1.基于模糊建模和多标记学习的自闭症谱系障碍诊断方法，步骤如下：第一步：用DPARSF对rs‑fMRI图像进行处理；根据自动解剖标记模板将rs‑fMRI图像处理成与116个脑部感兴趣区域相应的116种平均时间序列；

第二步：在平均时间序列的基础上执行特征抽取；利用皮尔逊相关函数度量任意两个平均时间序列之间的相关性，获得一个规模为 的二阶功能连通特征矩阵，再从二阶功能连通特征矩阵中抽取上三角矩阵的元素生成6670维度的特征向量；

第三步：对不平衡的ASD数据集执行SMOTE样本合成；样本合成后的训练集被记为；令， ，以及 ；

第四步：先将ASD亚类输出数据转变成离散清晰的ASD标记输出矩阵，再执行模糊不确定学习；模糊不确定学习基于模糊逻辑推理准则依次建立“ASD实例‑ASD聚类” 模糊关系矩阵 、“ASD聚类‑ASD标记”模糊关系矩阵 、“ASD实例‑ASD标记”模糊关系矩阵 ，并将获得到“ASD实例‑ASD标记”关系矩阵融入清晰的标记输出矩阵，获得含有模糊不确定信息的输出矩阵 ；

第五步：在含有模糊不确定信息的输出矩阵 的基础上执行标记协同学习；优化标记协同学习项 以建立单个标记与全局标记之间的关联；

第六步：依据每个标记相关样本量的差异，为每个标记的线性回归过程赋予专属的线性回归权重，且相关样本量越少，回归权重越大；

第七步：基于标记先验知识构建标记协同学习；即，利用任意两个标记之间的相关性构建其判别特征之间的关联，从而有效挖掘ASD数据中的隐藏信息；

第八步：通过整合上述七个步骤，实现完整的基于模糊建模和多标记学习的自闭症谱系障碍诊断目标函数；在类别不平衡、信息不确定以及标记噪声的场景下，仍能有效实现自闭症谱系障碍预测；

所述的第五步，具体步骤如下：

5.1令ASD数据集中的 个训练样本在第 个标记上组成的标记向量为 ；为了降低 中标记噪声对后续FM_ASD学习ASD的干扰，FM_ASD提出标记的显性映射向量来分析所有ASD标记对第 个标记的影响， ，即，(7)

其中 中的第 个元素 代表第 个ASD标记对第 个ASD标记的影响， ；最小化公式(7)的目的在分析所有标记对第 个ASD标记的作用时，尽可能保持第 个标记在显式映射前后的表达一致性；

5.2完整的标记协同学习即为：

(8)

其中， ；公式(8)的第一项代表ASD标记间的协同学习，第二项代表关于 的正则化项；和 是两个超参数，分别平衡ASD标记间协同学习和模型复杂度的影响； 表示矩阵的迹。

2.如权利要求1所述的基于模糊建模和多标记学习的自闭症谱系障碍诊断方法，其特征在于：所述的第三步，具体步骤如下：

3.1输入ASD训练数据 ，最近邻数k，样本生成比n；

3.2初始化 ；

3.3分别查找与L个ASD亚类标记相关的样本子集 ，， 是第i个ASD亚类标记的相关样本数， ， ；

3.4对于每一个ASD标记

如果 且

1)在 中为 查找k个最近居 ， ；

2)如果不满足n倍生成比

a)从 中随机选择样本 来合成新样本 ， ；即，且 ；// 是每个元素均在[0，1]范围内的随机向量；()表示Hadamard乘积；

b) 。

3.如权利要求2所述的基于模糊建模和多标记学习的自闭症谱系障碍诊断方法，其特征在于：所述的第四步，具体步骤如下：

4.1FM_ASD利用模糊C均值聚类将ASD实例集聚成C个抽象类，构建“ASD实例‑ASD聚类”关系矩阵 ；每个实例对应一个隶属于C个抽象类的模糊隶属度向量，该向量从模糊聚类的角度分析了ASD数据的不确定性；对于ASD实例 ， ，它属于第 个聚类的模糊隶属值为：(1)

(2)

其中， ， 表示第i个ASD实例属于第c类的模糊隶属度； 是第c类的聚类中心； 是模糊指数；通过迭代求解 和 ，第i个ASD实例属于第c类的最优模糊隶属值 即可被获得，进一步可获得模糊隶属度矩阵 ；最优模糊隶属度向量 反映了第i个ASD实例的表达不确定性；

4.2 FM_ASD基于ASD样本的模糊隶属度向量，构建“模糊聚类‑ASD标记”的模糊关系矩阵 ；具体地，对于 的第j行向量 ， ，它在第j个ASD标记上整合了所有相关实例的模糊隶属度向量；即：(3)

(4)

其中 表示1行C列的零向量；实际上，是一种全局的不确定分析；它是基于所有ASD实例建立的模糊聚类与ASD标记之间的整体模糊关系；

4.3FM_ASD基于模糊逻辑准则，将“模糊聚类‑ASD标记”的模糊关系矩阵 转化为“ASD实例‑ASD标记”的模糊关系矩阵 ；对于 中的第i行第j列元素 ，，它的计算公式为：

(5)

其中 是 的第i行第c列元素， 是第j个ASD实例在第c个聚类上的模糊隶属度，代表模糊矩阵合成运算中的取小运算，代表模糊矩阵合成运算中的取大运算；实际上，公式(5)即为模糊矩阵的合成运算，它能够实现模糊关系的推理建模；

4.4FM_ASD将“ASD实例‑ASD标记”的模糊关系矩阵 融入ASD标记矩阵 ，获得新标记矩阵 ；“ASD实例‑ASD标记”模糊关系矩阵 暗含了ASD数据中的不确定信息的分布；

所以，相比于原始清晰集标记矩阵 ，更贴合真实ASD数据分布特点；的具体计算公式为：(6)

针对ASD数据的模糊不确定学习的建立将原本模糊不确定的ASD数据变得清晰可度量，它基于模糊推理建模量化了ASD数据表达的不确定性；这在一定程度上帮助FM_ASD缓解ASD数据中不确定信息表达带来的影响。

4.如权利要求3所述的基于模糊建模和多标记学习的自闭症谱系障碍诊断方法，其特征在于：所述的第六步，具体步骤如下：

6.1对于第 个ASD标记， ，它的加权线性回归被定义为：(9)

其中 是第 个标记的回归向量，它能为第 个ASD标记识别出相应的判别特征； 是依据公式(7)实现的基于标记协同学习的第 个标记的表达；

是第 个标记对应的线性回归权重，且

(10)

(11)

(12)

(13)

其中 表示集合的元素数； 表示ASD训练集 中第 个样本在第 个标记上的值；公式(10)‑(13)表明，第 个ASD标记的相关样本数越少， 的权重值越大；

6.2所有ASD标记的加权线性回归即可被表示为：(14)

其中 ； 是一个对角矩阵；

6.3将L1正则化项引入公式(14)来约束模型的复杂度，即(15)

其中 是超参数，用于控制模型复杂度的影响；L1范数的引入促使FM_ASD为各ASD标记学习到的判别特征更精准。

5.如权利要求4所述的基于模糊建模和多标记学习的自闭症谱系障碍诊断方法，其特征在于：所述的第七步，具体步骤如下：

7.1 高阶功能连通学习的实现主要基于如下两个论点：a) 回归向量 可被用于识别第 个ASD标记的判别特征，； 的值越大， ，表明第 个二阶功能连通特征对于识别第 个ASD标记的贡献越大；

b) 任意两个ASD标记之间的相关性与它们判别特征之间的相关性是一致的；即，在ASD数据集中，两个ASD标记向量第 个ASD标记向量 和第 个ASD标记向量的相似性越小， ，则它们ASD判别特征的相似性也越小，也即它们回归向量 和 的相似性也越小；

7.2对于ASD数据集中的任意两个标记向量 和 ，它们的高阶功能连通学习即可被定义为：(16)

其中， ， ， 用于度量第 个ASD标记 和第 个ASD标记 之间的相似性；采用余弦相似度来计算 ； 与 相似性越小， 的值越小， 的值越大；

7.3针对所有ASD标记的高阶功能连通学习即为：(17)

其中 ；是超参数，用于调节高阶功能连通学习的影响。