息展开了分析，从而为提高医院服务质量和管理水平服务；1.4本文的研究内容及论文结构　　第二章讲解了在本文中运用的国内外涉及技术，其中还包括数据仓库和数据挖掘技术的阐述、数据挖掘工具WEKA以及数据挖掘常用算法的讲解等。　　　第三章针灸处方数据仓库的创建，通过对针灸处方数据仓库结构设计、模型设计以及数据的提取、读取、切换来创建针灸处方数据仓库。

　　　第四章针灸处方数据挖掘，利用改良的关联规则和聚类分析对针灸处方数据仓库展开数据挖掘。　　　第五章总结。阐释了本人在论文研究阶段的工作、论文的创意点、并对数据挖掘技术在医学领域中的更进一步研究展开分析和未来发展。

　　　　　　数据仓库和数据挖掘技术2.1数据仓库2.1.1数据仓库概念　　　为符合决策分析的拒绝，传统的联机处理事物方法早已无法符合它的必须。而数据仓库(Dw，Datawarehouse)的经常出现于是以为解决问题此问题而产生的一种数据环境。　　　数据仓库的概念没具体的统一规范，BillInmon明确提出的概念被普遍拒绝接受，数据仓库即数据子集，主要应用于在反对管理决策方面。

与传统数据库有所不同的是，它可以展开加工、重组和分析的一种过程。　　　回应可以从以下方面来解读，一是不同于现有操作者型数据库，它是用作决策反对和分析数据处理的；二是稳定性是数据仓库的特点，数据库内的数据一般不展开改动，是由多种异构数据源构建，构建的数据包括历史数据，按照主题展开重新组合。　　　构建有效地的决策反对是数据仓库的最终目标。

从应用于系统中切换提供的信息并将其构成新的数据库，通过分析新的数据库的初始信息和面向主题的信息，为决策获取反对。2.1.2数据仓库的特点　　　（1）主题与面向主题　　　主题所指的是用户在用于数据仓库展开决策分析时所注目的核心问题，它是一个抽象化的概念，主题一般来说与操作系统的多少有关。　　　在数据项属性多的情况下，可使用化大为小的方法构建主题。

　　　（2）数据仓库数据的集成性　　　数据仓库数据的集成性是所指将完整布满的数据库信息展开提取、清扫，并通过整理、加工与汇总之后获得的，通过避免不完全一致的数据，将独立国家的数据库展开统合，构建数据仓库内信息的一致性。　　　（3）数据仓库数据的不能改版性　　　查找是数据仓库的主要功能，为用户获取决策分析是数据仓库的主要目的，一般来说情况下是不必须展开改动操作者只需获取查找功能。数据仓库的数据是有所不同时期数据的子集，是长年累积的内容，把这些数据展开统计资料、综合和重组而给定的数据，并非联机处理的数据。与数据仓库管理系统比起，数据仓库要非常简单的多，只要获取比较较高的索引技术，需要符合数据的查找功能才可。

　　　（4）数据仓库数据的时态性　　　时态性指的是记录的数据从再次发生到某一阶段时期内的信息内容，它与操作者型数据库只存储历史数据具有本质的有所不同，所以通过这些信息，可对未来发展趋势和发展历程作出精确的分析和预测。　　　数据仓库的数据的起到是为用户获取决策分析和展开查找的，一般情况不用展开改动和去除，数据仓库的数据是长年保有的，只要定期展开创下、引入才可。与时时必须发生变化的操作者型数据库具有本质的有所不同。　　　创建数据仓库的目的就是为用户将数据仓库中的信息能为其获取决策反对，充分发挥信息的起到，这才是创建数据仓库的意义所在。

因此，而数据仓库的根本任务是把信息展开整理、概括，为使用者获取决策。2.2数据挖掘2.2.1数据挖掘的概念　　　数据挖掘在20世纪末月构成，自90年代以来，在每次的人工智能学术会议上数据挖掘的研究都是热点问题。到目前为止数据挖掘还没统一的规范的概念。2.2.2数据挖掘的过程　　　收集数据、数据预处理、数据挖掘和说明评价包含了数据挖掘的过程[26-29]如下图：　　图2-1数据挖掘过程　　　（1）数据打算　　　数据打算是由数据构建、数据自由选择和实分析三部分构成。

其中数据构建是为了避免干净数据，从操作系统中将其萃取并构建新的数据，统一语义，避免噪音等。将数据增大自由选择范围，并展开可行性的预处理，可以提升挖出结果的质量，即数据的自由选择和实分析。用于数据挖掘软件对数据展开精细、了解地仔细观察和阐释，数据打算阶段充分发挥着根本性的起到。

　　　（2）挖出　　　对数据库中的数据展开分析须要用于多种方法。对挖出任务具体后，就要自由选择合适的算法展开挖出。在自由选择算法方面需注意以下两个因素：第一，对有所不同特点的数据，要自由选择与之涉及的算法展开挖出；第二，根据用户市场需求和实际运营环境的必须，自由选择合适的算法。

如有期望提供更容易解读、可视化的科学知识；也有期望提供准确度较的预测型科学知识，这些都要自由选择适合的算法展开挖出。　　　（3）阐释　　　对挖出提供的信息，用于可视化工具体现给用户，以便于其观赏和解读。

对于有所不同数据挖掘到的结果，可以用于可视化工具获取给用户外，还可以存储在知识库中，便利以后展开更进一步的分析和较为。2.2.3数据挖掘技术　　　数据挖掘技术的分析方法从功能上可以分成：关联分析(Assoeiation)序列模式分析(Sequentialpattems)分类分析(elassifiers)聚类分析(elustering)　　　（l）关联分析　　　关联分析的目的是挖掘出数据间有关联且容易被找到科学知识之间的数据。　（2）序列模式分析　　　序列模式分析也是挖出数据间隐蔽的、容易找到科学知识之间的相互关系，但其侧重点在于分析数据间的因果关系，如用户在选配某种商品之前最经常出售的其它与之涉及的商品是什么。2.2.4基于数据仓库的数据挖掘　　　展开数据挖掘的首要任务是确认挖出对象。

数据仓库作为数据挖掘的对象，为数据挖掘获取了理想的挖出平台，由于数据挖掘处置的数据是经过数据仓库预处理的，看起来数据的收集、构建、留存、减震等处置，使数据挖掘更加专心于对科学知识的找到。　　5.1工作总结　　　作为新兴的数据分析技术—数据挖掘技术，是一种应用型的数据分析技术，它获得了令人瞩目的研究成就，且已顺利应用于到银行、保险、医院、交通等领域。本文分析明确提出了将数据挖掘技术应用于针灸领域研究中的一种新思路，并明确提出了依照这一新思路的解决方案。

　　　本文通过对数据挖掘中各种算法的较为，自由选择了合适针灸处方分析模型的关联规则和聚类分析算法，利用数据挖掘中的挖出工具WEKA构建了关联规则在针灸处方分析中的应用于，后用聚类算法对结果展开更进一步的分析。　　　在最后的构建过程中，我们获得了很多有价值的结论，这对我们的针灸临床起着了一定的指导作用。5.2工作未来发展　　　通过本文的研究，可行性构建了数据挖掘技术在针灸处方配伍研究中的应用于。

　　　（2）在对关联规则挖出结果的研究中，找到产生的规则还是有一定的误差，毕竟，我指出在数据集中于的属性字段自由选择上，还有许多影响针灸处方的因素没考虑到，针灸处方的信息内容还过于全面，所用于的数据集有可能还不是最佳数据集，这一点尚待将来更进一步研究。　　（3）数据挖掘算法改良。本研究使用的数据挖掘算法为Apriori算法。

Apriori算法是关联规则的经典算法，但是不存在着有可能产生大量候选集和必须反复扫瞄数据库的缺点，对算法展开优化和改良，以提升研究效率，是下一步必须重点研究的内容。

本文来源：半岛官网入口app-www.mypinnock.com