论中医药多源异构大数据融合方法研究的意义
多源异构信息融合方法研究
多源异构信息融合方法研究多源异构信息融合是指从多个不同源头获取的各种信息资源中提取和整合有用的知识。
这些信息源可能包括文本、图像、视频、传感器数据等等。
在当今大数据时代，多源异构信息融合成为一项重要的研究领域，对于提高信息利用效率、加强决策支持具有重要意义。
首先，数据收集是多源异构信息融合的基础，各种信息源的数据需要通过网络、传感器等方式获取。
数据收集的关键在于保证数据的准确性和完整性，以及合理选择数据源。
其次，数据预处理是指对原始数据进行清洗、剪裁、标准化等操作，从而得到一致性和可用性较高的数据。
数据预处理的主要目的是消除数据噪声，提高后续处理的效果。
特征提取是多源异构信息融合的核心环节，其目标是从原始数据中提取出描述事物属性的特征向量。
特征提取方法可以根据具体任务的需求选择，如图像特征可以采用颜色、纹理、形状等特征描述，文本特征可以使用词频、词向量等特征。
特征融合是将不同源的特征融合成一个共同的特征向量，以提高分类、检测等任务的性能。
特征融合有多种方法，包括加权融合、简单决策级联、特征降维等。
特征融合的目标是提高分类精度、减少特征维度。
模型选择是根据任务的需求选择合适的分类、聚类等机器学习模型进行建模。
模型选择的关键在于根据数据类型、数据规模等因素选择合适的模型。
常用的机器学习模型包括感知器、支持向量机、决策树、神经网络等。
综上所述，多源异构信息融合是一项复杂而重要的研究领域。
通过合理的数据收集、数据预处理、特征提取、特征融合和模型选择，可以有效地提取和整合多源异构信息中有用的知识，为决策提供支持。
随着数据量的不断增大和多样性的提高，多源异构信息融合将扮演着越来越重要的角色。
多源异构数据的融合算法研究
多源异构数据的融合算法研究随着各种传感器、云计算等技术的发展，数据的来源和类型也变得越来越多样化和异构化。
在这样的背景下，如何对多源异构数据进行融合，成为了数据挖掘与分析领域的一个热门研究方向。
本文将从算法的角度，探讨多源异构数据的融合算法研究。
一、多源异构数据的特点多源异构数据指的是由不同的数据源（如多个传感器、数据库等）采集得到的、类型和格式不同的数据。
由于来源的差异，多源异构数据具有以下的特点：1.数据量大：不同数据源同时采集得到的数据可能非常庞大，需要进行处理和筛选。
2.数据类型多样：不同的数据源可能会采用不同的数据类型（如文本、图像、音频等），使得数据的分析过程变得复杂。
3.数据质量参差不齐：由于不同的数据源采集环境和采集方式的不同，导致数据的质量存在差异（如只是部分数据存在噪声、无效数据等），这就需要进行有效的异常检测和数据清洗。
4.数据格式不同：由于不同的数据源可能存在不同的数据格式（如不同的编码、不同的数据结构等），所以需要进行数据转换或者规范化，以便进行统一的数据处理和分析。
二、多源异构数据的融合算法为了充分利用多源异构数据，同时避免由于数据的维数过高导致的数据过拟合问题，目前常用的做法是使用基于特征选择和特征融合的方法。
特征选择是一种针对原始特征选择出最重要的特征的技术，特征融合是指将不同来源的数据特征，进行整合或匹配，得到更加丰富的数据特征。
根据特征选择和特征融合的方法，目前的多源异构数据融合算法主要有以下几种：1.基于加权平均法的特征融合。
该算法将不同来源的特征进行平均，然后计算每一个特征在整个数据集上的加权得分，将具有高分的特征保留下来，其余则删除。
然后使用得分比较高的特征进行数据分析和建模。
2.基于主成分分析的特征选择和融合。
该算法将不同来源的数据特征进行降维处理，得到最具有代表性的主成分，并利用主成分上的变量来代替原始特征。
在此基础上，使用常规方法进行分类和预测。
3.基于迁移学习的特征融合。
多源异构数据融合的方法研究及应用
多源异构数据融合的方法研究及应用随着互联网的发展和信息技术的普及，越来越多的数据产生和存储在不同的系统和平台中，这些数据有可能是结构化数据，如关系型数据库，也有可能是非结构化或半结构化数据，如文本、图片、音频、视频等。
由于数据来源和格式的多样性，企业在分析和利用数据方面面临很多难题。
多源异构数据融合技术应运而生，它可以将来自不同系统和平台的数据进行整合，形成一张全局视图，为企业提供更准确和全面的数据分析和应用支持。
一、多源异构数据的特点1.来源多样化。
多源异构数据有可能来自不同的系统和平台，如关系型数据库、文本、图片、音频、视频等。
2.格式不一致性。
由于数据来源的多样性，数据的格式也存在着差异，如数据的结构、记录、字段名、编码、精度等方面。
3.数据质量不可靠。
由于数据来源的不确定性和数据收集的不完全性，数据的质量可能会存在着各种问题，如重复、缺失、错误、无效、不一致等。
4.数据量庞大。
多源异构数据的规模通常很大，可能存在着海量的数据，需要进行有效的存储、管理和分析。
二、多源异构数据融合的方法1.数据预处理。
在数据融合之前需要对原始数据进行预处理，包括数据清洗、去重、存储、标准化等。
数据清洗可以将无效数据或异常数据进行删除或修复；去重可以避免重复数据的出现；存储可以选择适当的数据存储格式和机制以便于后续的数据访问和管理；标准化可以将不同格式或表示的数据转换成一致的形式。
2.数据集成。
数据集成是将原始数据进行整合，以便于生成一张全局视图。
数据集成的核心就是实现数据的对齐和匹配，将不同数据源中的相应数据元素进行匹配和对齐，以便于构成一个全视图。
数据集成的方式可以有两种，即逻辑集成和物理集成。
逻辑集成是指通过一定的方式来定义数据元素之间的关系，物理集成是指将数据元素存储到同一个物理位置下。
3.数据匹配。
数据匹配是数据融合过程中最关键和难点的一个环节，主要是对数据元素进行对齐和匹配，以便于生成全局视图。
数据匹配一般由两个步骤组成，一是对数据元素进行规范化处理，二是对数据元素进行相似度计算和匹配。
多源异构数据融合技术研究及应用
多源异构数据融合技术研究及应用随着信息化技术的快速发展，各种异构数据源的产生与积累日益增加。
这些异构数据的特点是数据结构、类型、格式、存储方式等各异，存在数据冗余和不一致性问题。
如何将这些异构数据源进行有效的融合，提取有价值的信息成为了当前研究的热点之一、多源异构数据融合技术可以有效地解决这些问题，具有广泛的应用前景。
数据预处理是多源异构数据融合的第一步，其目的是对原始数据进行规范化处理和清洗，以确保数据的一致性和完整性。
常见的预处理方法包括数据清理、数据转换、数据集成和数据归档等。
数据清理主要是对数据进行去噪、去冗余和去错误等操作，以减小对后续数据处理的干扰。
数据转换是将不同数据源中的数据进行统一编码，方便数据融合过程中的比较和匹配。
数据集成是将不同数据源的数据进行整合，以便后续的数据挖掘和分析。
数据归档则是将数据按照一定的规则进行分类和存储，方便以后的查找和利用。
数据集成是多源异构数据融合的核心环节，其目的是将不同数据源中的数据进行统一整合，以便后续的数据挖掘和分析。
数据集成的方法主要包括模式匹配、实例匹配和决策合并等。
模式匹配是将不同数据源中的数据按照一定的规则进行匹配，以找到相同或相似的数据元素。
实例匹配是将不同数据源中的数据按照一定的规则进行比较和匹配，以找到相同的数据实例。
决策合并则是将不同数据源中的决策结果进行整合，以得到更准确和可靠的决策结果。
数据挖掘是多源异构数据融合的最终目标，其目的是从融合后的数据中提取有价值的信息和知识。
数据挖掘的方法主要包括分类、聚类、关联规则和时序分析等。
分类是将融合后的数据划分为不同的类别，以便进行有针对性的分析和处理。
聚类则是将融合后的数据按照一定的规则进行分组和归类，以便发现数据之间的关联性和相似性。
关联规则是寻找融合后的数据中的关联关系和规律，以便预测未来的行为和趋势。
时序分析则是对融合后的数据进行时间序列的分析和预测，以便预测未来的动态变化。
多源异构数据的有效整合技术研究
多源异构数据的有效整合技术研究随着信息技术的不断发展和互联网的普及，社会各个领域产生的数据呈现出多样化和异构化的特点。
这些数据分布在不同的来源和格式中，使得数据整合成为了一项具有挑战性的任务。
多源异构数据的有效整合技术的研究旨在解决数据的一致性、完整性和可用性等问题，以便更好地利用这些数据为决策提供支持。
本文将从数据整合的必要性、存在的问题以及有效整合技术的研究方向进行探讨。
1. 数据整合的必要性在现代社会，各个领域产生的数据种类繁多，包括结构化数据（如数据库中的表格）、半结构化数据（如XML文件）、非结构化数据（如文本、图片、视频等）。
这些数据来源各异，格式不尽相同。
因此，对这些数据进行整合是必要的。
数据整合可以消除数据冗余，减少数据存储和管理的成本。
同时，通过整合多源异构数据，我们可以获得更全面、更准确的信息，为决策提供更有力的支持。
2. 多源异构数据整合存在的问题在进行多源异构数据整合时，我们面临着一系列的挑战和问题。
首先，不同的数据源可能使用不同的编码方式和数据标准，导致数据的格式不兼容，难以进行统一的整合。
此外，数据的质量、可靠性和一致性也是需要解决的问题。
由于数据可能来自不同的来源，其质量和可靠性存在差异，这会影响整合后数据的质量。
此外，由于数据整合涉及多个不同的数据源，数据的一致性也需要被保证，以避免不一致的数据对分析和决策的影响。
3. 数据整合技术的研究方向为了解决多源异构数据整合所面临的问题，研究者提出了一系列的技术和方法。
以下是一些主要的研究方向：3.1 数据匹配与集成数据匹配是多源异构数据整合中的关键环节。
数据匹配的目标是找到不同数据源中相似或相对应的数据元组，以便进行有效的整合。
数据匹配可以基于相同的数据上下文、语义映射、机器学习等方法进行。
数据集成则将匹配后的数据进行合并，形成一个一致且完整的数据集合。
3.2 数据转换与映射由于多源异构数据的格式不同，数据的转换与映射是实现数据整合的另一个重要环节。
谈中医药学与数学的学科融合
谈中医药学与数学的学科融合【摘要】论述了中医药发展滞后的原因及实现学科间融合的可能性并提出解决办法【关键词】中医药；数学；学科融合随着现代科学技术的不断发展及各种学科之间的联系增多，数学方法在中医药研究中的应用也越来越广。
如今面对医学领域的国际化趋势，中医药学也需要用精确的方式表达和描述，随着西药的出现和西医行医理念在全球建立，固守了几千年传统的国粹中医药正遭受国际医药市场的猛烈冲击。
毋庸置疑，如何破解制约中医药现代化、国际化的“瓶颈”，实现中医理论数学化已成为中药产业走出困境、走向繁荣的关键。
伟大的数学家迪卡尔说过：“科学的本质是数学”，我国著名科学家钱学森教授曾多次强调数学学科的重要性，他指出任何一种科学，无论它多么源远流长，无论它曾起过怎样的历史作用，但如果不数学化，至少也是不完善的，据统计，现在有60％～70%的科技问题要转化为数学问题进行研究。
虽然相当水平的数学已开始在生物医学领域中显示出来，数学和中医药学之间还有较大的鸿沟，数学在中医药学中还远未发挥其应有的作用。
如今中医药及相关研究正处于发展时期，如果中医药不能数学化，不能将计算机技术和数学理论进行融合，必将影响我国中医药的健康发展和发扬光大。
那么如何将数学方法应用到中医药学研究领域，实现不同学科的融合呢1将中医药学数量化所谓将中医药学数量化，尤其是将中医证候和中药方剂研究数量化，可理解为在一定时期内随着时间的变化运用具有某些数量关系的多个函数来描述那一时刻的个体机能状态和用药状况。
例如利用数学方法将人体内在的或外表的种种表现性状，依据性状本身的中医药学意义，用适当的数值予以描述。
中医药发展缓慢也许有千般原因，但它始终没有迈出数学化的步伐，无疑是一个极其重要的原因。
因为没有数学化，许多概念都变得说不清道不明。
且不谈什么脉沉脉浮、阴阳五行这样一些听起来都比较玄的东西，就连“发烧”这样简单的概念，其描述也是很难让人把握的，而西医只要有一个体温计加上一个数字“37”，便准确得一清二楚了。
多源异构数据融合技术
多源异构数据融合技术多源异构数据融合技术是指将来自不同数据源、不同数据格式、不同数据类型的数据进行集成、转化、处理和分析，以得到更全面、准确、可靠、实用的信息和知识。
它是数据挖掘和大数据分析的基础和关键，也是实现智能化、数字化、网络化的重要手段和途径。
一、多源异构数据融合的意义和挑战1、意义多源异构数据融合的意义在于：（1）提高数据利用率和价值：通过将多个数据源的数据进行融合，可以得到更全面、准确、可靠、实用的信息和知识，从而提高数据利用率和价值，促进数据驱动的创新和发展。
（2）拓展数据应用场景和领域：通过将不同领域、不同类型、不同格式的数据进行融合，可以拓展数据应用场景和领域，为各行各业提供更多的数据支持和决策依据，推动跨领域、跨行业的合作和创新。
（3）增强数据安全和隐私保护：通过对多源异构数据进行融合，可以更好地掌握数据的流向、使用和保护，增强数据安全和隐私保护，防止数据泄露、滥用和侵权。
2、挑战多源异构数据融合的挑战主要包括：（1）数据质量问题：不同数据源的数据质量可能存在差异，如格式不一致、精度不同、完整性不足、一致性不强等，需要进行数据清洗、校验和修复。
（2）数据集成问题：不同数据源的数据可能存在重复、冗余、不完整等情况，需要进行数据集成和去重，保证数据的一致性和完整性。
（3）数据转化问题：不同数据源的数据格式和类型可能不同，需要进行数据转化和映射，以便进行统一的数据分析和处理。
（4）数据安全和隐私问题：多源异构数据的融合可能涉及敏感信息和个人隐私，需要采取有效的数据保护措施，保障数据安全和隐私。
二、多源异构数据融合的方法和技术多源异构数据融合的方法和技术主要包括：1、数据清洗和预处理数据清洗和预处理是多源异构数据融合的基础和前提，它包括数据去重、数据校验、数据修复、数据转化等处理过程，以保证数据的质量和一致性。
2、数据集成和整合数据集成和整合是将多个数据源的数据进行整合和融合的过程，它包括数据匹配、数据映射、数据转换、数据合并等处理过程，以得到更全面、准确、可靠的数据。
多源异构数据的融合与处理研究
多源异构数据的融合与处理研究多源异构数据融合与处理是一个多学科交叉的领域，它涉及到数据管理、数据挖掘、人工智能等方面的研究。
在当今信息爆炸的时代，各种形式的信息数据汇聚在一起，而从中提取有用的知识和信息却是一项艰巨的任务。
多源异构数据的融合与处理正是面对这一挑战而提出的解决方案。
本文将探讨多源异构数据的融合与处理，包括其意义、应用场景、研究进展等方面。
一、多源异构数据融合与处理的意义多源异构数据融合与处理的意义在于解决数据碎片化、信息孤立等问题。
在当今数字时代，数据的种类和数量都在不断增长，这带来了两个关键问题：第一，数据来源多样、类型繁杂，各种数据格式和存储方式导致数据之间难以协同；第二，数据分散、无序，容易造成信息孤立和信息不对称现象。
解决这些问题，就需要多源异构数据的融合与处理。
多源异构数据融合与处理可以将来自不同源和不同格式的数据进行整合，使其形成一个有机的整体，从而提高数据的价值和利用效率。
同时，多源异构数据处理技术还能够对数据进行清洗、去噪、标注和归纳，并输出可解释的结果和结论，从而解决数据的可理解性问题，为人类决策提供更加科学和可靠的信息支持。
二、多源异构数据融合与处理的应用场景多源异构数据技术的应用范围广泛，可以应用于众多领域。
下面将详细介绍数据融合与处理技术在一些重要领域中的应用。
1. 医疗健康领域多源异构数据融合和处理技术在医疗健康领域有着广泛的应用。
通过整合患者的电子病历、实时监测数据、生理指标数据、现场医生的诊断结果等多源不同类型的数据，可以大大提高医疗诊断和治疗效率。
例如，利用多源数据分析技术，可以对某种疾病的发病机理和治疗方法进行深入研究，从而有效地掌握疾病的发展趋势和治疗方案，为临床医生提供准确的诊断和治疗方案。
2. 金融风控领域在金融领域，多源异构数据融合和处理技术可以帮助银行和金融机构更加准确地进行风险控制和防范经济犯罪等行为。
通过对多种数据源的融合分析，可以构建一个全面的风险评估模型，准确预测和判断风险事件的发生概率和危害程度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Traditional Chinese Medicine 中医学, 2018, 7(5), 282-285Published Online September 2018 in Hans. /journal/tcmhttps:///10.12677/tcm.2018.75047On the Significance of the Method ofMulti-Source Heterogeneous Data Fusion in TCMHanqing Zhao, Zhiguo Wang*Institute of Basic Research in Clinical Medicine, China Academy of Chinese Medical Sciences, BeijingReceived: Aug. 18th, 2018; accepted: Aug. 26th, 2018; published: Sep. 3rd, 2018AbstractMulti-source isomerism is one of the basic features of large data. It is a hot issue in recent years tostudy traditional Chinese medicine diagnosis and treatment methods based on data. Building a generalization model is one of the methods to solve multisource heterogeneous data fusion andshares and extends the scope of traditional Chinese medicine data. However, the complexity of thelarge data of traditional Chinese medicine is high. Many problems, such as rich semantics, uneven distribution and poor objectivity, have greatly restricted the research and application of big data in Chinese medicine. In this paper, the importance of multi-source heterogeneous data fusion me-thod under the background of Internet+ large data is discussed, and the importance of mul-ti-source heterogeneous data fusion method based on the combination of disease and syndrome is discussed. It is the original cause of the important component of the large data of traditional Chi-nese medicine in the future, and the further study of the multi-source isomerism of traditional Chinese medicine. The method of large data fusion provides a theoretical reference.KeywordsTCM Informatization, Diagnosis and Treatment Mode, Combination of Disease and Syndrome,Big Data, Multi-Source Heterogeneous Fusion论中医药多源异构大数据融合方法研究的意义赵汉青，王志国*中国中医科学院中医临床基础医学研究所，北京收稿日期：2018年8月18日；录用日期：2018年8月26日；发布日期：2018年9月3日*通讯作者。
赵汉青，王志国摘要多源异构是大数据的基本特征之一，以数据为导向研究中医诊疗方法是近年来的热点问题，构建泛化模型是解决多源异构数据融合共享、扩展中医数据研究范围的方法之一，然而由于中医药多源异构大数据具有复杂度高、语义丰富、分布不均、客观化程度差等诸多问题，极大地制约了中医药大数据的研究和应用。
本文以多源异构大数据模型为主要切入点，讨论了互联网+大数据背景下中医多源异构数据融合方法的重要性，阐述了基于病证结合的中医药多源异构数据是未来中医药大数据重要构成部分的原因，为进一步研究中医药多源异构大数据融合方法提供了理论参考。
关键词中医信息化，诊疗模式，病证结合，大数据，多源异构融合Copyright © 2018 by authors and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY)./licenses/by/4.0/1. 引言多源异构是大数据的基本特征之一[1]，由于数据来源不同、数据结构不同、数据标准不同，多源异构数据在类型、性质、形式、内容和时空关系上均存在极大的差异[2] [3] [4] [5]，容易导致数据信息共享和互联互通障碍。
近年来，在医学[6]、工业、农业、气象、海洋、地质等多个领域均对其相关的多源异构大数据的融合分析问题进行了研究，而在中医领域针对此问题的研究略显不足。
2. 中医数理化研究已陷入瓶颈自20世纪80年代以来，国内开始对中医辨证论治信息化等数理问题进行研究，并从模糊数学、自动向量机、人工神经网络、概率论等数理角度解析中医理论，开始尝试对中医要素进行量化分析，产生了阴阳五行数学、中医专家系统及各类中医辩证思想的数学模型[7]。
进入90年代后，由于信息技术的发展，国内外运用包括聚类分析、关联分析、贝叶斯网络、回归和判别分析、文本挖掘、因子分析和主成分分析、隐结构模型、马尔科夫模型、主题模型、信息熵等多种数据挖掘技术对中医辨证论治规律的发现和应用开展了广泛的研究，发现或验证了许多理论规律，例如挖掘整理名老中医经验等，至今仍为研究热点[8] [9] [10]。
迈入21世纪时，正逢互联网技术快速发展，卫生信息化工作迅速开展，大型医院均装备有医院信息系统，中医临床诊疗数据基本上实现了信息化存储，同时国内学者建设了多个大型中医药数据库、中医临床科研共享系统等中医药网络数据平台，集合了中医电子病历、中医药文献或其他专题数据，使中医药数据资源得到极大丰富，并在此基础之上探索中医证、治、法、药或其他中医理论规律，提出了多种中医诊断模型，设计了多种中医辩证人工智能算法[11]，在中医信息化、数字化、智能化研究特别是中医临床辅助支持研究方面取得了许多有重要意义的成果。
然而，由于近几年云计算、大数据技术的高速发展以及精准医学概念的提出，大规模的数据显然不适合采用人工方法处理，传统数理分析和数据挖掘方法在中医诊疗模型的研究中表现出的局限性越来越大，已不能适应当前大数据背景下中医诊疗规律的研究工作。
而现代信息技术的进步，尤其是人工智能赵汉青，王志国领域的发展，提出了许多新的理论和新的研究方法，将其应用在当前大数据背景下的中医多源异构数据分析中，具备研究的可行性。
3. 未来中医信息主要由病证结合诊疗数据构成近年来，病证结合的诊疗模式研究再次成为业内讨论和关注的热点[12]，现代中医已不太可能逃避学习现代医学知识。
有学者[13]认为，随着医学对疾病认识的不断深入，现代医学辨病不断细化，病证结合中的辨病也应相应细化，让病证结合成为中医临床的诊疗模式，有助于清楚认识疾病的本源和特点，利于中医处方规律的研究。
中医学内容博大精深，病证结合的临床诊疗模式需要医生积累大量的中西医知识，而中医临床实际中面临的庞大疾病谱却又与西医不同，如何让中医在临床处方过程中得到正确的辅助诊疗信息是当前中医药信息化研究需要解决的重要问题。
而在未来大数据收集处理过程中，医院信息系统中存储的诊疗数据占据了相当一部分，这部分数据不可避免会混入相当的现代医学信息，这就造成未来中医药大数据将会包含大量病证结合诊疗数据。
4. 数据融合方法是中医药大数据应用研究的基础2016年12月6日，中国国务院发表《中国的中医药》白皮书，白皮书指出，中医药发展上升为国家战略，中医药事业进入新的历史发展时期。
随着云计算、大数据、物联网等现代信息科学技术的不断进步，如何将中医药与信息技术相结合[14]、总结发现中医诊疗规律的信息学原理和应用方法是目前尚未完全解决的理论难题[15]。
《中医药信息化发展“十三五”规划》指出，中医药信息化将进入实现“融入、整合、跨越”的关键时期，以国家级、省级数据中心为核心的中医药数据平台将不断收集并提供中医药大数据资源，如何将大规模病证结合中医药多源异构数据进行有效融合[16] [17]，是未来进行中医药大数据深层分析应用研究的关键基础问题之一。
5. 中医药多源异构大数据融合方法具有重要的应用价值笔者认为，以多源异构中医药数据融合及其支持下的中医处方的数据融合方法为研究对象，采用定量研究方法，设计一种泛化的中医处方大数据模型，使语义丰富的中医数据可以在一定标准下得到存储和识别，揭示大数据和“互联网+”背景下中医病证结合诊疗规律的新特性，是当前急需进行的研究课题。
目前中医处方规律的研究多集中在一类病或一类证上，某些特定的数据可能只适合使用某种特定的方法进行分析，而大数据具有未分类、高维度的特性，发现并描述科学合理的中医诊疗规律是当前行业内需要解决的重要科学问题。
该问题的成功解决可以为中医药理论和临床的信息学提供一种新的方法，能为中医“互联网+”服务和中医临床辅助医疗提供理论支撑，具有重要的理论意义和工程应用价值。
基金项目本研究得到国家科技部基础性工作专项(2008FY230500)资助。
参考文献[1]Jagadish, H.V., Gehrke, J., Labrinidis, A., et al. (2014) Bid Data and Its Technical Challenges. Communications of theACM, 57, 86-94.https:///10.1145/2611567[2]Safari, S., Shabani, F. and Simon, D. (2014) Multirate Multisensory Data Fusion for Linear Systems Using KalmanFilters and a Neural Network. Aerospace Science and Technology, 39, 465-471.https:///10.1016/j.ast.2014.06.005[3]Lin, G.P., Liang, J.Y. and Qian, Y.H. (2015) An Information Fusion Approach by Combining Multigranulation Rough赵汉青，王志国Sets and Evidence Theory. Information Sciences, 314, 184-199.https:///10.1016/j.ins.2015.03.051[4]Bostrom, H., Andler, S.F., Brohede, M., et al. (2007) On the Definition of Information Fusion as a Field of Research.School of Humanities and Informatics, University of Skovde,[5]Naumann, F., Bilke, A., Bleiholder, J., et al. (2006) Data Fusion in Three Steps: Resolving Inconsistencies at Schema-,Tuple-, and Value-Level. IEEE Data Engineering Bulletin, 29, 21-31.[6]Suk, H.-I., Lee, S.-W. and Shen, D.G. (2014) Hierarchical Feature Representation and Multimodal Fusion with DeepLearning for AD/MCI Diagnosis. Neuroimage, 101, 569-582.https:///10.1016/j.neuroimage.2014.06.077[7]蔡庆生, 卢贤若, 黄克诚. 中医数学化初探[J]. 自然杂志, 1982, 5(11): 813-816, 880.[8]杨丽. 基于知识推理的中医临床诊疗决策支持方法研究[D]: [硕士学位论文]. 北京: 北京交通大学, 2014.[9]朱志鹏, 杜建强, 刘英锋, 等. 基于LDA主题模型的中医药方剂相似度计算[J]. 计算机应用研究, 2017, 34(6):1-5.[10]洪燕珠, 周昌乐, 张志枫, 等. 基于随机森林法的慢性疲劳证候要素特征症状的选择[J]. 中医杂志, 2010, 51(7):634-638.[11]陈楚湘. 中医诊疗标准建立及应用的智能方法研究[D]: [博士学位论文]. 郑州: 解放军信息工程大学, 2011.[12]王阶, 熊兴江, 张兰凤. 病证结合模式及临床运用探索[J]. 中国中西医结合杂志, 2012, 32(3): 297-299.[13]陈可冀, 宋军. 病证结合的临床研究是中西医结合研究的重要模式[J]. 世界科学技术——中医药现代化, 2006,8(2): 1-5.[14]崔蒙, 李海燕, 杨硕, 等. 中医药信息学理论科学领域研究进展[J]. 中国中医药图书情报杂志, 2015, 39(5): 1-6.[15]于琦, 崔蒙, 李海燕, 等. 从大数据角度探讨中医药信息学特征[J]. 中国数字医学, 2014, 9(4): 32-34.[16]Yager, R.R. (2004) A Framework for Multi-Source Data Fusion. Information Sciences, 163, 175-200.https:///10.1016/j.ins.2003.03.018[17]化柏林, 李广建. 大数据环境下多源信息融合的理论与应用探讨[J]. 图书情报工作, 2015, 59(16): 5-10.1. 打开知网页面/kns/brief/result.aspx?dbPrefix=WWJD下拉列表框选择：[ISSN]，输入期刊ISSN：2166-6067，即可查询2. 打开知网首页/左侧“国际文献总库”进入，输入文章标题，即可查询投稿请点击：/Submission.aspx期刊邮箱：tcm@。