买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京信息工程大学申请的专利基于粗糙集正域与信息熵综合的医学检验指标约简方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120408127B 。

龙图腾网通过国家知识产权局官网在2025-09-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510919382.6，技术领域涉及：G06F18/211；该发明授权基于粗糙集正域与信息熵综合的医学检验指标约简方法是由张媛;姚卫;彭茂;徐玮玮设计研发完成，并于2025-07-04向国家知识产权局提交的专利申请。

本基于粗糙集正域与信息熵综合的医学检验指标约简方法在说明书摘要公布了：本发明公开了基于粗糙集正域与信息熵综合的医学检验指标约简方法，适用于医疗数据分析等场景中的高维数据属性约简与知识发现，通过融合粗糙集理论和信息论方法两种视角，提出一种新的约简策略，通过加权平均方式得到属性的综合重要度，其权重由正域与边界域的比值确定。根据综合重要度进行迭代约简，合理地兼顾了确定性和非确定性元素，解决了大规模模糊信息决策系统的属性约简可行性问题，得到更准确的约简集合。便于聚焦关键诊断指标，提升诊断效率与准确性，增强临床可解释性，减少不必要的检测项目，起到优化数据，提高诊断效率，节约医疗成本的作用。

本发明授权基于粗糙集正域与信息熵综合的医学检验指标约简方法在权利要求书中公布了：1.基于粗糙集正域与信息熵综合的医学检验指标约简方法，用于针对某疾病的所有医学检验指标进行约简，其特征在于，包括如下步骤： 步骤1，获取医学检验指标数据集，所述医学检验指标数据集中的每个样本均包括患者、针对某疾病该患者的所有检验指标数据以及针对某疾病该患者的诊断结论；将所述医学检验指标数据集转换为模糊信息决策系统U,A,D，其中，U＝{x1,x2,…,xN}表示所有患者的集合，xi表示第i个患者，i＝1,…,N，N为所有患者的数量，A＝{a1,a2,…,aM}表示针对某疾病的所有医学检验指标集合，am表示第m个指标，m＝1,…,M，M为所有医学检验指标的数量，UD＝{D1,D2,…,DR}表示将U划分到不相交的诊断结论类别中，Dr表示第r个诊断结论类别，r＝1,…,R，R为诊断结论类别的数量； 步骤2，通过粗糙集正域方法计算所有医学检验指标集合A的正域，根据集合A的正域计算加权系数α以及诊断结论类别集合D对A的依赖度γAD；具体过程如下： 步骤2.1，在模糊信息决策系统U,A,D中，对于每个医学检验指标am，计算任意两个患者之间的距离，得到每个医学检验指标对应的距离矩阵 其中，对于医学检验指标am，任意两个患者xi,xj之间的距离计算公式如下： 其中，amxi、amxj分别表示患者xi,xj对医学检验指标am的值； 步骤2.2，根据所有医学检验指标各自对应的距离矩阵，得到集合A的距离矩阵dA；dA中的元素表示为： 步骤2.3，根据距离矩阵dA计算每个患者关于集合A的下近似，公式如下： 步骤2.4，基于步骤2.3，计算集合A的正域POSAD，公式如下： 步骤2.5，根据集合A的正域POSAD计算加权系数α，公式如下： 其中，|U|表示所有患者的数量即N； 步骤2.6，根据集合A的正域POSAD计算诊断结论类别集合D对A的依赖度γAD，公式如下： 步骤3，通过聚类方法将模糊信息决策系统转换为确定性的信息决策系统U,A′,D，在确定性信息决策系统中计算D的信息熵HD以及全属性A′下的条件信息熵HD|A′； 步骤4，设定约简集为B，并初始化约简集B为空集； 步骤5，对于集合A中未被选择到B中的每个指标，将每个指标与当前约简集B相并，得到每个指标对应的并集，计算各指标对应的并集基于粗糙集正域的重要度和基于信息熵的重要度，进而计算各指标对应的并集的综合重要度； 步骤6，将最大综合重要度所对应的指标a*加入到当前约简集B中，得到集合B∪{a*}，作为新的约简集B； 步骤7，根据步骤2相同的方法计算诊断结论类别集合D对步骤6得到的新约简集B的依赖度γBD，以及根据步骤3相同的方法计算步骤6得到的新约简集B下的条件熵HD|B； 步骤8，判断是否满足γBD＝γAD且HD|B＝HD|A′，若满足，则将步骤6得到的新约简集B作为最终的指标约简集合输出；否则返回步骤5，在集合A未被选择到B的指标中继续选择综合重要度最大所对应的指标加入步骤6得到的新约简集B中，再一次生成新的约简集B，直至满足γBD＝γAD且HD|B＝HD|A′。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京信息工程大学，其通讯地址为：210032 江苏省南京市江北新区宁六路219号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。