CN117711593B - 一种智慧药房进出药管理系统 - Google Patents

Abstract

本发明涉及药房进出药管理技术领域，具体涉及一种智慧药房进出药管理系统。该系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：获取智慧药房系统中待检测药品数据，若待检测药品数据不满足预设数据范围，则判定待检测药品数据为疑似异常药品数据，对每个维度的数据分类获得每个维度的多个类别；根据不同维度下的每两个类别中数据的相似情况和数据对应的频率，得到对应两个类别的共现评价值，筛选高频属性对，进而构建图结构；基于格里‑纽曼算法和共现评价值对图结构进行处理，进而判断疑似异常数据是否为异常数据。本发明提高了智慧药房进出药异常数据检测结果的准确度。

Description

一种智慧药房进出药管理系统

技术领域

本发明涉及药房进出药管理技术领域，具体涉及一种智慧药房进出药管理系统。

背景技术

智慧药房进出药管理中，当系统中录入的药品信息有误或不完整时，可能导致错误的采购、销售，甚至出现药品过期或药品混淆的情况，常规方法是通过药品的每种数据是否处于正常的波动范围内，进而判断是否出现异常。如果某条数据的不同维度的数据均在误差允许范围内并不能完全说明该条数据不为异常数据，通过常规方法无法检测到这种异常，因此如何对智慧药房进出药信息进行准确地异常检测是个急需解决的问题。

发明内容

为了解决现有方法无法对智慧药房进出药信息中的异常数据进行准确地检测的问题，本发明的目的在于提供一种智慧药房进出药管理系统，所采用的技术方案具体如下：

本发明提供了一种智慧药房进出药管理系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取智慧药房系统中待检测药品数据和若干条正常药品数据，其中每条药品数据中包含不同维度的数据；

判断所述待检测药品数据是否满足预设数据范围，若不满足，则判定待检测药品数据为疑似异常药品数据，基于疑似异常药品数据和所有正常药品数据获得不同维度的数据，分别对每个维度的数据进行分类获得每个维度的若干个类别；根据不同维度下的每两个类别中数据的相似情况和数据对应的频率，得到不同维度下的每两个类别的共现评价值；基于所述共现评价值和不同维度下的每两个类别中的数据对应的频率筛选高频属性对；

基于所述高频属性对以及对应的共现评价值构建图结构；基于格里-纽曼算法和所述共现评价值对所述图结构进行处理获得图结构中每个节点对应的目标概率；

基于所述目标概率判断疑似异常数据是否为异常数据。

优选的，所述基于疑似异常药品数据和所有正常药品数据获得不同维度的数据，分别对每个维度的数据进行分类获得每个维度的若干个类别，包括：

对于第A个维度：

基于第A个维度下每种数据的频率构建第A个维度对应的直方图；采用otsu多阈值分割算法对所述直方图进行分割，获得第A个维度的若干个类别。

优选的，所述根据不同维度下的每两个类别中数据的相似情况和数据对应的频率，得到不同维度下的每两个类别的共现评价值，包括：

对正常药品数据和待检测药品数据进行标号获得每条药品数据的次序值；分别将每个类别中所有数据对应的次序值构成的序列记为每个类别的次序序列；

对于第A个维度下第a个类别与第B个维度下第b个类别：计算第A个维度下第a个类别的次序序列与第B个维度下第b个类别的次序序列之间的相似度；

根据第A个维度下第a个类别中所有数据的方差、第B个维度下第b个类别中所有数据的方差、第B个维度下第b个类别中所有数据对应的频率的最大值、第A个维度下第a个类别中所有数据对应的频率的最大值和所述相似度，得到第A个维度下第a个类别与第B个维度下第b个类别的共现评价值。

优选的，采用如下公式计算第A个维度下第a个类别与第B个维度下第b个类别的共现评价值：

；

其中，H_a,b表示第A个维度下第a个类别与第B个维度下第b个类别的共现评价值，S_a,b表示第A个维度下第a个类别与第B个维度下第b个类别之间的相似度，m_A,a表示第A个维度下第a个类别中所有数据的方差，m_B,b表示第B个维度下第b个类别中所有数据的方差，f(A,a)表示第A个维度下第a个类别中所有数据对应的频率的最大值，f(B,b)表示第B个维度下第b个类别中所有数据对应的频率的最大值，min( )表示取最小值函数，max( )表示取最大值函数，e表示自然常数。

优选的，所述基于所述共现评价值和不同维度下的每两个类别中的数据对应的频率筛选高频属性对，包括：

对于任一类别：将该类别中所有数据对应的频率之和作为该类别的特征值；

将不同维度下的两个类别的特征值均大于预设特征阈值的两个类别记为待分析类别对；将共现评价值大于预设评价阈值的两个类别作为一个匹配对；

分别将每个待分析类别对和每个匹配对均作为一个高频属性对。

优选的，所述基于所述高频属性对以及对应的共现评价值构建图结构，包括：

基于所有高频属性对构建图结构，其中图结构的节点为类别，节点值为对应类别中所有数据的平均值，不同节点之间的边权值为对应的共现评价值。

优选的，基于格里-纽曼算法和所述共现评价值对所述图结构进行处理获得图结构中每个节点对应的目标概率，包括：

采用格里-纽曼算法对所述图结构进行处理，去除图结构中共现评价值最小的边获得新的图结构，去除新的图结构中共现评价值最小的边，以此类推，对类别进行更新；

对于第k个节点：

将第k个节点与除其所在的高频属性外的其他节点之间的边被首次单独去除时所对应的迭代次数，作为第k个节点对应的划分次数；

将第k个节点与其所在的高频属性对被分离出去时所对应的迭代次数，记为第k个节点的分离值；

将第k个节点与其所在的高频属性对被分离出去时所断开的节点记为划分节点；

根据第k个节点与所述划分节点的共现评价值、第k个节点所在的高频属性对中除第k个节点外的节点与所述划分节点的共现评价值、所述划分次数和所述分离值，获得第k个节点对应的目标概率。

优选的，根据第k个节点与所述划分节点的共现评价值、第k个节点所在的高频属性对中除第k个节点外的节点与所述划分节点的共现评价值、所述划分次数和所述分离值，获得第k个节点对应的目标概率，包括：

将第k个节点与所述划分节点的共现评价值和第k个节点所在的高频属性对中除第k个节点外的节点与所述划分节点的共现评价值两者的均值，记为共现评价均值；

计算第k个节点对应的划分次数与第k个节点的分离值的比值，将所述比值与所述共现评价均值的乘积的归一化结果作为第k个节点对应的目标概率。

优选的，所述基于所述目标概率判断疑似异常数据是否为异常数据，包括：

将目标概率大于预设概率阈值，且包含疑似异常数据中的数据的高频属性对记为目标属性对；

计算所有目标属性对的共现评价值的平均值，基于所述所有目标属性对的共现评价值的平均值判断疑似异常数据是否为异常数据。

优选的，基于所述所有目标属性对的共现评价值的平均值判断疑似异常数据是否为异常数据，包括：

判断所述所有目标属性对的共现评价值的平均值与标准共现评价值之间的差异是否大于预设差异阈值，若大于，则判定疑似异常数据为异常数据。

本发明至少具有如下有益效果：

本发明针对现有方法在对智慧药房进出药数据进行异常检测时，将每个维度的数据与标准数据范围进行比较，只基于比较结果对智慧药房进出药数据进行评价存在的检测结果准确性较低的问题，本发明首先将待检测药品数据与预设数据范围进行比较，若待检测药品数据不处于预设数据范围，则判定待检测药品数据为疑似异常药品数据，本发明将对其进行进一步分析，将疑似异常药品数据和所有正常药品数据放到一起获得每个类别的数据，根据不同维度下的每两个类别中数据的相似情况和数据对应的频率，获得了不同维度下的每两个类别的共现评价值，进而筛选多个高频属性对，并基于所有的高频属性对构建图结构，图结构用于反映不同维度的不同类别之间的关联关系，也即通过对每条数据的不同维度的关联规则进行挖掘，进而基于共现评价值，结合格里-纽曼算法对疑似异常数据的异常性进行判断，与现有方法相比，在保证异常数据识别效率的同时，能够对智慧药房进出药系统中较不明显的异常数据进行准确识别，提高了智慧药房进出药异常数据检测结果的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明实施例所提供的一种智慧药房进出药管理系统所执行的方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种智慧药房进出药管理系统进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种智慧药房进出药管理系统的具体方案。

一种智慧药房进出药管理系统实施例：

本实施例所针对的具体场景为：采集智慧药房系统中的待检测药品数据，待检测药品数据中包含多个数据，分别判断每个数据与预设数据范围之间的关系，若所有数据均处于对应的预设数据范围内，则判定待检测药品数据为正常数据，若存在数据不处于对应的预设数据范围内，则判定待检测药品数据为疑似异常数据，对所有正常药品数据进行分析确定标准共现评价值，并对疑似异常数据和所有正常药品数据进行分析获得了不同维度下的每两个类别的共现评价值，基于疑似异常数据和所有正常药品数据构建图结构，基于格里-纽曼算法和不同维度下的每两个类别的共现评价值对图结构进行处理获得了每个节点对应的目标概率，进而判断疑似异常数据是否为真正的异常数据。

本实施例提出了一种智慧药房进出药管理系统，该系统以实现如图1所示的步骤，具体步骤如下：

步骤S1，获取智慧药房系统中待检测药品数据和若干条正常药品数据，其中每条药品数据中包含不同维度的数据。

本实施例首先采集智慧药房系统中的待检测药品数据，待检测药品数据是由多个数据构成的，本实施例中的待检测药品数据包括药品名称、药品批次、入库时间、入库数量、出库时间和出库数量，在具体应用中，实施者可根据具体情况进行设置；并从智慧药房系统中采集多条正常药品数据，其中每条正常药品数据也是由多个数据构成的，每条正常药品数据均是由药品名称、药品批次、入库时间、入库数量、出库时间和出库数量构成的；本实施例将每一种数据作为一个维度的数据，也即药品名称为一个维度，药品批次为一个维度、入库时间为一个维度，入库数量为一个维度，出库时间为一个维度，出库数量为一个维度，也即获得了多个不同维度的数据。本实施例中共采集了100条正常药品数据，在具体应用中，实施者可根据具体情况进行设置。需要说明的是：正常药品数据为从智慧药房系统中调取的历史药品数据，这些数据均为经过人工检查确认为不存在异常的数据。

至此，本实施例获取了一条待检测药品数据和多条正常药品数据。

步骤S2，判断所述待检测药品数据是否满足预设数据范围，若不满足，则判定待检测药品数据为疑似异常药品数据，基于疑似异常药品数据和所有正常药品数据获得不同维度的数据，分别对每个维度的数据进行分类获得每个维度的若干个类别；根据不同维度下的每两个类别中数据的相似情况和数据对应的频率，得到不同维度下的每两个类别的共现评价值；基于所述共现评价值和不同维度下的每两个类别中的数据对应的频率筛选高频属性对。

针对传统方法难以对不明显异常进行识别的问题，本实施例中通过对每次药品进出药房时的不同维度数据的关联规则进行挖掘，进而使用得到的关联规则对新的数据进行异常性的识别。本实施例首先分别判断待检测药品数据中的每个数据是否处于对应的预设数据范围内，若待检测药品数据中的所有数据均处于对应的预设数据范围内，则判定待检测药品数据为正常药品数据；若待检测药品数据中存在数据不处于对应的预设数据范围内，则判定待检测药品数据为疑似异常药品数据。需要说明的是，由于待检测药品数据中的数据类型不同，因此待检测药品数据中每个维度的数据对应的预设数据范围不同，预设数据范围为正常情况下对应的数据范围，也即不存在异常时对应的数据范围，在具体应用中，实施者根据具体情况设置每种数据对应的预设数据范围。

当待检测药品数据为疑似异常药品数据时，需要对其进行进一步的分析。对于每个维度的数据来说，如果该维度数据的某个数据值高频出现，则该数据值为该维度的高频数据值，如果另一种维度的某个数据值与该数据值存在较大关联，则另一个维度对应的数据值也高频出现，且两者出现的高频时间段相近，则可以表示数据的一种变化模式，进而后续这两个维度的数据越少满足该数据变化模式，则数据的异常性越大。基于此，本实施例将首先对每个维度的所有数据进行分析，基于每个维度下的每种数据出现的频率对每个维度下的数据进行划分。具体的，对于第A个维度：获取第A个维度中的每种数据的频率，基于第A个维度下每种数据的频率构建第A个维度对应的直方图，其中每种数据的频率为该种数据在其所在的维度中出现的次数与该种数据在其所在的维度中数据的总数量之间的比值；采用otsu多阈值分割算法对所述直方图进行分割，获得第A个维度对应的多个类别。采用上述方法，对每个维度下的数据进行划分，将每个维度的数据划分为多个类别，同一个类别内的数据值相近，不同类别的数据值相差较大。otsu多阈值分割算法为现有技术，此处不再过多赘述。接下来本实施例将根据不同维度下的每两个类别中数据的相似情况和数据对应的频率，对不同维度下的每两个类别进行分析，得到不同维度下的每两个类别的共现评价值。具体地，对正常药品数据和待检测药品数据进行标号获得每条药品数据的次序值，一条药品数据对应一个次序值；例如：第1条正常药品数据的次序值为1，第2条正常药品数据的次序值为2，第3条正常药品数据的次序值为3，依此类推，最后一条正常药品数据的次序值为100，正常药品数据的次序值为101。分别将每个类别中所有数据对应的次序值构成的序列记为每个类别的次序序列；需要说明的是：对于任一类别中的任一数据：该数据对应的次序值为该数据所在的药品数据的次序值，也即该数据对应的次序值与该数据所在的药品数据的次序值相同。

如果某个维度的一个类别对应的次序序列与另一个维度的某个类别对应的次序序列相近，说明这两个维度中的这两个类别中数据值一块出现的概率较大，可以作为识别新的药品向量的依据。因此，对于第A个维度下第a个类别与第B个维度下第b个类别：采用KM匹配算法计算第A个维度下第a个类别的次序序列与第B个维度下第b个类别的次序序列之间的相似度；KM匹配算法为现有技术，此处不再过多赘述，作为其他实施方式，也可采用其他方法计算两个序列之间的相似度。考虑到本实施例计算得到的相似度是根据不同维度下的两个类别对应的次序序列得到的，并未考虑到每个类别中的元素的一致性程度，因此接下来本实施例将结合类别中元素一致性对相似度进行修正。具体地，根据第A个维度下第a个类别中所有数据的方差、第B个维度下第b个类别中所有数据的方差、第B个维度下第b个类别中所有数据对应的频率的最大值、第A个维度下第a个类别中所有数据对应的频率的最大值和所述相似度，得到第A个维度下第a个类别与第B个维度下第b个类别的共现评价值。第A个维度下第a个类别与第B个维度下第b个类别的共现评价值的具体计算公式为：

；

其中，H_a,b表示第A个维度下第a个类别与第B个维度下第b个类别的共现评价值，S_a,b表示第A个维度下第a个类别与第B个维度下第b个类别之间的相似度，m_A,a表示第A个维度下第a个类别中所有数据的方差，m_B,b表示第B个维度下第b个类别中所有数据的方差，f(A,a)表示第A个维度下第a个类别中所有数据对应的频率的最大值，f(B,b)表示第B个维度下第b个类别中所有数据对应的频率的最大值，min( )表示取最小值函数，max( )表示取最大值函数，e表示自然常数。

第A个维度下第a个类别与第B个维度下第b个类别之间的相似度越大，第A个维度下第a个类别与第B个维度下第b个类别的数据值的集中程度越大。一个类别中所有数据的方差越小，说明该类别中数据的集中程度越大，共现性越大。第a个类别和第b个类别中数据对应的频率的最大值越大，最大频率的一致性越大，第a个类别和第b个类别的共现性越大。反映第A个维度下第a个类别与第B个维度下第b个类别的最大频率的一致性，该值越大，说明这两个类别中数据值的最大频率的一致性越大，共现性越大。当第a个类别与第b个类别之间的相似度越大、第a个类别中所有数据的方差越小、第b个类别中所有数据的方差越小、第a个类别中所有数据对应的频率的最大值越大、第b个类别中所有数据对应的频率的最大值越大、第a个类别与第b个类别的最大频率的一致性越大时，第a个类别与第b个类别的共现性越强，即第a个类别与第b个类别的共现评价值越大。

采用上述方法，能够获得不同维度下的每两个类别的共现评价值，共现评价值越大，说明这两个类别一块出现的概率越大，对于任一类别：将该类别中所有数据对应的频率之和作为该类别的特征值；采用该方法，能够获得每个类别的特征值。将不同维度下的两个类别的特征值均大于预设特征阈值的两个类别记为待分析类别对；将共现评价值大于预设评价阈值的两个类别作为一个匹配对。分别将每个待分析类别对和每个匹配对均作为一个高频属性对，也即一个待分析类别对为一个高频属性对，一个匹配对也为一个高频属性对，获得了多个高频属性对，每个高频属性对中包含两个不同维度下的类别；本实施例中预设评价阈值为0.7，预设特征阈值为0.5，在具体应用中，实施者可根据具体情况进行设置。

步骤S3，基于所述高频属性对以及对应的共现评价值构建图结构；基于格里-纽曼算法和所述共现评价值对所述图结构进行处理获得图结构中每个节点对应的目标概率。

本实施例已经获得了不同维度下的每两个类别的共现评价值，并基于现评价值筛选了高频属性对，接下来本实施例将基于共现评价值和高频属性对构建图结构。

具体地，本实施例基于所有高频属性对构建图结构，其中图结构的节点为类别，也即图结构的每一个节点均为一个类别，节点值为对应类别中所有数据的平均值，不同节点之间的边权值为对应两个类别的共现评价值。格里-纽曼算法是一种通过逐渐去除图结构中最大边值进而得到多个节点类别的方法，越晚被划分出去的节点与剩余节点形成的类别的关联度越大。常规的格里-纽曼算法是通过逐渐去除图结构中介数最大的边，进而得到多个类别，然后在多个类别中继续去除所有类别图结构中介数最大的边，进而完成类别的更新。由于图聚类可以根据关联性进行聚类，因此聚类结果可以表示该关联关系，例如：药品U和药品V往往需要一起服用，因此药品U和药品V的进药数量和出药数量的关系往往一致，同时药品名称不同的药品U和药品V的药品名称维度作为环境因子，总是一起和满足U、V进出药的关系一起出现。在计算图结构中的介数时，将每条边的边值作为计数值，传统的格里-纽曼是将每条边记为1，只统计边数量，进而将共性因子参与到介数计算中，使得共现性较大的节点可以在较多次的迭代后还在同一个类别中，本实施例将结合共现性评价值对图结构中的节点进行分析。具体地，采用格里-纽曼算法对所述图结构进行处理，去除图结构中共现评价值最小的边获得新的图结构，去除新的图结构中共现评价值最小的边，以此类推，不断对类别进行更新；格里-纽曼算法为现有技术，本实施例只是对格里-纽曼算法处理过程中划分的条件进行了改进，也即每次去除共现评价值最小的边，该算法为现有技术，此处不再过多赘述。

对于第k个节点：将第k个节点与除其所在的高频属性对外的其他节点之间的边被首次单独去除时所对应的迭代次数，作为第k个节点对应的划分次数。将第k个节点与其所在的高频属性对被分离出去时所对应的迭代次数，记为第k个节点的分离值。将第k个节点与其所在的高频属性对被分离出去时所断开的节点记为划分节点。将第k个节点与所述划分节点的共现评价值和第k个节点所在的高频属性对中除第k个节点外的节点与所述划分节点的共现评价值两者的均值，记为共现评价均值。计算第k个节点对应的划分次数与第k个节点的分离值的比值，将所述比值与所述共现评价均值的乘积的归一化结果作为第k个节点对应的目标概率。第k个节点对应的目标概率的计算公式具体为：

；

其中，P_k表示第k个节点对应的目标概率，F_k表示第k个节点对应的划分次数，G_k表示第k个节点的分离值，表示第k个节点与划分节点的共现评价值，/>表示第k个节点所在的高频属性对中除第k个节点外的节点与划分节点的共现评价值，norm( )表示归一化函数。

第k个节点与其所在的高频属性对被分离出去的越晚，也即第k个节点对应的划分次数越大，说明该高频属性对与其他高频属性对之间的联系越紧密，越可以参与到后续环境因子的确定过程中。表示共现评价均值，该均值越大，说明划分节点越能够作为该高频属性对的环境因子节点。

采用上述方法，能够获得图结构中每个节点对应的目标概率。

步骤S4，基于所述目标概率判断疑似异常数据是否为异常数据。

本实施例已经在步骤S3中获得了图结构中每个节点对应的目标概率，接下来将基于目标概率对疑似异常数据进行进一步地判断。

具体地，将目标概率大于预设概率阈值，且包含疑似异常数据中的数据的高频属性对记为目标属性对，也即筛选出了多个目标属性对。本实施例中的预设概率阈值为0.7，在具体应用中，实施者可根据具体情况进行设置。

根据每个目标属性对的共现评价值，计算所有目标属性对的共现评价值的平均值；判断所述所有目标属性对的共现评价值的平均值与标准共现评价值之间的差异是否大于预设差异阈值，若大于，则判定疑似异常数据为异常数据；若小于或等于，则判定疑似异常数据为正常数据。本实施例中的标准共现评价值是基于采集到的所有正常药品数据获得的，标准共现评价值的具体获取过程为：基于所有正常药品数据获得不同维度的数据，分别对每个维度的数据进行分类获得每个维度的若干个类别；根据不同维度下的每两个类别中数据的相似情况和数据对应的频率，得到不同维度下的每两个类别的共现评价值，将所有共现评价值的平均值作为标准共现评价值；由于本实施例步骤S2中已经对不同维度下的每两个类别的共现评价值的具体获取方法进行了详细说明，此处只是改变了类别中的数据，因此此处不再对共现评价值的获取方法进行过多赘述。需要说明的是：作为其他实施方式，实施者也可自行设置标准共现评价值。本实施例中的预设差异阈值为0.15，在具体应用中，实施者可根据具体情况进行设置。

至此，采用本实施例的智慧药房进出药管理系统能够对异常数据进行准确检测。

针对现有方法在对智慧药房进出药数据进行异常检测时，将每个维度的数据与标准数据范围进行比较，只基于比较结果对智慧药房进出药数据进行评价存在的检测结果准确性较低的问题，本实施例首先将待检测药品数据与预设数据范围进行比较，若待检测药品数据不处于预设数据范围，则判定待检测药品数据为疑似异常药品数据，本实施例将对其进行进一步分析，将疑似异常药品数据和所有正常药品数据放到一起获得每个类别的数据，根据不同维度下的每两个类别中数据的相似情况和数据对应的频率，获得了不同维度下的每两个类别的共现评价值，进而筛选多个高频属性对，并基于所有的高频属性对构建图结构，图结构用于反映不同维度的不同类别之间的关联关系，也即通过对每条数据的不同维度的关联规则进行挖掘，进而基于共现评价值，结合格里-纽曼算法对疑似异常数据的异常性进行判断，与现有方法相比，在保证异常数据识别效率的同时，能够对智慧药房进出药系统中较不明显的异常数据进行准确识别，提高了智慧药房进出药异常数据检测结果的准确度。

需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种智慧药房进出药管理系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取智慧药房系统中待检测药品数据和若干条正常药品数据，其中每条药品数据中包含不同维度的数据；

判断所述待检测药品数据是否满足预设数据范围，若不满足，则判定待检测药品数据为疑似异常药品数据，基于疑似异常药品数据和所有正常药品数据获得不同维度的数据，分别对每个维度的数据进行分类获得每个维度的若干个类别；根据不同维度下的每两个类别中数据的相似情况和数据对应的频率，得到不同维度下的每两个类别的共现评价值；基于所述共现评价值和不同维度下的每两个类别中的数据对应的频率筛选高频属性对；

基于所述高频属性对以及对应的共现评价值构建图结构；基于格里-纽曼算法和所述共现评价值对所述图结构进行处理获得图结构中每个节点对应的目标概率；

基于所述目标概率判断疑似异常数据是否为异常数据；

所述根据不同维度下的每两个类别中数据的相似情况和数据对应的频率，得到不同维度下的每两个类别的共现评价值，包括：

对正常药品数据和待检测药品数据进行标号获得每条药品数据的次序值；分别将每个类别中所有数据对应的次序值构成的序列记为每个类别的次序序列；

对于第A个维度下第a个类别与第B个维度下第b个类别：计算第A个维度下第a个类别的次序序列与第B个维度下第b个类别的次序序列之间的相似度；

根据第A个维度下第a个类别中所有数据的方差、第B个维度下第b个类别中所有数据的方差、第B个维度下第b个类别中所有数据对应的频率的最大值、第A个维度下第a个类别中所有数据对应的频率的最大值和所述相似度，得到第A个维度下第a个类别与第B个维度下第b个类别的共现评价值；

采用如下公式计算第A个维度下第a个类别与第B个维度下第b个类别的共现评价值：

;

其中，H_a,b表示第A个维度下第a个类别与第B个维度下第b个类别的共现评价值，S_a,b表示第A个维度下第a个类别与第B个维度下第b个类别之间的相似度，m_A,a表示第A个维度下第a个类别中所有数据的方差，m_B,b表示第B个维度下第b个类别中所有数据的方差，f(A,a)表示第A个维度下第a个类别中所有数据对应的频率的最大值，f(B,b)表示第B个维度下第b个类别中所有数据对应的频率的最大值，min( )表示取最小值函数，max( )表示取最大值函数，e表示自然常数；

所述基于所述共现评价值和不同维度下的每两个类别中的数据对应的频率筛选高频属性对，包括：

对于任一类别：将该类别中所有数据对应的频率之和作为该类别的特征值；

将不同维度下的两个类别的特征值均大于预设特征阈值的两个类别记为待分析类别对；将共现评价值大于预设评价阈值的两个类别作为一个匹配对；

分别将每个待分析类别对和每个匹配对均作为一个高频属性对；

所述基于所述高频属性对以及对应的共现评价值构建图结构，包括：

基于所有高频属性对构建图结构，其中图结构的节点为类别，节点值为对应类别中所有数据的平均值，不同节点之间的边权值为对应的共现评价值；

基于格里-纽曼算法和所述共现评价值对所述图结构进行处理获得图结构中每个节点对应的目标概率，包括：

采用格里-纽曼算法对所述图结构进行处理，去除图结构中共现评价值最小的边获得新的图结构，去除新的图结构中共现评价值最小的边，以此类推，对类别进行更新；

对于第k个节点：

将第k个节点与除其所在的高频属性外的其他节点之间的边被首次单独去除时所对应的迭代次数，作为第k个节点对应的划分次数；

将第k个节点与其所在的高频属性对被分离出去时所对应的迭代次数，记为第k个节点的分离值；

将第k个节点与其所在的高频属性对被分离出去时所断开的节点记为划分节点；

根据第k个节点与所述划分节点的共现评价值、第k个节点所在的高频属性对中除第k个节点外的节点与所述划分节点的共现评价值、所述划分次数和所述分离值，获得第k个节点对应的目标概率；

根据第k个节点与所述划分节点的共现评价值、第k个节点所在的高频属性对中除第k个节点外的节点与所述划分节点的共现评价值、所述划分次数和所述分离值，获得第k个节点对应的目标概率，包括：

将第k个节点与所述划分节点的共现评价值和第k个节点所在的高频属性对中除第k个节点外的节点与所述划分节点的共现评价值两者的均值，记为共现评价均值；

计算第k个节点对应的划分次数与第k个节点的分离值的比值，将所述比值与所述共现评价均值的乘积的归一化结果作为第k个节点对应的目标概率；

所述基于所述目标概率判断疑似异常数据是否为异常数据，包括：

将目标概率大于预设概率阈值，且包含疑似异常数据中的数据的高频属性对记为目标属性对；

计算所有目标属性对的共现评价值的平均值，基于所述所有目标属性对的共现评价值的平均值判断疑似异常数据是否为异常数据；

基于所述所有目标属性对的共现评价值的平均值判断疑似异常数据是否为异常数据，包括：

判断所述所有目标属性对的共现评价值的平均值与标准共现评价值之间的差异是否大于预设差异阈值，若大于，则判定疑似异常数据为异常数据。

2.根据权利要求1所述的一种智慧药房进出药管理系统，其特征在于，所述基于疑似异常药品数据和所有正常药品数据获得不同维度的数据，分别对每个维度的数据进行分类获得每个维度的若干个类别，包括：

对于第A个维度：

基于第A个维度下每种数据的频率构建第A个维度对应的直方图；采用otsu多阈值分割算法对所述直方图进行分割，获得第A个维度的若干个类别。