1.中药材数据采集与实时监控系统，其特征在于，包括：

中药炮制数据获取模块，用于获取各个中药类别以及所对应的中药炮制数据；

中药炮制数据聚类模块，根据各个中药类别以及所对应的中药炮制数据生成各个中药类别所对应的各项评价数据的中药数据集，并通过K‑means聚类算法进行中药类别与中药炮制数据的无监督学习后聚类，所述中药炮制数据聚类模块还包括对中药炮制原始数据进行去中心化处理，即将每个特征的值减去该特征的均值，使得数据的均值为零；所述去中心化处理包括计算协方差矩阵，具体地通过计算去中心化后的数据的协方差矩阵，来衡量各个特征之间的相关性，其中协方差矩阵的对角线上的元素表示各个特征的方差，非对角线上的元素表示不同特征之间的协方差，所述通过K‑means聚类算法进行中药类别与中药炮制数据的无监督学习后聚类，具体地选择中药类别与中药炮制数据的主成分，即按照中药类别特征值的大小对中药炮制数据特征向量进行排序，选取前K个特征向量作为主成分；

中药炮制数据分析模块，用于确定各个中药类别后，根据对应所述中药类别确定对应的中药炮制数据，将各个所述中药炮制数据中相应的各项评价数据作为输入，并通过神经网络对各个所述中药炮制数据进行监督学习，分析各项中药炮制数据并生成相应的各项评价数据作为预测结果；

中药炮制验证模块，用于根据各个中药类别各项的中药炮制数据，并响应各个所述中药类别相应的各项评价数据的预测结果，通过损失函数分析所述预测结果中的预测值和真实值的偏离值，并进行验证处理后生成各项中药类别的中药炮制预测数据，其中所述验证处理为修正各个所述中药类别相应的各项评价数据的预测结果；

中药炮制输出模块，用于关联中药炮制分析策略，根据各项中药类别的中药炮制预测数据，以及当前炮制环境数据进行关联中药炮制数据的数据库分析后，输出关联性数据作为对应中药炮制分析策略。

2.如权利要求1所述的中药材数据采集与实时监控系统，其特征在于，所述中药炮制数据分析模块通过神经网络对各个所述中药炮制数据进行监督学习包括中药炮制数据的输入层、隐藏层和输出层，其中中药炮制数据中各项评价数据的每个神经元接收来自前一层神经元的输入，输入通过权重加权，并且通过一个非线性激活函数处理，以产生神经元的输出作为各项评价数据的预测结果，具体通过下式计算：其中，A是神经元的输出，f是激活函数，wi是权重，xi是输入，b是偏置项。

3.如权利要求1所述的中药材数据采集与实时监控系统，其特征在于，所述评价数据包括中药类别、场地以及年份；所述炮制数据按炮制法包括整洁修制、水制、火制以及水火共制；所述中药炮制数据的数据库包括中国中医药信息数据库、中药炮制技术数据库。

4.如权利要求1所述的中药材数据采集与实时监控系统，其特征在于，所述中药炮制输出模块采用Apriori算法，来挖掘各项中药类别的中药炮制预测数据与当前炮制环境数据数据中的潜在关联关系，并通过设置支持度和置信度的阈值，筛选出具有高支持度和置信度的关联规则，挖掘关联分析后输出关联性数据作为对应中药炮制分析策略。

5.如权利要求1所述的中药材数据采集与实时监控系统，其特征在于，所述中药炮制验证模块包括偏离值处理单元和验证单元和融合生成单元，所述偏离值处理单元用于通过损失函数分析所述预测结果中的预测值和真实值偏离值；

所述验证单元用于响应各个所述中药类别相应的各项评价数据的预测结果进行验证判断，不满足阈值则进行修正，具体地如下：

将各项中药类别的中药炮制预测结果转换为验证信息；设定中药炮制验证模块中的相应的辨识框架及其子集；分别获取各项中药类别的中药炮制预测结果验证信息的信息源mass函数，计算任意两个中药炮制预测结果验证信息之间的Lance距离；

当前某个中药炮制预测结果验证信息与当前中药类别的中药炮制预测结果验证信息之间的Lance距离之和小于等于零，则认为所述中药炮制预测结果为无冲突验证信息，则不对当前中药炮制预测结果验证信息的信息源mass函数进行修正；反之，则对当前中药炮制预测结果验证信息的信息源mass函数进行修正；

所述融合生成单元采用Dempster合成规则对无冲突验证信息的未修正的信息源mass函数和修正后的信息源mass函数进行计算，得到最终融合结果，即各项中药类别的中药炮制预测数据。

6.如权利要求5所述的中药材数据采集与实时监控系统，其特征在于，所述验证单元对当前中药炮制预测结果验证信息的信息源mass函数进行修正，具体地根据当前中药炮制预测结果验证信息与当前中药类别中其他中药炮制预测结果验证信息之间的Lance距离确定证据的可信度，通过计算当前中药炮制预测结果验证信息的信度熵来度量当前所述中药炮制预测结果验证信息的不确定度。

7.如权利要求6所述的中药材数据采集与实时监控系统，其特征在于，所述验证单元在计算信度熵来度量当前所述中药炮制预测结果验证信息的不确定度时，还包括关联专家库并通过专家打分确定计算当前中药炮制预测结果验证信息的重要度；通过计算验证信息的可信度、不确定度和重要度计算得到当前所述中药炮制预测结果验证信息的折扣系数，响应所述折扣系数对应修正当前所述中药炮制预测结果验证信息的信息源mass函数。

8.一种应用于权利要求1所述的中药材数据采集与实时监控系统的方法，其特征在于，所述方法包括：

步骤S1：获取中药数据集的中药类别以及相应的中药炮制数据，并通过K‑means聚类算法进行中药类别与中药炮制数据的无监督学习后聚类；

步骤S2：确定各个中药类别后，根据对应所述中药类别确定对应的中药炮制数据，将各个所述中药炮制数据中相应的各项评价数据作为输入，并通过神经网络对各个所述中药炮制数据进行监督学习分析各项中药炮制数据并生成相应的各项评价数据作为预测结果；

步骤S3：根据各个中药类别各项的中药炮制数据，并响应各个所述中药类别相应的各项评价数据的预测结果，通过损失函数分析所述预测结果中的预测值和真实值的偏离值，并进行验证处理后生成各项中药类别的中药炮制预测数据；

步骤S4：关联中药炮制分析策略，根据各项中药类别的中药炮制预测数据，以及当前炮制环境数据进行关联分析后，输出关联性数据作为对应中药炮制分析策略。