| 职称论文发表 | | 职称论文发表 专业提供：发表论文、论文发表、毕业论文、职称论... | |
| 住在汉口网 | | 住在汉口网是一个专业提供汉口房产信息、车辆服务、生活服务、招... | |
| 职称论文网 | | 职称论文网提供：发表论文、论文发表、毕业论文、职称论等服务。 | |
|
（华北煤炭医学院 河北 唐山，063000）
摘 要：利用ＢＰ神经网络组合能够较好地模拟在各种不确定因素影响下的因果变量之间的内在关系。建立了基于人工神经网络的卫生总费用预测模型,该模型的网络结构由输入层(1 个节点) 、隐层(7 个节点) 和输出层(1 个节点) 组成。采用改进的BP 算法对7 组学习样本进行训练,得到各节点间的连接权和阈值,然后用优化好的网络进行给卫生总费用预测。预测结果表明,利用该方法建立的模型预测误差在1 %以内,十分精确。
关键词：卫生总费用;神经网络;组合预测
随着经济增长、人口老龄化、疾病模式的改变,人们对卫生服务需要迅速增加,卫生总费用和医疗费用增长较快,这是目前许多国家和地区共同面临的重要问题。国内外许多研究人员采用了不同的预测技术, 建立了各种时间序列预测模型, 对中国卫生总费用的未来趋势进行了预测分析，这些预测和研究普遍认为:中国卫生总费用在近期不会超出国民经济承受范围,但在长期将对国民经济造成一定的压力, 政府必须在宏观政策上作一些调整。
预测方法用于总费用估算的很多,其中最常用的有3种：单因素回归法、弹性系数法、计量经济学模型法。然而，卫生系统本身具有复杂性和时变性的双重特性,卫生总费用的影响因素较多,而且多个因素间相互作用、相互影响,用简单的统计模型会受数据异常的影响导致结果不可靠。目前的实际情况是缺乏全面、准确和详细的费用数据,特别是缺乏有效的估算方法和估算准则,估算的结果粗糙、笼统,准确度和置信度低。由于估算不能准确反映费用总量、各种费用关系、关键的费用要素和费用规律,所以很难起到科学安排计划、控制费用的作用。基于这种现状,同时考虑到卫生总费用的非正态分布，不具备线性特征,本文采用已广泛应用于各领域并取得很多成果的人工神经网络(artificial neural network,ＡＮＮ)组合预测法对卫生总费用进行估算。 近年来,ＡＮＮ以其在非线性领域的独特优势迅速兴起的BP网络在非线性费用估算领域的广泛应用是一种必然趋势。本文所采用的组合预测法就是基于人工神经网络中的ＢＰ网络。下面依次介绍与组合预测法有关的ＢＰ神经网络。
1 ＢＰ神经网络
ＢＰ神经网络是20世纪80年代迅速发展起来的人工智能的一个重要分支,具有自组织、自学习、自适应、非线性动态处理以及联想推理能力。其中多层前馈型神经网络(ＢＰ网络)[2]应用最为广泛。它是一种具有3层或3层以上的阶层型神经网络,其上下层之间各神经元实现完全连接。当一对学习样本提供给网络后,神经元的激活值从输入层经中间层向输出层传播,输出层的各神经元获得网络的输入响应,然后,按照减小希望输出和实际输出误差的方向,从输出层经中间层逐层修正各连结权,最后到输入层。随着误差逆传播的不断进行,对输入的响应正确率也不断上升。
假设ＢＰ网络每层有Ｎ个处理单元,训练集包括Ｍ个样本模式对(Ｘk,Ｙk)。对第p个训练样本,单元j的输出总和记为netpj,输出记为Opj,则
(1) (2) 中 Ｗij——神经元ｉ,ｊ之间的权值;ｆ——作用函数,采用Sigmoid函数,即 (3) 。如果任意设置网络初始权值,那么对每一个输入模式p,网络输出与期望输出一般总有误差,定义网络误差为 （4）
（5）式中dpj——对第p个输入模式输出单元ｊ的期望输出。学习规则的实质是利用梯度快速下降法,使权值沿误差函数的负梯度方向变化。ＢＰ算法权值修正公式可以表示为 （6）
（7） 式中 ｔ——学习次数;η——学习因子。η取值越大,每次权值的改变越激烈,可能导致学习过程发生振荡。因此,为了使学习因子的取值足够大,又不产生振荡,通常在权值修正公式中加入一个势态项,得 （8）
式中 α——势态因子,它决定上一次学习的权值变化对本次权值更新的影响程度。本文所采用的ＢＰ神经网络如图1所示,图中Ｗij,Ｗjk为各层连接权。
2 ＢＰ网络组合预测法
20世纪90年代初,Granger和Terasvirta等人研究发现,非线性组合预测比线性组合预测所得的结果误差更小。利用人工神经网络进行组合预测是近年来非线性组合预测研究的一大突破。非线性组合预测是将多种预测方法得到的预测结果进行非线性组合得到一个预测精度更高的预测结果ｆｅ,即ｆｅ=φ(ｆ1,ｆ2,…,ｆｋ)(14) 非线性函数关系的存在使利用一般方法来确定函数φ非常困难,而用多层ＢＰ神经网络来实现这种非线性函数关系的映射就容易得多。可以ｆ1,ｆ2,…,ｆｋ为Ｋ个输入,ｆｅ为输出,建立一个多层ＢＰ网络来完成非线性组合预测。
神经网络是一种模拟人类大脑思维方式的数学模型,具有学习、记忆及纠错功能,以其对众多学科的包容性、应用范围的广泛性及理论方法的多样性而引人瞩目。神经网络模型是非线性系统,具有一个隐层的神经网络法,可以拟合输入和输出之间的任意非线性关系,而不要求资料满足正态分布和其它特殊分布,可以自由估计模型(即非参数模型) 。神经网络具有很强的综合能力,输入和输出间的联系可从训练中学习得到,然后再用于计算中。
3、实例应用
本文选用职工医疗卫生费、全国乡民医疗消费、全国市民医疗消费、政府卫生支出、人口、GDP等指标，经人工神经网络模型预测今后各年的卫生总费用。 对于表1中的样木，应用Visual C++6. 0编制描述BP神经网络的计算机程序，选择前7个样本进行训练，经过86740周期网络收敛，其最大误差小」几0.01，达到预定要求.用训练好的网络计算样本8和样本9的研制费用，并与回归法估算的结果做比较，结果如表2所示。
表1 卫生总费用预测变量数据
序号 职工医疗卫生费 全国乡民医疗消费 全国市民医疗消费 政府卫生支出 年份 人口数 GDP
1 107.6 89.63 21.83 120.67 1978 96259 3624.1
2 119.96 94.99 22.71 136.43 1979 97542 4038.2
3 131.45 107.84 27.65 164.42 1980 98705 4517.8
4 136.76 114.41 29.98 185.04 1981 100072 4862.4
5 156.61 125.63 42.39 213.94 1982 101654 5294.7
6 178.84 131.32 45.10 238.14 1983 103008 5934.5
7 195.41 149.12 50.61 261.69 1984 104357 7171.00
8 209.24 179.31 64.74 288.41 1985 105851 8964.4
9 260.97 258.30 74.91 310.59 1986 107507 10202.2
表2 神经网络与真实值比较
真实值 预测值 相对误差
1987 3.17 3.16 0.00315
1988 3.27 3.21 0.01834
1989 3.38 3.34 0.11834
从表2可以看出，一旦网络训练成功，应用BP神经网络进行预测，其精度要比回归法更加精确，而且方便快捷.
4 结论
基于BP算法的神经网络模型应用于医疗费用测算的结果表明，神经网络模型具有一些其他方法（如回归分析方法等）无法比拟的优点，体现在：（1）它主要根据所提供的数据，通过一定数量样本的学习和训练，找出输入与输出之间的内在联系，从而求取问题的解，而不是完全依据对问题的经验知识和规则，因而具有自适应功能，这对于弱化权重确定的人为因素十分有益。（2）医疗费用测算比较复杂，各个指标之间相互影响，相互联系，呈现出复杂的非线性关系，神经网络是处理这类非线性问题的强有力工具。因此与其它评价方法相比，基于神经网络的评价方法越来越显示出它的优越性。（3）传统统计模型要求一些指标服从特定的分布（如正态分布），而神经网络对指标的分布没有特别要求，加大了使用的便利性。（4）在实际使用神经网络评价模型中，也有一些值得注意的地方，选择指标作为神经网络输入参数是模型预测准确与否的关键性因素之一。所选择的指标必须能客观、准确地反映出医疗费用的实际状况，这些指标能对医疗费用的实际状况做出良好的预测。
参考文献:
[1]张文彤,竺丽明,王见义,鲍培芬.基于BP神经网络的中医医院住院费用影响因素分析[J].中华医院管理杂志,2005,(3).
[2] 游海燕.基于BP原理的指标体系建立模型方法研究[D].第三军医大学,2004.
[3] 蒋伟,柏朝青.单病种住院费用及相关因素分析[J].中国病案,2005,(5). 职称论文发表网http://www.issncn.com
职称论文发表网http://www.issncn.com
|
法律顾问：廖泉冰律师