支持向量机分类算法及其结合其他算法解决中医药相关领域问题方面及成果的综述
本文的目的是以相关智能算法为基础，探讨中医药研究过程中的诸多难题，为推动中医药现代化进程提供支撑。
1 支持向量机（SVM）的定义及其在中药相关领域的应用
SVM 作为近 20 年来高速发展的人工智能算 法，属于二分类模型，如果数据服从某个（固定但 未知的）分布，要使机器的实际输出与理想输出之 间的偏差尽可能小，则机器应当遵循结构风险最小 化（structural risk minimization，SRM）原则，而不 是经验风险最小化原则[2]。
SVM 包括主要应用于模式识别与分类及差别 分析等的支持向量分类（support vector classification， SVC）和主要用于数据的拟合并产生回归模型，用 于相关预测等的支持向量回归（support vector regression，SVR）[4]。
SVM 是泛化能力很强的优质 分类器，准确率也很高，SVM 算法的分类作用目前 主要应用于中药鉴定、中药药性、中药活性成分、 中药安全性评价、药物分析、制剂工艺及中药配伍 规律等研究领域。
1.1 产地识别鉴定研究
1.2 中药药性研究
1.3 中药毒副作用研究
1.4 中药组方配伍研究
1.5 中药复方制剂工艺优化和质量研究
1.6 中药有效成分研究
2 SVM 与其他算法的结合及在中药研究中的应用
2.1 SVM 与主成分分析（principal component
analysis，PCA）的结合
2.2 SVM 与层次分析法 （ analytic hierarchy
process，AHP）的结合
2.3SVM与最小二乘法的结合
2.4SVM与遗传算法（genetic algorithm，GA）的结合
2.5SVM与粒子群算法的结合
2.6 SVM与人工神经网络的结合
2.7国外SVM与其他算法结合的研究
3基于SVM的中医药研究新思路
如何建立符合中医药特色的中药质量控制体系一直是中医药走向现代化的关键。SVM作为辅助中药研究的有效手段，其潜力不断被挖掘以提供更精确的数据信息。SVM算法属于有监督模式的化学模式识别方法，为新兴的人工智能技术，理论还在不断完善和发展中，具有巨大的研究潜力。SVM能够对色谱图信息进行数据化处理，使其数据整合后被计算机识别，现有研究表明其预测分类效果优于其他分类算法，为中药现代化研究提供了一个明确的方向。但目前SVM在中医药领域的应用尚存在结构不完善、结果不够精准等问题。如能将该算法与其他更多的专业算法相结合，对其进行优化，将对阐明中医药理论内涵提供逻辑更为精确的技术支持。
