一种人工智能预测制剂溶出曲线并筛选错误数据的系统及方法技术方案

本发明专利技术公开了一种人工智能预测制剂溶出曲线并筛选错误数据的系统及方法，包括预测模块，其预测模块包含数据子系统、神经网络子系统和数据预测子系统，所述神经网络子系统分别与数据预测子系统和数据子系统相连接；所述神经网络子系统包含有神经网络模型构造模块和神经网络模型检验模块，所述数据预测子系统包含有辅料调整模块、第一优化模块和第二优化模块。本发明专利技术创建了一个数据预测系统及方法，其特点是可以对少量实验为基础的实验进行预测。也可以在处方内部分辅料发生改变的条件下，依然利用处方改变前的数据训练模型。然利用处方改变前的数据训练模型。然利用处方改变前的数据训练模型。

【技术实现步骤摘要】
一种人工智能预测制剂溶出曲线并筛选错误数据的系统及方法


[0001]本专利技术涉及数据处理和预测领域，特别涉及一种人工智能预测制剂溶出曲线并筛选错误数据的系统及方法。

技术介绍

[0002]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。
[0003]由于辅料间的差异及实验操作的差异，导致每次实验结果会存在些许差异。因此，当这些数据导入人工智能模型后，会出现噪音。为了解决这些噪音，提高预测的准确度，需要大量的样本量才能实现。但是问题是，当有足够数据时，往往项目也接近完成了。因此，这种预测将变得没有意义。
[0004]从而为了实现在少量数据下，模型依然满足预测需求是如今科研数据的社会趋势。

技术实现思路

[0005]本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种人工智能预测制剂溶出曲线并筛选错误数据的系统及方法。
[0006]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0007]本专利技术一种人工智能预测制剂溶出曲线并筛选错误数据的系统，包括1.预测模块，其预测模块包含数据子系统、神经网络子系统和数据预测子系统，所述神经网络子系统分别与数据预测子系统和数据子系统相连接；
[0008]所述神经网络子系统包含有神经网络模型构造模块和神经网络模型检验模块，所述数据预测子系统包含有辅料调整模块、第一优化模块和第二优化模块；
[0009]所述预测模块包含有F2算法、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循环神经网络、GAN生成对抗网络和DN去卷积神经网络。
[0010]本专利技术提供了如下的第二个技术方案：
[0011]本专利技术还提供了这种人工智能预测制剂溶出曲线并筛选错误数据的方法，具体步骤如下：
[0012]S1.建立数据模型，将大量的实验来获取训练数据，输入到计算机后，进行了标准化等数据预处理工作；
[0013]S2.建立神经网络模型，采用三层RBF神经网络作为数据筛选方法，四层基于BP算
法的神经网络作为预测方法，神经网络参数初始设定后，编制神经网络模型；
[0014]S3.利用S1中得到的数据对S2中建立的神经网络模型进行训练，并评价模型的训练效果；
[0015]S31.如果效果不理想，返回过程S2修改神经网络参数，以提高模型的非线性拟合能力；
[0016]S32.如果符合要求，结束该过程。
[0017]作为本专利技术的一种优选技术方案，在S31的数据基础上运算第一优化模块，还包含有如下步骤：
[0018]S33.根据概率统计方法，通过多次训练和预测，得到同一组输入数据的多次预测结果，将每一次训练后得到的预测结果作为一个决策树，如果符合要求则保留，不符合要求则删除；
[0019]S34.根据统计学方法，计算所有预测数据的标准差然后计算所有预测数据的平均值，如果预测值与平均值的差值的绝对值大于标准差，那么该数据将被自动删除，由此即可排除由于预测数据收敛在局部最优解时产生的异常数据，再将所有的数据计算平均值，得出一条平均值曲线，当训练预测样本量越大，该曲线的取值越稳定。
[0020]作为本专利技术的一种优选技术方案，在S31的数据基础上运算第二优化模块，还包含有如下步骤：
[0021]S35.从训练集中选取一组真实数据，作为参比数据每一次模型训练后，都对这组数据进行预测，然后将预测结果与该数据进行对比，并计算F2值；当F2小于设定值时，则认为该模型收敛在局部最优解，程序自动认定其为异常模型，并将其删除；当符合要求的模型数量达到设定值时，再对筛选后的数据求平均值，得出回归线。
[0022]作为本专利技术的一种优选技术方案，其特征在于，在第一优化模块或第二优化模块的基础上，运算辅料调整模块，具体步骤为：
[0023]将样本中的辅料占比设为参数值，然后将未添加的辅料参数设为0，与其他输入值同时输入到神经网络模型中训练。
[0024]与现有技术相比，本专利技术的有益效果如下：
[0025]本专利技术创建了一个数据预测系统及方法，其特点是可以对少量实验为基础的实验进行预测。也可以在处方内部分辅料发生改变的条件下，依然利用处方改变前的数据训练模型。
[0026]本专利技术通过采用人工智能中的机器学习方法，使用可以解决非线性问题的神经网络建立一个数学模型，使用实验数据对模型进行训练。在本专利技术中，我们将所有实验中的影响因素数据化，其中包括处方比例，制剂工艺参数，制剂设备参数，以及批量大小等。相对于传统的线性预测方法来说，本方法需要大量的已知数据进行训练，但对训练数据的要求却完全不同。本方法需要的训练数据，只要是与预测相关的制剂研发数据即可。
附图说明
[0027]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0028]图1是本专利技术的模块结构示意图；
[0029]图2是本专利技术的预测结果示意图；
[0030]图3是实施例1的流程结构示意图；
[0031]图4是实施例1的预测结果示意图；
[0032]图5是实施例2的流程结构示意图；
[0033]图6是实施例2的预测结果示意图。
具体实施方式
[0034]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0035]实施例1
[0036]如图1
‑
2所示，本专利技术提供一种人工智能预测制剂溶出曲线并筛选错误数据的系统及方法，包括1.预测模块，其预测模块包含数据子系统、神经网络子系统和数据预测子系统，所述神经网络子系统分别与数据预测子系统和数据子系统相连接；
[0037]所述神经网络子系统包含有神经网络模型构造模块和神经网络模型检验模块，所述数据预测子系统包含有辅料调整模块、第一优化模块和第二优化模块；
[0038]所述预测模块包含有F2算法、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循环神经网络、GAN生成对抗网络和DN去卷积神经网络。
[0039]本专利技术提供一种人工智能预测制剂溶出曲线并筛选错误数据的使用方法，具体步骤如下：
[0040]S1.建立数据模型，将大量的实验来获取训练数据，输入到计算机后，进行了标准化等数据预处理工作；
[0041]S2.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工智能预测制剂溶出曲线并筛选错误数据的系统，其特征在于，包括预测模块，其预测模块包含数据子系统、神经网络子系统和数据预测子系统，所述神经网络子系统分别与数据预测子系统和数据子系统相连接；所述神经网络子系统包含有神经网络模型构造模块和神经网络模型检验模块，所述数据预测子系统包含有辅料调整模块、第一优化模块和第二优化模块；所述预测模块包含有F2算法、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循环神经网络、GAN生成对抗网络和DN去卷积神经网络。2.根据权利要求1所述的一种人工智能预测制剂溶出曲线并筛选错误数据的方法，其特征在于，具体步骤如下：S1.建立数据模型，将大量的实验来获取训练数据，输入到计算机后，进行了标准化等数据预处理工作；S2.建立神经网络模型，采用三层RBF神经网络作为数据筛选方法，四层基于BP算法的神经网络作为预测方法，神经网络参数初始设定后，编制神经网络模型；S3.利用S1中得到的数据对S2中建立的神经网络模型进行训练，并评价模型的训练效果；S31.如果效果不理想，返回过程S2修改神经网络参数，以提高模型的非线性拟合能力；S32.如果符合要求，结束该过程。3.根据权利要求2所述的一种人工智能预测制剂溶出曲线并筛选错误数据的方法，其特征在于，在S31的数据基础...

【专利技术属性】
技术研发人员：王昊昱，关秋峰，陈致远，曹兆洋，李汶锦，黄亮，
申请(专利权)人：陈致远，
类型：发明
国别省市：