[發明專利]一種人工智能篩選錯誤數據的系統及方法

在審

• 申請號: 202111657874.0
• 申請日: 2021-12-31
• 公開（公告）號: CN114429798A
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 王昊昱;關秋峰;陳致遠;曹兆洋;李汶錦;黃亮
• 申請（專利權）人: 王昊昱;陳致遠
• 主分類號: G16C20/50
• 分類號: G16C20/50;G16C20/70;G06F16/215;G06N3/04;G06N3/08
• 代理公司: 安徽初升專利代理事務所(普通合伙) 34233
• 代理人: 曹雪菲

本發明公開了一種人工智能篩選錯誤數據的系統及方法，包括篩選模塊，篩選模塊包含有篩選處理模型、數據處理系統、正常數據和異常數據；所述篩選處理模型和數據處理系統相連接，且篩選處理模型包含有正常數據和異常數據。本發明主要基于系統的預測數值模型，構建針對預測數值的異常數據篩選方案，使其能夠達到在較少數據量預測時，解決由于預測因素較多，預測溶出度較多，在出現異常數據后形成預測數據的偏差程度較大的現象，根據篩選后的預測數據再次形成數據模型后，其準確率增加，誤差大量降低，與真實數據對比更加穩定，實現在較低數據量的情況下提高預測數據的真實性的效果。

技術領域

本發明涉及數據處理和篩選領域，特別涉及一種人工智能篩選錯誤數據的系統及方法。

背景技術

現在越來越多的公司和科研機構開始了人工智能在藥物研發領域的探索。但由于制劑的特殊性，很少有公司使用人工智能對其進行研究。制劑的輔料成分多為天然有機物，因此不同批次或不同生產商生產的輔料，實際結構也不相同。以海藻酸為例，海藻酸的相對分子質量在20000到240000之間，其分子量的不同導致其物理性質存在很大差異，影響其崩解性和粘合性。

在根據少量樣本進行系統處理后，又需要針對數據構成篩選調整，特別是在實際項目中，由于實驗操作有誤或原輔料出現問題等情況，經常會出現偏差較大的異常數據，這個時候，對異常數據的檢測就尤為重要，通常是實驗數據處理中的趨勢。

發明內容

本發明要解決的技術問題是克服現有技術的缺陷，提供一種人工智能篩選錯誤數據的系統及方法。

為了解決上述技術問題，本發明提供了如下的技術方案：

本發明一種人工智能篩選錯誤數據的系統，包括篩選模塊，篩選模塊包含有篩選處理模型、數據處理系統、正常數據和異常數據，其中篩選模塊還包括BP神經網絡，徑向基函數RBF神經網絡，P感知器神經網絡，自組織神經網絡，FFNN向前反饋神經網絡，HN霍普菲爾神經網絡，CNN卷積神經網絡， RNN周期神經網絡，GAN生成對抗網絡，DN去卷積神經網絡；

所述篩選處理模型和數據處理系統相連接，且篩選處理模型包含有正常數據和異常數據。

本發明提供了如下的第二個技術方案：

本發明還提供了這種人工智能篩選錯誤數據的的使用方法，步驟如下：

S1.輸入數據量，在篩選處理模型中，設置一個起始訓練數量，輸入后，數據處理系統會對起始輸入數據之后的輸入數據進行預測，并與實際的輸入數據進行對比，計算出F2值；

S2.設定誤差區間，根據實驗需求設定一個合適的F2區間為允許的誤差范圍；

S21.當F2不在該區間內時，數據處理系統會彈出提示，使人為操作是否將該數據剔除；

S22.當數據量很大時，人工篩選需要更多時間，可改為根據F2值自動篩選，系統將不再詢問是否保留疑似錯誤數據，并自動刪除。

作為本發明的一種優選技術方案，所述數據處理系統包含有預測模塊，預測模塊包含數據模型、神經網絡模型、訓練模型、第一優化模塊、第二優化模塊和輔料調整模塊；

所述訓練模型分別與數據模型和神經網絡模型相連接，所述數據模型與第一優化模塊或第二優化模塊相連接，所述輔料調整模塊與第一優化模塊或第二優化模塊相連接。

與現有技術相比，本發明的有益效果如下：

本發明主要基于系統的預測數值模型，構建針對預測數值的異常數據篩選方案，使其能夠達到在較少數據量預測時，解決由于預測因素較多，預測溶出度較多，在出現異常數據后形成預測數據的偏差程度較大的現象，根據篩選后的預測數據再次形成數據模型后，其準確率增加，誤差大量降低，與真實數據對比更加穩定，實現在較低數據量的情況下提高預測數據的真實性的效果。

附圖說明