论文部分内容阅读
文章通过研究对医院医保联机结算系统时间模型，结合病人出院结算的排队模型，通过隐层设计、练习函数设置、模型实现的方式建立了DRNN模型，并且对模型进行训练和仿真，最终证明医保联机结算系统的高效性。
【关键词】联机结算系统；神经网络；DRNN
当今社会各种软件在没有推向市场之前，一款软件或者一项技术如何显示其优势呢？通常需要一些仿真来证明。同时，甲乙双方当然也很想预测到事后的一些情况。那就非常有必要引入一种预测算法。因此，本文选取神经网络技术中具有反馈的动态神经网络来实现。
1 模型准备
从医保联机结算系统可以知道，出院结算过程本质上就是一个排队等待服务的过程，医院患者准备出院，排队结算，等待院方处理。
2 基于DRNN的模型架构
为了加快实验速度，较好地模拟实验数据，这里选择matlab神经网络工具箱建立DRNN网络模型，并测试预测效果。
2.1 matlab神经网络工具箱
采用matlab提供的NNT（神经网络工具箱）建立DRNN神经网络模型，对结算系统中涉及到的滞后时间进行预测。Matlab神经网络工具箱提供了很多函数，例如mapminmax（）函数、newff（）函数、init（）初始化函数、train（）训练函数、sim（）仿真函数。
2.2 模型建立
由于影响出院结算时间的参数输入有8个，因此需要建立的DRNN网络有8个输入。
2.2.1 隐层设计
选择多少个隐层，以及每个隐层设置多少个单元数，这些情况的设定大部分都需要依据以前的经验，一般来说，隐层的单元数量可以根据输入单元的数量加上输出参数的数量还有一个随机参数，其中这个随机数是个整数，范围在1～10。
2.2.2 练习函数设置
通过软件MATLAB，构建人工神经网络，运行之后，打开属性菜单trainFcn，对该网络对象的练习函数实现修改。
2.2.3 模型实现
针对患者出院结算系统，有得出模型的输入输出参数：（X1 科室代号 1～16）、（X2 挂号时刻 0～400）、（X3 星期几 1～7）、（X4 几月 1～12）、（X5 同科室候诊人数 0～50）、（X6 医生代码 0～200）、（X7 几日 1～31）、（X8 当天已结算人数 0～100 ）、（X9 等待结算时间 0～100）由这些参数，可建立IO向量分别为x、y：
X=[1，16；0，400；1，7；1，12；0，50；0，200；1，31；0，100] Y=[0，100]
如此一来，便建立了有两个隐层、16个单元的神经网络，选取隐层的转换函数tansig，输出层有1个节点、采用了函数purlin，采用Levenberg-Marquardt作为练习的算法，选取动量常数的梯度下降函数作为学习函数，归一化函数选取maxmin函数，评价网络效果会由一个误差函数，此处选择了mse。
2.3 模型训练
模型训练首先需要准备样本数据，对于样本数据的获取可以从挂号库中查询得到。进行模型学习训练。
首先：预处理，将输入的数据进行处理，归一化在[0，1]区间之内。其次：设计网络结构，最后：初始化该网络的权值和偏差。网络的初始权值和偏差一般是用随机函数生成的在[-1，1]的数据。与此配套的数据库采用SQL命令，此次仿真选取一千个样本，其中80%的样本用来练习、多次训练来达到较好的仿真效果，再选取20%的样本来检验这个网络模型的最终效果。
在数据窗口控件中，可以直接存为excel文件格式，在matlab中可直接导入。导入到matlab中的数据需要进行矩阵转制处理，构成8*800的矩阵，结算时间样本数据构成1*800的矩阵。设导入的输入样本矩阵为p，输出样本矩阵为t，则一下命令可以完成网络训练功能。netm=train（netm，p，t）；
需要注意一点，如果没有特殊设置，都会有默认的参数，所以在构建模型时都要根据实际情况进行修改或是在相关代码中设置。
3 仿真试验
在网络训练好之后即可开始仿真实验，实验用其余的200个样本数据，对于仿真结果和实际数据进行比较，由误差函数得出其误差，可以检测当初预测的效果怎么样。进行该实验的先要条件是安装matlab软件，并输入源代码。经过学习训练之后，可得到较小的误差。
以下是matlab中产生的仿真代码：
y=sim（netm，p1）； %仿真
x=1：20； %预测的20例数据
plot（x，t1，‘g-’，x，y）； %二维界面图
title（‘预测效果’）； %图像标题
xlabel（‘患者序号’）； %横轴标题
ylabel（‘等待时间’）； %纵轴标题
4 結果分析
通过多次训练不断修正相关参数之后，该神经网络能够较好地预测到结算等待时间，能够证明该结算系统在提升速度、改善医院工作效率方面是有着显著效果的。如果将此算法运用到联机结算系统中，例如：可以对患者挂号、收费或住院结算排队时间进行预测，避免患者人多拥挤，方便医院和患者的时间安排。
作者简介
韩莉（1977-），女，安徽省阜阳市人。大学本科学历。现为石家庄信息工程职业学院讲师。研究方向为计算机信息开发。
韩红彩（1980-），女，山西省人。研究生学历。现为石家庄信息工程职业学院助教。研究方向为信息安全。
贺宏（1979-），女，河北省新乐市人。大学本科学历。现为石家庄信息工程职业学院副教授。研究方向为信息系统开发。
张亚娜（1979-），女，河北省石家庄市人。大学本科学历。现为石家庄信息工程职业学院副教授。研究方向为信息系统开发。
作者单位
石家庄信息工程职业学院 河北省石家庄市 050000
【关键词】联机结算系统；神经网络；DRNN
当今社会各种软件在没有推向市场之前，一款软件或者一项技术如何显示其优势呢？通常需要一些仿真来证明。同时，甲乙双方当然也很想预测到事后的一些情况。那就非常有必要引入一种预测算法。因此，本文选取神经网络技术中具有反馈的动态神经网络来实现。
1 模型准备
从医保联机结算系统可以知道，出院结算过程本质上就是一个排队等待服务的过程，医院患者准备出院，排队结算，等待院方处理。
2 基于DRNN的模型架构
为了加快实验速度，较好地模拟实验数据，这里选择matlab神经网络工具箱建立DRNN网络模型，并测试预测效果。
2.1 matlab神经网络工具箱
采用matlab提供的NNT（神经网络工具箱）建立DRNN神经网络模型，对结算系统中涉及到的滞后时间进行预测。Matlab神经网络工具箱提供了很多函数，例如mapminmax（）函数、newff（）函数、init（）初始化函数、train（）训练函数、sim（）仿真函数。
2.2 模型建立
由于影响出院结算时间的参数输入有8个，因此需要建立的DRNN网络有8个输入。
2.2.1 隐层设计
选择多少个隐层，以及每个隐层设置多少个单元数，这些情况的设定大部分都需要依据以前的经验，一般来说，隐层的单元数量可以根据输入单元的数量加上输出参数的数量还有一个随机参数，其中这个随机数是个整数，范围在1～10。
2.2.2 练习函数设置
通过软件MATLAB，构建人工神经网络，运行之后，打开属性菜单trainFcn，对该网络对象的练习函数实现修改。
2.2.3 模型实现
针对患者出院结算系统，有得出模型的输入输出参数：（X1 科室代号 1～16）、（X2 挂号时刻 0～400）、（X3 星期几 1～7）、（X4 几月 1～12）、（X5 同科室候诊人数 0～50）、（X6 医生代码 0～200）、（X7 几日 1～31）、（X8 当天已结算人数 0～100 ）、（X9 等待结算时间 0～100）由这些参数，可建立IO向量分别为x、y：
X=[1，16；0，400；1，7；1，12；0，50；0，200；1，31；0，100] Y=[0，100]
如此一来，便建立了有两个隐层、16个单元的神经网络，选取隐层的转换函数tansig，输出层有1个节点、采用了函数purlin，采用Levenberg-Marquardt作为练习的算法，选取动量常数的梯度下降函数作为学习函数，归一化函数选取maxmin函数，评价网络效果会由一个误差函数，此处选择了mse。
2.3 模型训练
模型训练首先需要准备样本数据，对于样本数据的获取可以从挂号库中查询得到。进行模型学习训练。
首先：预处理，将输入的数据进行处理，归一化在[0，1]区间之内。其次：设计网络结构，最后：初始化该网络的权值和偏差。网络的初始权值和偏差一般是用随机函数生成的在[-1，1]的数据。与此配套的数据库采用SQL命令，此次仿真选取一千个样本，其中80%的样本用来练习、多次训练来达到较好的仿真效果，再选取20%的样本来检验这个网络模型的最终效果。
在数据窗口控件中，可以直接存为excel文件格式，在matlab中可直接导入。导入到matlab中的数据需要进行矩阵转制处理，构成8*800的矩阵，结算时间样本数据构成1*800的矩阵。设导入的输入样本矩阵为p，输出样本矩阵为t，则一下命令可以完成网络训练功能。netm=train（netm，p，t）；
需要注意一点，如果没有特殊设置，都会有默认的参数，所以在构建模型时都要根据实际情况进行修改或是在相关代码中设置。
3 仿真试验
在网络训练好之后即可开始仿真实验，实验用其余的200个样本数据，对于仿真结果和实际数据进行比较，由误差函数得出其误差，可以检测当初预测的效果怎么样。进行该实验的先要条件是安装matlab软件，并输入源代码。经过学习训练之后，可得到较小的误差。
以下是matlab中产生的仿真代码：
y=sim（netm，p1）； %仿真
x=1：20； %预测的20例数据
plot（x，t1，‘g-’，x，y）； %二维界面图
title（‘预测效果’）； %图像标题
xlabel（‘患者序号’）； %横轴标题
ylabel（‘等待时间’）； %纵轴标题
4 結果分析
通过多次训练不断修正相关参数之后，该神经网络能够较好地预测到结算等待时间，能够证明该结算系统在提升速度、改善医院工作效率方面是有着显著效果的。如果将此算法运用到联机结算系统中，例如：可以对患者挂号、收费或住院结算排队时间进行预测，避免患者人多拥挤，方便医院和患者的时间安排。
作者简介
韩莉（1977-），女，安徽省阜阳市人。大学本科学历。现为石家庄信息工程职业学院讲师。研究方向为计算机信息开发。
韩红彩（1980-），女，山西省人。研究生学历。现为石家庄信息工程职业学院助教。研究方向为信息安全。
贺宏（1979-），女，河北省新乐市人。大学本科学历。现为石家庄信息工程职业学院副教授。研究方向为信息系统开发。
张亚娜（1979-），女，河北省石家庄市人。大学本科学历。现为石家庄信息工程职业学院副教授。研究方向为信息系统开发。
作者单位
石家庄信息工程职业学院 河北省石家庄市 050000