[发明专利]一种人工智能筛选错误数据的系统及方法

说明书

本发明公开了一种人工智能筛选错误数据的系统及方法，包括筛选模块，筛选模块包含有筛选处理模型、数据处理系统、正常数据和异常数据；所述筛选处理模型和数据处理系统相连接，且筛选处理模型包含有正常数据和异常数据。本发明主要基于系统的预测数值模型，构建针对预测数值的异常数据筛选方案，使其能够达到在较少数据量预测时，解决由于预测因素较多，预测溶出度较多，在出现异常数据后形成预测数据的偏差程度较大的现象，根据筛选后的预测数据再次形成数据模型后，其准确率增加，误差大量降低，与真实数据对比更加稳定，实现在较低数据量的情况下提高预测数据的真实性的效果。

技术领域

本发明涉及数据处理和筛选领域，特别涉及一种人工智能筛选错误数据的系统及方法。

背景技术

现在越来越多的公司和科研机构开始了人工智能在药物研发领域的探索。但由于制剂的特殊性，很少有公司使用人工智能对其进行研究。制剂的辅料成分多为天然有机物，因此不同批次或不同生产商生产的辅料，实际结构也不相同。以海藻酸为例，海藻酸的相对分子质量在20000到240000之间，其分子量的不同导致其物理性质存在很大差异，影响其崩解性和粘合性。

在根据少量样本进行系统处理后，又需要针对数据构成筛选调整，特别是在实际项目中，由于实验操作有误或原辅料出现问题等情况，经常会出现偏差较大的异常数据，这个时候，对异常数据的检测就尤为重要，通常是实验数据处理中的趋势。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种人工智能筛选错误数据的系统及方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种人工智能筛选错误数据的系统，包括筛选模块，筛选模块包含有筛选处理模型、数据处理系统、正常数据和异常数据，其中筛选模块还包括BP神经网络，径向基函数RBF神经网络，P感知器神经网络，自组织神经网络，FFNN向前反馈神经网络，HN霍普菲尔神经网络，CNN卷积神经网络， RNN周期神经网络，GAN生成对抗网络，DN去卷积神经网络；

所述筛选处理模型和数据处理系统相连接，且筛选处理模型包含有正常数据和异常数据。

本发明提供了如下的第二个技术方案：

本发明还提供了这种人工智能筛选错误数据的的使用方法，步骤如下：

S1.输入数据量，在筛选处理模型中，设置一个起始训练数量，输入后，数据处理系统会对起始输入数据之后的输入数据进行预测，并与实际的输入数据进行对比，计算出F2值；

S2.设定误差区间，根据实验需求设定一个合适的F2区间为允许的误差范围；

S21.当F2不在该区间内时，数据处理系统会弹出提示，使人为操作是否将该数据剔除；

S22.当数据量很大时，人工筛选需要更多时间，可改为根据F2值自动筛选，系统将不再询问是否保留疑似错误数据，并自动删除。

作为本发明的一种优选技术方案，所述数据处理系统包含有预测模块，预测模块包含数据模型、神经网络模型、训练模型、第一优化模块、第二优化模块和辅料调整模块；

所述训练模型分别与数据模型和神经网络模型相连接，所述数据模型与第一优化模块或第二优化模块相连接，所述辅料调整模块与第一优化模块或第二优化模块相连接。

与现有技术相比，本发明的有益效果如下：

本发明主要基于系统的预测数值模型，构建针对预测数值的异常数据筛选方案，使其能够达到在较少数据量预测时，解决由于预测因素较多，预测溶出度较多，在出现异常数据后形成预测数据的偏差程度较大的现象，根据筛选后的预测数据再次形成数据模型后，其准确率增加，误差大量降低，与真实数据对比更加稳定，实现在较低数据量的情况下提高预测数据的真实性的效果。

附图说明