一种基于CNN和RF的医药仓储管理方法技术

本发明专利技术公开了一种基于CNN和RF的医药仓储管理方法。获取仓储内药品信息并赋予药品电子标签，获取各类药品的历史入库数据与出库数据，通过卷积神经网络在预设的仓储分区训练医药数据，从而预测仓储未来所需药品的数量和需求量最大的药品种类。本发明专利技术基于现有的仓储医药数量和仓储的历史数据，结合卷积神经网络和随机森林算法，能够有效预测出各个仓储分区在不同季节需要的医药数量和需求量最大的药品种类，提高仓储药品与需求的匹配度，高效利用仓储有限空间，提升仓储药品流通性。提升仓储药品流通性。提升仓储药品流通性。

【技术实现步骤摘要】
一种基于CNN和RF的医药仓储管理方法

：
[0001]本专利技术属于医药仓储管理
，特别涉及一种基于CNN和RF的医药仓储管理方法。

技术介绍
：
[0002]近年来，随着我国人口总数不断增加，老龄化趋势愈加严重，人们对社会医疗保障体系的关注度越来越高，在这种背景下，我国医药仓储管理系统近年来发展十分迅速。目前，我国医药仓储业主要有以下三个特点：第一，我国国土面积广阔，纬度跨度广，南北方对医药种类的需求差异大；第二，我国作为世界上第二大人口大国，人口基数大，对医药仓储的库存保障要求高；第三，我国对仓储技术的发展高度重视，将现代信息技术和自动化技术广泛应用于仓储行业，比如条码技术、RFID、卷积神经网络CNN、随机森林RF等技术。
[0003]卷积神经网络CNN技术发展迅速，其特征提取效率高，分类准确率也不断提高，技术已经十分成熟且高效。2012年AlexNet网络取得ImageNet比赛的分类任务的冠军，其效率远远超过其他传统方法。
[0004]医药仓储管理主要是以药品的出入库流程为核心，让药品达到供应流水线的效果，有药可存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN和RF的医药仓储管理方法，其步骤为：S01：通过实时爬虫技术获取仓储药品信息并及时更新、反馈；S02：通过One
‑
hot向量标识赋予每种药品各自的电子标签，该向量标识表示为：其中ω1、ω2、ω3…
ω
n
是一维向量，每个横向维度都表示药品的一种特征，在药品相关特征下标识为“1”并且在其他不相关的特征下标识为“0”，每个向量都可以表示一种药品的电子标签；S03：把仓库划分成若干个等面积区域，记为D
i
(i＝1,2,3
…
N),每个区域中储存着某一个地区所需要的药品；在每个区域中药品数量有X
i
个(i＝1,2,3
…
N),首先通过仓储药品信息遍历找到每个区域中某种药品数量的最大值Max(X
i
)与最小值Min(X
i
)，通过叠加N种药品数量记为总量Sum(X
i
)，该区域药品数量的平均值为Mean(X
i
)＝Sum(X
i
)/N，由于药品各个数据都处于不同的数字区间，因此要把这些区间统一成同一个标准，对每个区域中的药品数据进行归一化、标准化使药品数据都稳定在[0,1]区间内；S04：对步骤S03中各区域中药品的数据通过K
‑
means算法进行聚类，随机选取K个中心点，分别计算各个向量点到中心点的欧式距离D，以D的远近来划分药品达到聚类的标准；S05：获取各个区域中药品的历史入库数据与出库数据，经过卷积神经网络处理，对表示药品电子标签的向量进行合并得到A矩阵，对每个聚类中的药品合并为一个M阶矩阵，该M阶矩阵反映各个区域药品的数量与规模，对A矩阵与卷积核进行卷积操作得出新的系数矩阵V；S06：通过将矩阵V全连接、拉直成一维向量得出所预测结果的概率；S07：从矩阵V中选取若干个特征，通过随机抽取特征构建随机森林模型，根据每种药品被选择的概率P
i
(i＝1,2,3
……
n)，计算每颗药品决策树的熵值H；对每颗决策树熵值H最大的特征进行平均化操作，即将所有选择的特征叠加取平均值；该平均值即为本区域内需求量最大的药品种类权值，将权值向量化得出一个新的一维向量，并且只有一位是数字，其他位置...

【专利技术属性】
技术研发人员：雷桂根，雷贯英，张晓燕，
申请(专利权)人：江西药葫芦科技有限公司，
类型：发明
国别省市：