高楚淮

（河北北方学院附属第一医院，河北 张家口 075000）

随着药品生产供应市场的发展，建立安全完备的药品研制、生产及流通体系势在必行。当前我国的医药市场主体依然呈现出“多、散、小”的格局，且药品的基础资料多为非结构化数据，故仍存在信息统计与查询困难的问题。而如何运用大数据平台进行药品信息的分析，并实现准确的分类及预测，对药品流通的所有参与者而言均具有重要意义。对于监管者，其可建立行之有效的安全风险防范体系；而对于医疗机构，则能优化供应链管理水平，进而逐步实现运行模式的优化[1-4]。

聚类分析(Cluster Analysis)是数据挖掘领域的常用算法，近年来基于划分、层次与密度分析等思路，该算法得到了进一步的发展[5-11]。其中，模糊聚类(Fuzzy C-Means，FCM)算法是一种基于模糊数学理论的机器学习(Machine Learning，ML)算法。与其他聚类算法不同的是，其引入了隶属度函数，增添了样本类别的非定性描述，使得物体与客观世界建立了更为契合的映射关系。此外，该方法无需训练样本，是一种无监督的聚类方法，并可自动提取药品信息中的特征，进而实现样本的自主分类。文中在对常用的、基于目标函数的模糊聚类分析算法进行讨论的基础上，结合医药数据信息分析的应用场景对该算法加以改进。仿真结果表明，改进后的算法在对药品数据进行聚类预测时，关键性指标有了显著改善。

1 理论基础

1.1 传统模糊聚类算法

基于目标函数的模糊C 均值聚类(FCM)算法是模糊集理论中常用的数据分析方法[12-14]，其结构简单且计算复杂度较低，并可对样本数据进行自动分类。……