CN116597939A - 基于大数据的药品质量控制管理分析系统及方法 - Google Patents
基于大数据的药品质量控制管理分析系统及方法 Download PDFInfo
- Publication number
- CN116597939A CN116597939A CN202310872712.1A CN202310872712A CN116597939A CN 116597939 A CN116597939 A CN 116597939A CN 202310872712 A CN202310872712 A CN 202310872712A CN 116597939 A CN116597939 A CN 116597939A
- Authority
- CN
- China
- Prior art keywords
- data
- quality control
- control management
- medicine quality
- medicine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 239000003814 drug Substances 0.000 title claims abstract description 527
- 238000003908 quality control method Methods 0.000 title claims abstract description 491
- 238000004458 analytical method Methods 0.000 title claims abstract description 131
- 229940079593 drug Drugs 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000007726 management method Methods 0.000 claims abstract description 442
- 230000009467 reduction Effects 0.000 claims abstract description 105
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 238000004519 manufacturing process Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 230000010354 integration Effects 0.000 claims abstract description 22
- 238000012827 research and development Methods 0.000 claims abstract description 20
- 238000012800 visualization Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000002829 reductive effect Effects 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 37
- 238000007405 data analysis Methods 0.000 claims description 29
- 238000005516 engineering process Methods 0.000 claims description 28
- 238000003058 natural language processing Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 14
- 230000007774 longterm Effects 0.000 claims description 14
- 238000010252 digital analysis Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000011946 reduction process Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 34
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000001914 filtration Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013450 outlier detection Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009509 drug development Methods 0.000 description 2
- 229940126534 drug product Drugs 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000825 pharmaceutical preparation Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001178520 Stomatepia mongo Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- -1 media Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2219—Large Object storage; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Game Theory and Decision Science (AREA)
- Medicinal Chemistry (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数据处理技术领域，尤其涉及一种基于大数据的药品质量控制管理分析系统及方法。所述方法包括以下步骤：采集药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集；通过信息降噪算法对药品质量控制管理历史数据进行信息降噪处理；利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取；基于药品质量控制管理特征集构建深度神经网络模型，利用可视化工具对质量控制策略和管理方案进行展示，辅助药品质量控制人员做出决策。本发明能够提高药品质量控制管理的效率。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于大数据的药品质量控制管理分析系统及方法。
背景技术
药品质量控制管理分析方法是指为了保证药品的安全性、有效性、均一性、稳定性和品质优良，对药品生产过程中的各种物料、介质、中间产品、成品等进行检验、监测、评估和控制的一系列方法。药品质量控制管理分析方法不仅涉及实验室操作，还涉及一切有关生产进行及产品放行的质量决定。
随着信息技术的发展，大数据在药品质量控制管理分析中发挥了越来越重要的作用。大数据是指规模巨大、类型多样、价值密度低、时效性强的数据集合。传统的药品质量控制方法主要依赖于实验室测试和统计分析，但该类方法存在高成本、低效率的问题。
发明内容
基于此，本发明有必要提供一种基于大数据的药品质量控制管理分析方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于大数据的药品质量控制管理分析方法，包括以下步骤：
步骤S1：采集药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，得到药品质量控制管理数据；利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据；
步骤S2：通过信息降噪算法对药品质量控制管理历史数据进行信息降噪处理，以得到药品质量控制管理降噪数据；利用自然语言处理技术对药品质量控制管理降噪数据进行数字化分析，得到药品质量控制管理数字化数据；
步骤S3：利用大数据平台对药品质量控制管理数字化数据进行存储，得到药品质量控制管理数据库；利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取，得到药品质量控制管理特征集；
步骤S4：基于药品质量控制管理特征集构建深度神经网络模型，得到最优药品质量控制管理分析模型；利用最优药品质量控制管理分析模型对药品质量控制管理特征集进行数据分析，得到药品质量控制管理分析结果；
步骤S5：基于药品质量控制管理分析结果制定相应的质量控制策略和管理方案；利用可视化工具对质量控制策略和管理方案进行展示，辅助药品质量控制人员做出决策。
本发明通过采集药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，可以获得全面的药品质量控制管理数据。同时，通过历史数据回溯算法对药品质量控制管理数据进行历史数据采集，可以获取长期以来的数据记录，为后续的数据分析和建模提供基础。通过信息降噪算法对药品质量控制管理历史数据进行处理，可以去除噪声和冗余信息，提高数据的准确性和可信度。利用自然语言处理技术对降噪数据进行数字化分析，可以将文本数据转化为结构化的数字化数据，方便后续的数据处理和分析。利用大数据平台对药品质量控制管理数字化数据进行存储，可以实现数据的集中管理和高效访问。使用特征提取技术对数据进行处理，可以提取出数据中的重要特征，帮助区分不同的药品质量问题和趋势。利用大数据平台对药品质量控制管理数字化数据进行存储，可以实现数据的集中管理和高效访问。使用特征提取技术对数据进行处理，可以提取出数据中的重要特征，帮助区分不同的药品质量问题和趋势。基于药品质量控制管理分析结果，制定相应的质量控制策略和管理方案。这样可以根据分析结果提出具体的改进措施和优化方案，帮助提高药品质量的稳定性和一致性。同时，通过可视化工具对策略和方案进行展示，可以提供直观的信息，辅助决策者进行决策和监督。数据集成和历史数据采集、信息降噪和数字化分析、数据存储和特征提取、数据分析和建模，以及质量控制策略和管理方案。通过这些步骤，可以实现对药品质量的全面监控和分析，提前发现问题并采取相应的控制措施，从而保证药品的质量和安全性；可以解决传统的药品质量控制方法存在高成本、低效率的问题，降低药品质量控制管理成本，提高药品质量控制管理效率；此外，通过可视化展示，还可以辅助决策和提高决策的准确性和效率。
优选地，本发明还提供一种基于大数据的药品质量控制管理分析系统，包括：
药品数据采集回溯模块，用于采集药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，得到药品质量控制管理数据；利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据；
药品数据处理模块，用于通过信息降噪算法对药品质量控制管理历史数据进行信息降噪处理，以得到药品质量控制管理降噪数据；利用自然语言处理技术对药品质量控制管理降噪数据进行数字化分析，得到药品质量控制管理数字化数据；
药品数据特征提取模块，用于利用大数据平台对药品质量控制管理数字化数据进行存储，得到药品质量控制管理数据库；利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取，得到药品质量控制管理特征集；
药品分析模型构建模块，用于基于药品质量控制管理特征集构建深度神经网络模型，得到最优药品质量控制管理分析模型；利用最优药品质量控制管理分析模型对药品质量控制管理特征集进行数据分析，得到药品质量控制管理分析结果；
药品分析结果应用模块，用于基于药品质量控制管理分析结果制定相应的质量控制策略和管理方案；利用可视化工具对质量控制策略和管理方案进行展示，辅助药品质量控制人员做出决策。
本发明利用药品数据采集回溯模块可以集成不同来源的数据，包括药品研发数据、生产传感器数据、供应链数据和评价反馈数据。通过历史数据回溯算法，系统能够获取药品质量控制管理数据和历史数据。这样做的好处是可以获得全面且准确的数据，为后续处理和分析提供基础；利用药品数据处理模块利用信息降噪算法对历史数据进行处理，去除噪声和异常值，提高数据质量。然后通过自然语言处理技术对降噪后的数据进行分析，将其转化为数字化数据。这一过程可以减少数据的不确定性，使得后续分析更加稳定和可靠；利用药品数据处理模块利用信息降噪算法对历史数据进行处理，去除噪声和异常值，提高数据质量，然后通过自然语言处理技术对降噪后的数据进行分析，将其转化为数字化数据，这一过程可以减少数据的不确定性，使得后续分析更加稳定和可靠；药品分析模型构建模块利用特征集构建深度神经网络模型，得到最优的药品质量控制管理分析模型，利用该模型对特征集进行数据分析，可以揭示药品质量控制的关键因素和潜在影响，这有助于更好地理解药品的质量情况，并为制定相应的质量控制策略提供依据；根据药品分析结果，药品分析结果应用模块可以制定相应的质量控制策略和管理方案。通过将质量控制策略和管理方案以可视化方式展示，系统可以为药品质量控制人员提供直观的信息，帮助其做出决策并及时采取相应的措施。该系统利用大数据技术和分析方法，能够提供全面的药品质量控制管理支持。它能够提高数据质量、发现关键特征、构建优化模型并提供决策辅助，有助于提升药品质量控制的效率和准确性，减少质量风险，并增强药品生产和供应链的可靠性。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明基于大数据的药品质量控制管理分析系统及方法的步骤流程示意图；
图2为图1中步骤S1的详细步骤流程示意图；
图3为图1中步骤S2的详细步骤流程示意图；
图4为图3中步骤S22的详细步骤流程示意图；
图5为图1中步骤S3的详细步骤流程示意图；
图6为图1中步骤S4的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图6，本发明提供了一种基于大数据的药品质量控制管理分析方法，所述方法包括以下步骤：
步骤S1：采集药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，得到药品质量控制管理数据；利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据；
步骤S2：通过信息降噪算法对药品质量控制管理历史数据进行信息降噪处理，以得到药品质量控制管理降噪数据；利用自然语言处理技术对药品质量控制管理降噪数据进行数字化分析，得到药品质量控制管理数字化数据；
步骤S3：利用大数据平台对药品质量控制管理数字化数据进行存储，得到药品质量控制管理数据库；利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取，得到药品质量控制管理特征集；
步骤S4：基于药品质量控制管理特征集构建深度神经网络模型，得到最优药品质量控制管理分析模型；利用最优药品质量控制管理分析模型对药品质量控制管理特征集进行数据分析，得到药品质量控制管理分析结果；
步骤S5：基于药品质量控制管理分析结果制定相应的质量控制策略和管理方案；利用可视化工具对质量控制策略和管理方案进行展示，辅助药品质量控制人员做出决策。
本发明实施例中，参考图1所示，为本发明基于大数据的药品质量控制管理分析方法的步骤流程图，在本实施例中，所述基于大数据的药品质量控制管理分析方法的步骤包括：
步骤S1：采集药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，得到药品质量控制管理数据；利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据；
本发明实施例首先需要收集药品研发数据、药品生产传感器数据、供应链数据和评价反馈数据。这些数据来源可以包括实验室测试数据、生产过程中的传感器数据、供应链系统记录的数据以及用户反馈数据等。将这些数据进行集成，得到药品质量控制管理数据。此外，还可以利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集。这意味着回顾过去的数据记录，包括过去的药品质量控制管理数据，以获得更多的数据样本。
步骤S2：通过信息降噪算法对药品质量控制管理历史数据进行信息降噪处理，以得到药品质量控制管理降噪数据；利用自然语言处理技术对药品质量控制管理降噪数据进行数字化分析，得到药品质量控制管理数字化数据；
本发明实施例利用信息降噪算法对药品质量控制管理历史数据进行降噪处理。该算法可以帮助去除数据中的噪声和异常值，从而得到更干净、更准确的数据集。降噪后，可以应用自然语言处理技术对数据进行数字化分析，这可以涉及文本数据的文本挖掘、情感分析等技术，将数据转化为计算机可以理解和处理的数字化数据。
步骤S3：利用大数据平台对药品质量控制管理数字化数据进行存储，得到药品质量控制管理数据库；利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取，得到药品质量控制管理特征集；
本发明实施例使用大数据平台将药品质量控制管理数字化数据进行存储。大数据平台可以提供高效的数据处理和存储能力，确保数据的安全性和可访问性。通过构建药品质量控制管理数据库，可以对数据进行组织、管理和查询。同时，利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取。特征提取是从原始数据中提取出有意义、有区分性的特征，用于后续分析和建模。这些特征可以包括统计特征、频域特征、时间序列特征等，旨在捕捉数据中的关键信息。
步骤S4：基于药品质量控制管理特征集构建深度神经网络模型，得到最优药品质量控制管理分析模型；利用最优药品质量控制管理分析模型对药品质量控制管理特征集进行数据分析，得到药品质量控制管理分析结果；
本发明实施例使用大数据平台将药品质量控制管理数字化数据进行存储。大数据平台可以提供高效的数据处理和存储能力，确保数据的安全性和可访问性。通过构建药品质量控制管理数据库，可以对数据进行组织、管理和查询。同时，利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取。特征提取是从原始数据中提取出有意义、有区分性的特征，用于后续分析和建模。这些特征可以包括统计特征、频域特征、时间序列特征等，旨在捕捉数据中的关键信息。
步骤S5：基于药品质量控制管理分析结果制定相应的质量控制策略和管理方案；利用可视化工具对质量控制策略和管理方案进行展示，辅助药品质量控制人员做出决策。
本发明实施例使用大数据平台将药品质量控制管理数字化数据进行存储。大数据平台可以提供高效的数据处理和存储能力，确保数据的安全性和可访问性。通过构建药品质量控制管理数据库，可以对数据进行组织、管理和查询。同时，利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取。特征提取是从原始数据中提取出有意义、有区分性的特征，用于后续分析和建模。这些特征可以包括统计特征、频域特征、时间序列特征等，旨在捕捉数据中的关键信息。
本发明通过采集药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，可以获得全面的药品质量控制管理数据。同时，通过历史数据回溯算法对药品质量控制管理数据进行历史数据采集，可以获取长期以来的数据记录，为后续的数据分析和建模提供基础。通过信息降噪算法对药品质量控制管理历史数据进行处理，可以去除噪声和冗余信息，提高数据的准确性和可信度。利用自然语言处理技术对降噪数据进行数字化分析，可以将文本数据转化为结构化的数字化数据，方便后续的数据处理和分析。利用大数据平台对药品质量控制管理数字化数据进行存储，可以实现数据的集中管理和高效访问。使用特征提取技术对数据进行处理，可以提取出数据中的重要特征，帮助区分不同的药品质量问题和趋势。利用大数据平台对药品质量控制管理数字化数据进行存储，可以实现数据的集中管理和高效访问。使用特征提取技术对数据进行处理，可以提取出数据中的重要特征，帮助区分不同的药品质量问题和趋势。基于药品质量控制管理分析结果，制定相应的质量控制策略和管理方案。这样可以根据分析结果提出具体的改进措施和优化方案，帮助提高药品质量的稳定性和一致性。同时，通过可视化工具对策略和方案进行展示，可以提供直观的信息，辅助决策者进行决策和监督。数据集成和历史数据采集、信息降噪和数字化分析、数据存储和特征提取、数据分析和建模，以及质量控制策略和管理方案。通过这些步骤，可以实现对药品质量的全面监控和分析，提前发现问题并采取相应的控制措施，从而保证药品的质量和安全性；可以解决传统的药品质量控制方法存在高成本、低效率的问题，降低药品质量控制管理成本，提高药品质量控制管理效率；此外，通过可视化展示，还可以辅助决策和提高决策的准确性和效率。
优选地，步骤S1包括以下步骤：
步骤S11：通过设备传感器、历史数据库和应用程序接口获取药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据；
步骤S12：对药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，得到药品质量控制管理数据；
步骤S13：利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据；
其中，历史数据回溯算法的函数公式如下所示：
；
式中，为药品质量控制管理历史数据，/>为当前时间点的药品质量控制管理数据，/>为药品质量控制管理数据的数量，/>为第/>个药品质量控制管理历史数据点的时间距离当前时间点的差值，/>为第/>个药品质量控制管理历史数据点的噪声水平，/>和/>为调节三角函数周期和相位的常数，/>为第/>个药品质量控制管理历史数据的初始值，/>为药品质量控制管理历史数据点的衰减率，/>为药品质量控制管理历史数据的长期影响程度，/>为药品质量控制管理历史数据的长期影响衰减率，/>为药品质量控制管理历史数据的修正值。
作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细步骤流程示意图，在本发明实施例中步骤S1包括以下步骤：
步骤S11：通过设备传感器、历史数据库和应用程序接口获取药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据；
本发明实施例通过设备传感器、历史数据库和应用程序接口获取药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据。在药品生产过程中，可以部署各种传感器来监测环境参数和设备状态。例如，温度传感器可以监测生产区域的温度，湿度传感器可以监测湿度水平，压力传感器可以监测生产设备的压力等。通过这些传感器，可以实时收集药品生产过程中的关键数据；组织可能已经有一个历史数据库，其中存储着过去的药品研发数据、生产数据、供应链数据等。通过访问这些历史数据库，可以检索和提取需要的数据。例如，过去的研发记录、原材料采购记录、生产批次数据等；可以使用应用程序接口（API）来与外部数据源或系统进行交互，并获取相关数据；例如，可以使用供应链系统的API来获取与供应链相关的数据，如供应商信息、物流信息、库存数据等；此外，还可以使用评价反馈系统的API，获取用户评价、投诉、建议等数据。
步骤S12：对药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，得到药品质量控制管理数据；
本发明实施例需要对获取到的数据进行整合和合并，以得到一致且可用于质量控制管理的数据。这可以通过数据集成技术来实现。数据集成的过程涉及数据清洗、转换和整合。首先，需要对数据进行清洗，去除重复值、修复缺失值、处理异常值等。然后，要将不同数据源的数据进行转换和整合，统一为一致的格式和结构。例如，可以将药品研发数据、生产传感器数据、供应链数据和评价反馈数据根据药品批次或生产日期等关键属性进行关联。通过这样的数据集成，可以得到一个完整的数据集，包含了来自不同来源的关键信息，用于后续的质量控制管理。
步骤S13：利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据；
本发明实施例利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集。这意味着回顾过去的数据记录，并将其纳入到质量控制管理历史数据中。通过历史数据回溯算法，可以分析过去一段时间内的数据，了解药品质量的变化趋势、异常情况以及可能的影响因素。这对于制定质量控制策略、预测潜在问题、提升质量控制水平等方面具有重要意义。例如，可以使用回溯算法获取过去一年内的质量控制管理数据，并进行分析。这样可以发现过去一年中出现的质量问题、质量波动的原因，以及针对性的改进措施。
其中，历史数据回溯算法的函数公式如下所示：
；
式中，为药品质量控制管理历史数据，/>为当前时间点的药品质量控制管理数据，/>为药品质量控制管理数据的数量，/>为第/>个药品质量控制管理历史数据点的时间距离当前时间点的差值，/>为第/>个药品质量控制管理历史数据点的噪声水平，/>和/>为调节三角函数周期和相位的常数，/>为第/>个药品质量控制管理历史数据的初始值，/>为药品质量控制管理历史数据点的衰减率，/>为药品质量控制管理历史数据的长期影响程度，/>为药品质量控制管理历史数据的长期影响衰减率，/>为药品质量控制管理历史数据的修正值。
本发明构建了一个历史数据回溯算法的函数公式，为了对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据，该函数公式充分考虑了当前时间点的药品质量控制管理数据，药品质量控制管理数据的数量/>，第/>个药品质量控制管理历史数据点的时间距离当前时间点的差值/>，第/>个药品质量控制管理历史数据点的噪声水平/>，调节三角函数周期和相位的常数/>和/>，第/>个药品质量控制管理历史数据的初始值/>，药品质量控制管理历史数据点的衰减率/>，药品质量控制管理历史数据的长期影响程度/>，药品质量控制管理历史数据的长期影响衰减率/>，药品质量控制管理历史数据的修正值/>；通过以上参数形成了这个公式，其中，/>这一项用于计算每个历史数据点与当前时间点的差异性，通过取对数，可以减小数据的变化范围并突出特征，使数据更易于比较和分析；/>这一项是一个三角函数的导数项，用于引入周期性变化，通过调节常数/>和/>，可以控制函数的周期和相位，从而模拟历史数据中的周期性变化；/>这一项是一个指数函数的积分项，用于引入长期影响。通过参数k和μ的调节，可以控制函数的长期影响程度和衰减速率，模拟历史数据中的长期趋势。
本发明通过收集多个数据源的数据，可以获得更全面的药品质量控制管理相关信息，包括实时数据、历史数据和关联数据。通过收集多个数据源的数据，可以获得更全面的药品质量控制管理相关信息，包括实时数据、历史数据和关联数据。通过收集多个数据源的数据，可以获得更全面的药品质量控制管理相关信息，包括实时数据、历史数据和关联数据。通过数据集成，可以解决不同数据源的格式不一致、冗余及缺失等问题，确保得到一致、准确的药品质量控制管理数据集。整合后的数据集更易于操作和分析，提供了更好的数据基础，有助于进行进一步的数据挖掘、统计分析和建模工作。通过数据清洗和转换，可以识别和纠正数据中的错误、异常和缺失，提高药品质量控制管理数据的质量和可信度。历史数据回溯算法可以帮助分析历史数据的趋势和变化模式，识别周期性、季节性和长期趋势等特征，为药品质量控制管理提供预测和决策参考。通过对历史数据的回溯分析，可以检测和识别异常数据点，帮助及早发现潜在的质量问题或异常情况，并采取相应的措施进行调整和改进。基于历史数据回溯算法和模型，在已有数据的基础上可以进行未来数据的预测和模拟，为药品质量控制管理的决策提供参考。在这以步骤在，获取全面、准确的药品质量控制管理数据，提高数据的适用性、质量和预测能力，为药品质量控制管理的决策和改进提供科学依据。
优选地，步骤S2包括以下步骤：
步骤S21：对药品质量控制管理历史数据进行数据预处理，得到药品质量控制管理待降噪数据；
步骤S22：通过信息降噪算法对药品质量控制管理待降噪数据进行信息降噪处理，以得到药品质量控制管理降噪数据；
步骤S23：利用自然语言处理技术对药品质量控制管理降噪数据进行数字化分析，得到药品质量控制管理数字化数据。
作为本发明的一个实施例，参考图3所示，为图1中步骤S2的详细步骤流程示意图，在本发明实施例中步骤S2包括以下步骤：
步骤S21：对药品质量控制管理历史数据进行数据预处理，得到药品质量控制管理待降噪数据；
本发明实施例在数据分析之前对原始数据进行清洗、转换和集成的过程。在药品质量控制管理中，数据预处理的目标是去除噪声、处理缺失值、解决异常值等，以提升数据质量和可用性。数据预处理的一般步骤包括数据清洗、数据转换和数据集成。数据清洗阶段用于去除重复值、处理缺失值和异常值。数据转换阶段涉及数据格式转换、规范化和归一化等。数据集成阶段将来自不同数据源的数据进行整合和合并，生成一致的数据集。通过数据预处理，可以得到质量控制管理的待降噪数据，即经过清洗、转换和集成的数据集。
步骤S22：通过信息降噪算法对药品质量控制管理待降噪数据进行信息降噪处理，以得到药品质量控制管理降噪数据；
本发明实施例通过信息降噪算法，可以对待降噪数据进行处理，减少噪声的影响，提升数据质量。常用的信息降噪算法包括滤波、插值和回归等。滤波算法可以通过滑动窗口或统计方法来平滑数据并去除噪声；插值算法可以根据已有的数据点来估计缺失值。回归算法可以通过建立数学模型来预测或修复异常值。通过应用适当的信息降噪算法，可以对药品质量控制管理的待降噪数据进行降噪处理，得到更准确、可靠的数据集。
步骤S23：利用自然语言处理技术对药品质量控制管理降噪数据进行数字化分析，得到药品质量控制管理数字化数据。
本发明实施例为了从这些文本数据中提取有用信息，可以利用自然语言处理(NLP)技术对降噪数据进行数字化分析；自然语言处理技术可以帮助理解和解释文本数据，并将其转化为结构化或数字化的数据；常见的NLP技术包括文本分词、命名实体识别、情感分析、主题建模等。通过应用NLP技术，可以对药品质量控制管理的降噪数据进行分析，提取出关键信息，如关键词、实体、情感倾向、主题等，以得到数字化的数据表示。
本发明对收集到的药品质量控制管理历史数据进行预处理，主要包括数据清洗、数据转换和数据归一化等操作。数据清洗旨在检测和纠正数据中的错误、异常和缺失，使数据质量更好。数据转换涉及将数据转换为合适的格式或形式，以便后续处理。数据归一化用于规范化数据的尺度和范围，以消除不同属性的度量单位差异。数据预处理有助于识别和纠正数据中的错误、异常和缺失，提高药品质量控制管理数据的准确性和可靠性，减少后续处理中可能引入的偏差。数据预处理有助于识别和纠正数据中的错误、异常和缺失，提高药品质量控制管理数据的准确性和可靠性，减少后续处理中可能引入的偏差。预处理后的数据更易于操作和分析，为后续的信息降噪和数字化分析提供更好的数据基础。采用信息降噪算法对待降噪数据进行处理，以消除噪声、异常和不必要的信息。信息降噪算法可以使用各种技术，如滤波、插值、异常值检测和修复等，对数据进行清理和修复，使其更加可靠和准确。采用信息降噪算法对待降噪数据进行处理，以消除噪声、异常和不必要的信息。信息降噪算法可以使用各种技术，如滤波、插值、异常值检测和修复等，对数据进行清理和修复，使其更加可靠和准确。采用信息降噪算法对待降噪数据进行处理，以消除噪声、异常和不必要的信息。信息降噪算法可以使用各种技术，如滤波、插值、异常值检测和修复等，对数据进行清理和修复，使其更加可靠和准确。自然语言处理技术可以包括文本分析、实体识别、情感分析、关键词提取等技术，用于处理和提取文字和文本信息中的有用数据。将降噪数据转化为数字化数据后，可以更方便地阅读、查询和检索，提高了数据的可读性和可搜索性。通过自然语言处理技术的应用，可以揭示降噪数据中隐藏的信息、关联和模式，为药品质量控制管理提供深入的洞察和发现。
优选地，步骤S22包括以下步骤：
步骤S221：通过信息降噪算法对药品质量控制管理待降噪数据进行信息降噪处理，得到药品质量控制管理噪声值；
其中，信息降噪算法的函数公式如下所示：
；
式中，为第/>个药品质量控制管理噪声值，/>为药品质量控制管理待降噪数据的数量，/>为每个药品质量控制管理待降噪数据包含的数据点数量，/>和/>为第个药品质量控制管理待降噪数据中的第k个数据点对应的特征值，/>和/>为调节各个特征值在降噪过程中的权重因子，/>为积分变量；/>为药品质量控制管理噪声值的修正值；
步骤S222：根据预设的药品质量控制管理噪声阈值对药品质量控制管理噪声值进行判断，若药品质量控制管理噪声值大于或等于预设的药品质量控制管理噪声阈值时，则剔除该药品质量控制管理噪声值对应的药品质量控制管理待降噪数据，得到药品质量控制管理降噪数据；
步骤S223：根据预设的药品质量控制管理噪声阈值对药品质量控制管理噪声值进行判断，若药品质量控制管理噪声值小于预设的药品质量控制管理噪声阈值时，则将药品质量控制管理待降噪数据定义为药品质量控制管理降噪数据。
作为本发明的一个实施例，参考图4所示，为图3中步骤S22的详细步骤流程示意图，在本发明实施例中步骤S22包括以下步骤：
步骤S221：通过信息降噪算法对药品质量控制管理待降噪数据进行信息降噪处理，得到药品质量控制管理噪声值；
本发明实施例信息降噪算法被应用于药品质量控制管理待降噪数据，目的是减少数据中的噪声并提高数据的准确性和质量。信息降噪算法的选择取决于数据类型和特征；常用的信息降噪算法包括均值滤波、中值滤波、高斯滤波等。这些算法可以应用于时域或频域，根据数据的特点选择适当的方法进行降噪；通过应用信息降噪算法，可以得到药品质量控制管理噪声值，即噪声的估计或测量值。这些噪声值可以用于后续步骤的进一步处理。
其中，信息降噪算法的函数公式如下所示：
；
式中，为第/>个药品质量控制管理噪声值，/>为药品质量控制管理待降噪数据的数量，/>为每个药品质量控制管理待降噪数据包含的数据点数量，/>和/>为第个药品质量控制管理待降噪数据中的第k个数据点对应的特征值，/>和/>为调节各个特征值在降噪过程中的权重因子，/>为积分变量；/>为药品质量控制管理噪声值的修正值；
本发明构建了一个信息降噪算法的函数公式，为了对药品质量控制管理待降噪数据进行信息降噪处理，得到药品质量控制管理噪声值；通过将每个数据点的特征值加权求和，并考虑各个特征值和噪声对降噪结果的影响，从而估计药品质量控制管理待降噪数据的噪声水平。最终，通过加入修正项对噪声估计进行校准。信息降噪的目标是提高药品质量控制管理数据的准确性和可靠性；药品质量控制管理待降噪数据的数量/>，每个药品质量控制管理待降噪数据包含的数据点数量/>，第/>个药品质量控制管理待降噪数据中的第k个数据点对应的特征值/>和/>，调节各个特征值在降噪过程中的权重因子/>和/>；积分变量/>；药品质量控制管理噪声值的修正值/>；通过这些参数形成了关联关系，其中是特征值的加权和；/>是药品质量控制管理噪声值的修正值，它用于校正噪声估计，并可以根据需要进一步调整降噪结果。
步骤S222：根据预设的药品质量控制管理噪声阈值对药品质量控制管理噪声值进行判断，若药品质量控制管理噪声值大于或等于预设的药品质量控制管理噪声阈值时，则剔除该药品质量控制管理噪声值对应的药品质量控制管理待降噪数据，得到药品质量控制管理降噪数据；
本发明实施例根据预设的药品质量控制管理噪声阈值，对药品质量控制管理噪声值进行判断。如果药品质量控制管理噪声值大于或等于预设的阈值，表示该数据受到严重噪声的影响，因此需要将该数据从药品质量控制管理待降噪数据中剔除。剔除噪声值对应的数据可以通过删除、标记或替换的方式进行。剔除后，得到的数据即为药品质量控制管理降噪数据。
步骤S223：根据预设的药品质量控制管理噪声阈值对药品质量控制管理噪声值进行判断，若药品质量控制管理噪声值小于预设的药品质量控制管理噪声阈值时，则将药品质量控制管理待降噪数据定义为药品质量控制管理降噪数据。
本发明实施例对药品质量控制管理噪声值进行判断，如果药品质量控制管理噪声值小于预设的阈值，表示该数据受到较小的噪声影响，因此可以将该数据定义为药品质量控制管理降噪数据，药品质量控制管理待降噪数据在此步骤中不需要进行删除或修改，而是将其直接定义为降噪后的数据。
本发明通过应用信息降噪算法对待降噪数据进行处理，可以减少或消除数据中的噪声成分。通过降噪算法，可以对数据进行适当的平滑、过滤或去除异常值等操作，以提高数据的准确性和可靠性。降噪处理使得数据更接近真实信号，更利于后续分析和判断。对降噪后的数据进行质量判断，筛选出符合预设噪声阈值的数据。如果经过降噪后的数据的噪声水平超过了预设阈值，那么可以认为该数据的可靠性不足或受到较高干扰，因此应该剔除这些数据，以避免对后续分析和决策产生不良影响。如果经过降噪后的数据的噪声水平低于预设阈值，说明降噪处理已经有效地减小了数据中的噪声，使得数据达到了所要求的质量标准。这意味着经过降噪后的数据可以被视为药品质量控制管理的降噪数据，可用于后续的质量分析和决策过程。通过信息降噪算法对待降噪数据进行处理，排除高噪声水平的数据以及保留低噪声水平的数据。这样可以提高数据质量，减少噪声对药品质量控制管理的影响，增强数据的可靠性，从而更好地支持后续的药品质量分析、预测和决策。
优选地，步骤S3包括以下步骤：
步骤S31：选择MongoDB大数据平台创建MongoDB数据库；
步骤S32：将药品质量控制管理数字化数据储存进MongoDB数据库，得到药品质量控制管理数据库；
步骤S33：对药品质量控制管理数据库中的数据进行特征提取和特征选择，得到药品质量控制管理特征集。
作为本发明的一个实施例，参考图5所示，为图1中步骤S3的详细步骤流程示意图，在本发明实施例中步骤S3包括以下步骤：
步骤S31：选择MongoDB大数据平台创建MongoDB数据库；
本发明实施例择MongoDB作为大数据平台，并创建一个新的MongoDB数据库用于存储药品质量控制管理的数字化数据。MongoDB是一个开源的、高性能的非关系型数据库，适用于存储和处理大规模数据；可以根据自己的需求选择MongoDB的版本和配置方式。
步骤S32：将药品质量控制管理数字化数据储存进MongoDB数据库，得到药品质量控制管理数据库；
本发明实施例将药品质量控制管理的数字化数据存储进已创建的MongoDB数据库中。这些数字化数据可以来自各种来源，如传感器数据、实验记录、质量检测结果等。存储数据到MongoDB数据库可以使用MongoDB提供的驱动程序或者API，需要连接到MongoDB数据库，并执行插入操作将数字化数据保存为文档的形式。每个文档可以用JSON格式表示，其中包含与药品质量控制管理相关的数据字段。
步骤S33：对药品质量控制管理数据库中的数据进行特征提取和特征选择，得到药品质量控制管理特征集。
本发明实施例针对药品质量控制管理数据库中的数据，进行特征提取和特征选择的操作，以获得最相关和有意义的特征集合。特征提取是指从原始数据中提取出具有代表性和区分性的特征。这可以通过各种技术和算法来完成，如统计方法、信号处理技术、机器学习等。目标是寻找那些能够最好地描述和区分不同药品质量特征的特征。特征选择是指从提取的特征集中选择最相关和最具有预测能力的特征子集。这可以通过评估特征与目标变量之间的相关性、使用降维技术如主成分分析等进行。目标是减少数据维度、消除冗余特征并提高模型的性能和解释能力。
本发明选择MongoDB大数据平台创建MongoDB数据库的有益效果在于提供一个高性能、可扩展且灵活的数据库解决方案；MongoDB采用基于内存的数据管理方式和索引技术，在数据读取和写入方面具有较高的性能。它还支持水平扩展，可以通过增加服务器节点来提高整体数据库性能。MongoDB具有良好的可扩展性，可以根据需要扩展数据库的存储容量和吞吐量。通过添加更多的节点，可以有效地处理大规模的数据量和并发访问。MongoDB的文档型数据模型非常灵活，可以存储具有不同结构的数据。对于药品质量控制管理，可能存在不同类型的数据，如药品批次信息、质检结果、生产工艺参数等。MongoDB能够以文档的形式存储这些数据，适应不同的数据类型和结构变化。特征提取和特征选择可以从原始数据中提取出最相关、最具有代表性的特征，从而减少数据集的维度。这有助于降低计算复杂度，提高模型的训练和预测效率。通过选择最相关的特征，可以减少非相关和冗余信息对预测模型的干扰，并提高预测准确性。只选择最重要的特征可以降低模型的复杂度，减少过拟合的风险。选择有意义的特征可以使模型的结果更具解释性。药品质量控制管理中，对于特定的质量指标或影响因素，选择相关的特征可以帮助分析人员更好地理解和解释模型的结果，提取有关质量问题的信息。
优选地，步骤S33包括以下步骤：
利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取，得到药品质量控制管理原始特征集；
本发明实施例从药品质量控制管理数据库中获取原始数据集。这可能包括药品的物理性质、成分含量、生产工艺参数等信息，接下来，根据具体的问题和数据特点，选择适当的特征提取技术。常用的特征提取方法包括：统计特征提取：例如平均值、标准差、最大值、最小值、峰度、偏度等统计量；频域特征提取：例如傅里叶变换、小波变换等用于提取频域的特征；时域特征提取：例如自相关函数、差分函数等用于提取时域的特征；图像特征提取：如果数据包含图像信息，可以使用图像处理技术提取纹理特征、形状特征等；基于机器学习的特征提取：利用机器学习方法，如主成分分析（PCA）、线性判别分析（LDA）等来提取最相关的特征。
利用相关性特征选择技术对药品质量控制管理原始特征集进行筛选，得到药品质量控制管理特征集。
本发明实施例在得到药品质量控制管理原始特征集后，可以通过相关性特征选择方法进一步筛选，首先，计算每个特征与目标变量（例如药品质量指标）之间的相关性。常用的相关性度量包括皮尔逊相关系数、互信息、卡方检验等。根据相关性程度，选择与目标变量高度相关的特征。还可以使用统计测试或模型建设来确定特征的重要性，并进一步筛选出对目标变量具有显著影响的特征。同时，要考虑特征之间的相关性，避免冗余特征，可以使用技术如方差膨胀因子来评估特征之间的多重共线性。
本发明通过特征提取技术可以从原始数据中提取出最具有代表性和相关性的特征，从而降低数据的维度，并减少计算和存储成本；特征提取技术有助于保留原始数据中最重要的信息。通过选择具有显著变化和相关性的特征，特征提取可以捕捉到对药品质量相关的关键特征，以支持后续的质量分析和控制决策；特征提取技术有助于保留原始数据中最重要的信息。通过选择具有显著变化和相关性的特征，特征提取可以捕捉到对药品质量相关的关键特征，以支持后续的质量分析和控制决策。相关性特征选择可以帮助筛选出与目标变量高度相关的特征，将注意力集中在最具信息量的特征上，减少特征空间的复杂性；通过相关性特征选择，得到的特征集合更具有解释性和可解释性。选择与药品质量控制管理目标最相关的特征可以提供更直观的解释和理解对质量指标的影响因素，有助于决策者更好地理解质量控制过程；通过相关性特征选择，得到的特征集合更具有解释性和可解释性。选择与药品质量控制管理目标最相关的特征可以提供更直观的解释和理解对质量指标的影响因素，有助于决策者更好地理解质量控制过程。
优选地，步骤S4包括以下步骤：
步骤S41：将药品质量控制管理特征集划分为训练数据集、验证数据集和测试数据集；
步骤S42：构建基于深度学习的循环神经网络的药品质量控制管理分析模型，其中药品质量控制管理分析模型包括模型训练、模型验证和模型评估；
步骤S43：将训练数据集输入至构建的药品质量控制管理分析模型，并利用数据分析损失函数对模型参数进行调优处理，得到验证模型；利用验证模型对验证数据集进行模型验证，以得到测试模型；
步骤S44：利用测试模型对测试数据集进行模型评估，得到最优药品质量控制管理分析模型；并将药品质量控制管理特征集重新输入至药品质量控制管理分析模型进行数据分析，得到药品质量控制管理分析结果。
作为本发明的一个实施例，参考图6所示，为图1中步骤S4的详细步骤流程示意图，在本发明实施例中步骤S4包括以下步骤：
步骤S41：将药品质量控制管理特征集划分为训练数据集、验证数据集和测试数据集；
本发明实施例首先确定数据集划分的比例，例如常用的是将数据集划分为70%的训练集、15%的验证集、15%的测试集，随机将数据集按照指定比例划分为训练集、验证集和测试集，确保数据的随机性和代表性。
步骤S42：构建基于深度学习的循环神经网络的药品质量控制管理分析模型，其中药品质量控制管理分析模型包括模型训练、模型验证和模型评估；
本发明实施例选择合适的深度学习框架，如TensorFlow、PyTorch等；定义循环神经网络（RNN）的结构，包括输入层、隐藏层和输出层的设置；根据具体需求选择相应的RNN变体，如长短时记忆网络（LSTM）或门控循环单元（GRU）；定义模型的损失函数，如均方误差（MSE）或交叉熵损失等，以及优化算法，如随机梯度下降（SGD）、Adam等；进行模型的训练，将训练数据集输入模型，通过反向传播进行参数更新，迭代优化模型；在训练过程中，可以采用验证数据集进行模型验证，监控模型的性能和泛化能力。
步骤S43：将训练数据集输入至构建的药品质量控制管理分析模型，并利用数据分析损失函数对模型参数进行调优处理，得到验证模型；利用验证模型对验证数据集进行模型验证，以得到测试模型；
本发明实施例将训练数据集按批次输入到药品质量控制管理分析模型中，利用前向传播计算模型的输出结果；计算模型预测结果与实际值之间的损失，使用该损失函数进行反向传播和参数更新；重复多次迭代，直到模型收敛或达到停止条件；使用验证数据集对训练过程中的模型进行验证，评估模型的性能和泛化能力。
步骤S44：利用测试模型对测试数据集进行模型评估，得到最优药品质量控制管理分析模型；并将药品质量控制管理特征集重新输入至药品质量控制管理分析模型进行数据分析，得到药品质量控制管理分析结果。
本发明实施例使用测试数据集评估模型性能，比较模型预测结果与测试集实际值，计算各种评估指标，如准确率、召回率、F1-score等；根据评估结果选择最优模型，可以考虑选择具有最高准确率或最小损失的模型；使用最优模型对新数据进行预测和数据分析，将药品质量控制管理特征集输入到模型中，获取相应的分析结果。
本发明将数据划分为训练、验证和测试集有助于评估模型的泛化能力。训练数据集用于训练模型参数，验证数据集用于调整模型的超参数和选择最佳模型，而测试数据集用于评估模型在新数据上的性能。这样可以更准确地估计模型在真实环境中的表现能力。通过将数据集进行划分，可以减少模型对训练数据过拟合的风险。使用独立的验证数据集进行模型选择和调优，可以防止模型过度拟合训练数据，并选择更具泛化能力的模型。测试数据集用于最终评估模型的性能，确保模型在未见过的数据上的表现良好。将数据集划分为训练和验证集可以用于模型参数的调优。通过反复训练模型并在验证集上评估性能，可以根据验证集的表现来调整模型的参数，优化模型的性能和预测能力。药品质量控制管理数据往往包含时间相关的信息，例如质量指标的趋势和周期性变化。基于深度学习的循环神经网络能够捕捉时间序列数据中的时序依赖关系，提高模型对数据的理解和建模能力。深度学习模型具有较强的自适应能力，能够根据数据的特征自动学习适合的表示和模型结构。对于药品质量控制管理分析，深度学习模型可以从大规模数据中学习复杂的特征表示，提高模型对数据的抽象和理解能力，更好地捕捉数据中隐藏的特征和模式。通过深度学习的循环神经网络，可以建立复杂的非线性模型，从而更好地对高维数据进行建模和预测。这有助于提高药品质量控制管理分析模型的准确性和预测能力。通过使用训练数据集和数据分析损失函数，可以对药品质量控制管理分析模型的参数进行调优。模型通过反向传播算法和梯度下降优化方法，最小化损失函数，使模型能够更好地拟合训练数据，提高模型的预测准确性。通过比较不同模型的性能，可以选择具有较好性能和泛化能力的模型，避免模型过度拟合或欠拟合。通过比较不同模型的性能，可以选择具有较好性能和泛化能力的模型，避免模型过度拟合或欠拟合。通过使用独立的测试数据集对模型进行评估，可以提供对模型在未知数据上的性能的准确评估。这帮助我们了解模型的真实预测能力，验证模型在实际应用中的效果和准确性。通过使用独立的测试数据集对模型进行评估，可以提供对模型在未知数据上的性能的准确评估。这帮助我们了解模型的真实预测能力，验证模型在实际应用中的效果和准确性。将药品质量控制管理特征集输入到最优模型中进行数据分析，可以得到药品质量控制管理的分析结果。这些结果可以提供对药品质量的评估、预测或问题识别，支持质量管理决策的制定和优化。
优选地，步骤S43中的数据分析损失函数的算法公式如下所示：
；
式中，为数据分析损失函数，/>为药品质量控制管理分析模型参数，/>为训练数据集中的数据数量，/>是第q个训练数据的真实值，/>为第/>个训练数据的特征向量，/>为药品质量控制管理分析模型偏置，/>为自然对数，/>为正则化参数，/>为药品质量控制管理分析模型参数的平方范数，/>为数据分析损失函数的修正值。
本发明构建了一个数据分析损失函数的算法公式，用于评估药品质量控制管理分析模型的性能，该公式充分考虑了药品质量控制管理分析模型参数，训练数据集中的数据数量/>，第q个训练数据的真实值/>，第/>个训练数据的特征向量/>，药品质量控制管理分析模型偏置/>，自然对数/>，正则化参数/>，药品质量控制管理分析模型参数的平方范数/>，数据分析损失函数的修正值/>；通过这些参数形成了关联关系，其中/>这一项表示对所有训练样本进行求和并取平均，对于每个训练样本，它首先计算一个逻辑回归函数，使用模型参数/>、特征向量/>和偏置c来估计样本的输出，该逻辑回归函数的输出值被用作/>函数的输入，将其转换为0到1之间的概率值，对数函数被用于损失函数的计算。当真实标签/>为1时，/>的值将变为负无穷大，激励函数的输出越接近1，损失就越小，反之亦然，目标是最小化预测概率与真实标签之间的差距；/>这项是正则化项，用于控制模型的复杂度，表示参数/>的平方范数（即参数的平方和），它衡量了模型的复杂性，乘以/>是为了平衡正则化项的影响，目标是尽量减小模型的复杂度，避免过拟合。数据分析损失函数的目标是通过最小化预测误差和正则化项来优化模型参数/>，从而提高模型的拟合能力和泛化能力；预测误差被衡量为真实标签和模型预测标签之间的差异，正则化项用于控制模型的复杂度，修正值/>用于数值稳定性；这样的损失函数设计旨在求解药品质量控制管理分析模型的参数，使其能够在训练数据上获得较低的损失，并具有良好的泛化能力。
优选地，步骤S5包括以下步骤：
基于药品质量控制管理分析结果制定相应的质量控制策略和管理方案；
本发明实施例分析药品质量控制管理分析结果，了解存在的问题和潜在风险，根据分析结果，制定相应的质量控制策略，包括监测指标、限制范围、采样频率等；设计质量管理方案，明确质量控制的具体措施和流程，包括采样方法、检测方法、记录和报告要求等；考虑制定相应的纠正措施和预防措施，以应对潜在的质量问题。
利用可视化工具对质量控制策略和管理方案进行展示，辅助药品质量控制人员做出相应决策。
本发明实施例选择合适的可视化工具，如Tableau、Power BI、Matplotlib等，根据需要和数据类型进行选择；根据质量控制策略和管理方案的关键指标和要素，设计相应的可视化图表，如折线图、柱状图、热力图、散点图等；使用可视化工具将相关数据导入，并通过设置图表参数、数据筛选、交互功能等功能进行展示；考虑设计仪表盘或报告，将多个图表和指标整合在一起，以便药品质量控制人员综合查看和分析；提供交互性功能，使用户可以根据需要进行数据筛选、切换不同的数据视图或时间范围，以便做出相应的决策。
本发明为了辅助药品质量控制人员做出相应决策，可使用可视化工具对质量控制策略和管理方案进行展示。这些工具可以根据实际情况和需要，将数据、模型参数和质量控制指标可视化呈现，帮助人员理解和分析质量数据、监测过程和异常情况。可视化工具可以采用图表、仪表盘、实时监控等形式，通过直观的方式展示数据和结果，使质量控制人员能够更好地理解质量情况，并采取相应的行动。
优选地，本发明还提供一种基于大数据的药品质量控制管理分析系统，包括：
药品数据采集回溯模块，用于采集药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，得到药品质量控制管理数据；利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据；
药品数据处理模块，用于通过信息降噪算法对药品质量控制管理历史数据进行信息降噪处理，以得到药品质量控制管理降噪数据；利用自然语言处理技术对药品质量控制管理降噪数据进行数字化分析，得到药品质量控制管理数字化数据；
药品数据特征提取模块，用于利用大数据平台对药品质量控制管理数字化数据进行存储，得到药品质量控制管理数据库；利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取，得到药品质量控制管理特征集；
药品分析模型构建模块，用于基于药品质量控制管理特征集构建深度神经网络模型，得到最优药品质量控制管理分析模型；利用最优药品质量控制管理分析模型对药品质量控制管理特征集进行数据分析，得到药品质量控制管理分析结果；
药品分析结果应用模块，用于基于药品质量控制管理分析结果制定相应的质量控制策略和管理方案；利用可视化工具对质量控制策略和管理方案进行展示，辅助药品质量控制人员做出决策。
本发明利用药品数据采集回溯模块可以集成不同来源的数据，包括药品研发数据、生产传感器数据、供应链数据和评价反馈数据。通过历史数据回溯算法，系统能够获取药品质量控制管理数据和历史数据。这样做的好处是可以获得全面且准确的数据，为后续处理和分析提供基础；利用药品数据处理模块利用信息降噪算法对历史数据进行处理，去除噪声和异常值，提高数据质量。然后通过自然语言处理技术对降噪后的数据进行分析，将其转化为数字化数据。这一过程可以减少数据的不确定性，使得后续分析更加稳定和可靠；利用药品数据处理模块利用信息降噪算法对历史数据进行处理，去除噪声和异常值，提高数据质量，然后通过自然语言处理技术对降噪后的数据进行分析，将其转化为数字化数据，这一过程可以减少数据的不确定性，使得后续分析更加稳定和可靠；药品分析模型构建模块利用特征集构建深度神经网络模型，得到最优的药品质量控制管理分析模型，利用该模型对特征集进行数据分析，可以揭示药品质量控制的关键因素和潜在影响，这有助于更好地理解药品的质量情况，并为制定相应的质量控制策略提供依据；根据药品分析结果，药品分析结果应用模块可以制定相应的质量控制策略和管理方案。通过将质量控制策略和管理方案以可视化方式展示，系统可以为药品质量控制人员提供直观的信息，帮助其做出决策并及时采取相应的措施。该系统利用大数据技术和分析方法，能够提供全面的药品质量控制管理支持。它能够提高数据质量、发现关键特征、构建优化模型并提供决策辅助，有助于提升药品质量控制的效率和准确性，减少质量风险，并增强药品生产和供应链的可靠性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于大数据的药品质量控制管理分析方法，其特征在于，包括以下步骤：
步骤S1：采集药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，得到药品质量控制管理数据；利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据；
步骤S2：通过信息降噪算法对药品质量控制管理历史数据进行信息降噪处理，以得到药品质量控制管理降噪数据；利用自然语言处理技术对药品质量控制管理降噪数据进行数字化分析，得到药品质量控制管理数字化数据；
步骤S3：利用大数据平台对药品质量控制管理数字化数据进行存储，得到药品质量控制管理数据库；利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取，得到药品质量控制管理特征集；
步骤S4：基于药品质量控制管理特征集构建深度神经网络模型，得到最优药品质量控制管理分析模型；利用最优药品质量控制管理分析模型对药品质量控制管理特征集进行数据分析，得到药品质量控制管理分析结果；
步骤S5：基于药品质量控制管理分析结果制定相应的质量控制策略和管理方案；利用可视化工具对质量控制策略和管理方案进行展示，辅助药品质量控制人员做出决策。
2.根据权利要求1所述的基于大数据的药品质量控制管理分析方法，其特征在于，步骤S1包括以下步骤：
步骤S11：通过设备传感器、历史数据库和应用程序接口获取药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据；
步骤S12：对药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，得到药品质量控制管理数据；
步骤S13：利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据；
其中，历史数据回溯算法的函数公式如下所示：
；
式中，为药品质量控制管理历史数据，/>为当前时间点的药品质量控制管理数据，/>为药品质量控制管理数据的数量，/>为第/>个药品质量控制管理历史数据点的时间距离当前时间点的差值，/>为第/>个药品质量控制管理历史数据点的噪声水平，/>和/>为调节三角函数周期和相位的常数，/>为第/>个药品质量控制管理历史数据的初始值，/>为药品质量控制管理历史数据点的衰减率，/>为药品质量控制管理历史数据的长期影响程度，/>为药品质量控制管理历史数据的长期影响衰减率，/>为药品质量控制管理历史数据的修正值。
3.根据权利要求2所述的基于大数据的药品质量控制管理分析方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对药品质量控制管理历史数据进行数据预处理，得到药品质量控制管理待降噪数据；
步骤S22：通过信息降噪算法对药品质量控制管理待降噪数据进行信息降噪处理，以得到药品质量控制管理降噪数据；
步骤S23：利用自然语言处理技术对药品质量控制管理降噪数据进行数字化分析，得到药品质量控制管理数字化数据。
4.根据权利要求3所述的基于大数据的药品质量控制管理分析方法，其特征在于，步骤S22包括以下步骤：
步骤S221：通过信息降噪算法对药品质量控制管理待降噪数据进行信息降噪处理，得到药品质量控制管理噪声值；
其中，信息降噪算法的函数公式如下所示：
；
式中，为第/>个药品质量控制管理噪声值，/>为药品质量控制管理待降噪数据的数量，/>为每个药品质量控制管理待降噪数据包含的数据点数量，/>和/>为第/>个药品质量控制管理待降噪数据中的第k个数据点对应的特征值，/>和/>为调节各个特征值在降噪过程中的权重因子；/>为积分变量；/>为药品质量控制管理噪声值的修正值；
步骤S222：根据预设的药品质量控制管理噪声阈值对药品质量控制管理噪声值进行判断，若药品质量控制管理噪声值大于或等于预设的药品质量控制管理噪声阈值时，则剔除该药品质量控制管理噪声值对应的药品质量控制管理待降噪数据，得到药品质量控制管理降噪数据；
步骤S223：根据预设的药品质量控制管理噪声阈值对药品质量控制管理噪声值进行判断，若药品质量控制管理噪声值小于预设的药品质量控制管理噪声阈值时，则将药品质量控制管理待降噪数据定义为药品质量控制管理降噪数据。
5.根据权利要求4所述的基于大数据的药品质量控制管理分析方法，其特征在于，步骤S3包括以下步骤：
步骤S31：选择MongoDB大数据平台创建MongoDB数据库；
步骤S32：将药品质量控制管理数字化数据储存进MongoDB数据库，得到药品质量控制管理数据库；
步骤S33：对药品质量控制管理数据库中的数据进行特征提取和特征选择，得到药品质量控制管理特征集。
6.根据权利要求5所述的基于大数据的药品质量控制管理分析方法，其特征在于，步骤S33包括以下步骤：
利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取，得到药品质量控制管理原始特征集；
利用相关性特征选择技术对药品质量控制管理原始特征集进行筛选，得到药品质量控制管理特征集。
7.根据权利要求6所述的基于大数据的药品质量控制管理分析方法，其特征在于，步骤S4包括以下步骤：
步骤S41：将药品质量控制管理特征集划分为训练数据集、验证数据集和测试数据集；
步骤S42：构建基于深度学习的循环神经网络的药品质量控制管理分析模型，其中药品质量控制管理分析模型包括模型训练、模型验证和模型评估；
步骤S43：将训练数据集输入至构建的药品质量控制管理分析模型，并利用数据分析损失函数对模型参数进行调优处理，得到验证模型；利用验证模型对验证数据集进行模型验证，以得到测试模型；
步骤S44：利用测试模型对测试数据集进行模型评估，得到最优药品质量控制管理分析模型；并将药品质量控制管理特征集重新输入至药品质量控制管理分析模型进行数据分析，得到药品质量控制管理分析结果。
8.根据权利要求7所述的基于大数据的药品质量控制管理分析方法，其特征在于，步骤S43中的数据分析损失函数的算法公式如下所示：
；
式中，为数据分析损失函数，/>为药品质量控制管理分析模型参数，/>为训练数据集中的数据数量，/>是第q个训练数据的真实值，/>为第/>个训练数据的特征向量，/>为药品质量控制管理分析模型偏置，/>为自然对数，/>为正则化参数，/>为药品质量控制管理分析模型参数的平方范数，/>为数据分析损失函数的修正值。
9.根据权利要求8所述的基于大数据的药品质量控制管理分析方法，其特征在于，步骤S5包括以下步骤：
基于药品质量控制管理分析结果制定相应的质量控制策略和管理方案；
利用可视化工具对质量控制策略和管理方案进行展示，辅助药品质量控制人员做出相应决策。
10.一种基于大数据的药品质量控制管理分析系统，其特征在于，包括：
药品数据采集回溯模块，用于采集药品研发数据、药品生产传感器数据、供应链数据及评价反馈数据进行数据集成，得到药品质量控制管理数据；利用历史数据回溯算法对药品质量控制管理数据进行历史数据采集，得到药品质量控制管理历史数据；
药品数据处理模块，用于通过信息降噪算法对药品质量控制管理历史数据进行信息降噪处理，以得到药品质量控制管理降噪数据；利用自然语言处理技术对药品质量控制管理降噪数据进行数字化分析，得到药品质量控制管理数字化数据；
药品数据特征提取模块，用于利用大数据平台对药品质量控制管理数字化数据进行存储，得到药品质量控制管理数据库；利用特征提取技术对药品质量控制管理数据库中的数据进行特征提取，得到药品质量控制管理特征集；
药品分析模型构建模块，用于基于药品质量控制管理特征集构建深度神经网络模型，得到最优药品质量控制管理分析模型；利用最优药品质量控制管理分析模型对药品质量控制管理特征集进行数据分析，得到药品质量控制管理分析结果；
药品分析结果应用模块，用于基于药品质量控制管理分析结果制定相应的质量控制策略和管理方案；利用可视化工具对质量控制策略和管理方案进行展示，辅助药品质量控制人员做出决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310872712.1A CN116597939A (zh) | 2023-07-17 | 2023-07-17 | 基于大数据的药品质量控制管理分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310872712.1A CN116597939A (zh) | 2023-07-17 | 2023-07-17 | 基于大数据的药品质量控制管理分析系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116597939A true CN116597939A (zh) | 2023-08-15 |
Family
ID=87606575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310872712.1A Withdrawn CN116597939A (zh) | 2023-07-17 | 2023-07-17 | 基于大数据的药品质量控制管理分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597939A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117352153A (zh) * | 2023-12-04 | 2024-01-05 | 青岛量谷无线科技有限公司 | 用于医疗冷柜的药品质量监测与实时报告方法 |
| CN117524408A (zh) * | 2023-11-30 | 2024-02-06 | 青岛大学附属医院 | 基于ai的静脉用药配置核对系统及其使用方法 |
| CN118052334A (zh) * | 2024-03-27 | 2024-05-17 | 苍南县求是中医药创新研究院 | 一种药品质量动态监测和控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805204A (zh) * | 2018-06-12 | 2018-11-13 | 东北大学 | 基于深度神经网络的电能质量扰动分析装置及其使用方法 |
| WO2021014343A1 (en) * | 2019-07-23 | 2021-01-28 | Reagene Innovations Pvt. Ltd. | Artificial intelligence guided identification of affordable re-purposed drugs for leukemias |
| US20210073929A1 (en) * | 2019-09-09 | 2021-03-11 | Deckard Technologies, Inc. | Detecting and validating improper homeowner exemptions through data mining, natural language processing, and machine learning |
| CN115392292A (zh) * | 2022-08-01 | 2022-11-25 | 燕山大学 | 基于注意力循环神经网络的刀具磨损在线监测方法 |
| CN115688579A (zh) * | 2022-11-01 | 2023-02-03 | 福建中锐网络股份有限公司 | 一种基于生成对抗网络的流域多点水位预测预警方法 |
| CN116415508A (zh) * | 2023-06-12 | 2023-07-11 | 珠江水利委员会珠江水利科学研究院 | 一种河口二维泥沙模型生成方法及系统 |
-
2023
- 2023-07-17 CN CN202310872712.1A patent/CN116597939A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805204A (zh) * | 2018-06-12 | 2018-11-13 | 东北大学 | 基于深度神经网络的电能质量扰动分析装置及其使用方法 |
| WO2021014343A1 (en) * | 2019-07-23 | 2021-01-28 | Reagene Innovations Pvt. Ltd. | Artificial intelligence guided identification of affordable re-purposed drugs for leukemias |
| US20210073929A1 (en) * | 2019-09-09 | 2021-03-11 | Deckard Technologies, Inc. | Detecting and validating improper homeowner exemptions through data mining, natural language processing, and machine learning |
| CN115392292A (zh) * | 2022-08-01 | 2022-11-25 | 燕山大学 | 基于注意力循环神经网络的刀具磨损在线监测方法 |
| CN115688579A (zh) * | 2022-11-01 | 2023-02-03 | 福建中锐网络股份有限公司 | 一种基于生成对抗网络的流域多点水位预测预警方法 |
| CN116415508A (zh) * | 2023-06-12 | 2023-07-11 | 珠江水利委员会珠江水利科学研究院 | 一种河口二维泥沙模型生成方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117524408A (zh) * | 2023-11-30 | 2024-02-06 | 青岛大学附属医院 | 基于ai的静脉用药配置核对系统及其使用方法 |
| CN117352153A (zh) * | 2023-12-04 | 2024-01-05 | 青岛量谷无线科技有限公司 | 用于医疗冷柜的药品质量监测与实时报告方法 |
| CN117352153B (zh) * | 2023-12-04 | 2024-02-20 | 青岛量谷无线科技有限公司 | 用于医疗冷柜的药品质量监测与实时报告方法 |
| CN118052334A (zh) * | 2024-03-27 | 2024-05-17 | 苍南县求是中医药创新研究院 | 一种药品质量动态监测和控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6978541B2 (ja) | 動的外れ値偏り低減のコンピュータ実装方法、コンピュータシステム及びコンピュータ装置 | |
| CN112034789B (zh) | 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机 | |
| CN116597939A (zh) | 基于大数据的药品质量控制管理分析系统及方法 | |
| JP2022500745A (ja) | 異常検出および／または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
| Seo et al. | On the value of outlier elimination on software effort estimation research | |
| CN111625516B (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
| CN113298288A (zh) | 一种融合时间序列和神经网络的供电所运维成本预测方法 | |
| CN108399434A (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
| Wang et al. | Remaining useful life prediction of rolling bearings based on Pearson correlation-KPCA multi-feature fusion | |
| US20210397956A1 (en) | Activity level measurement using deep learning and machine learning | |
| US20240346531A1 (en) | Systems and methods for business analytics model scoring and selection | |
| CN118211882B (zh) | 一种基于大数据的产品质量管理系统及方法 | |
| CN116703455B (zh) | 基于时间序列的混合模型的医药数据销售预测方法及系统 | |
| CN116578677B (zh) | 一种针对医疗检验信息的检索系统和方法 | |
| CN117251817A (zh) | 雷达故障检测方法、装置、设备和存储介质 | |
| Huang et al. | Importance of data quality in virtual metrology | |
| Ma et al. | A systematic data characteristic understanding framework towards physical-sensor big data challenges | |
| KR101613397B1 (ko) | 시계열 텍스트 데이터 및 시계열 수치 데이터의 연관 방법 및 그 장치 | |
| ANNAKI et al. | Overview of Data Augmentation Techniques in Time Series Analysis. | |
| Ding et al. | Prediction of remaining useful life of rolling bearing based on fractal dimension and convolutional neural network | |
| Colace et al. | Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview | |
| CN117708622B (zh) | 运维系统的异常指标分析方法、系统和电子装置 | |
| CN118735283A (zh) | 一种用人工智能技术评估风险的方法、装置、设备及介质 | |
| CN116611022B (zh) | 智慧校园教育大数据融合方法及平台 | |
| CN117539920B (zh) | 基于房产交易多维度数据的数据查询方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230815 |
|
| WW01 | Invention patent application withdrawn after publication |