• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>other >Forecasting outpatient visits using empirical mode decomposition coupled with back-propagation artificial neural networks optimized by particle swarm optimization
【2h】

Forecasting outpatient visits using empirical mode decomposition coupled with back-propagation artificial neural networks optimized by particle swarm optimization

机译：使用经验模式分解结合通过粒子群算法优化的反向传播人工神经网络预测门诊人次

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Accurately predicting the trend of outpatient visits by mathematical modeling can help policy makers manage hospitals effectively, reasonably organize schedules for human resources and finances, and appropriately distribute hospital material resources. In this study, a hybrid method based on empirical mode decomposition and back-propagation artificial neural networks optimized by particle swarm optimization is developed to forecast outpatient visits on the basis of monthly numbers. The data outpatient visits are retrieved from January 2005 to December 2013 and first obtained as the original time series. Second, the original time series is decomposed into a finite and often small number of intrinsic mode functions by the empirical mode decomposition technique. Third, a three-layer back-propagation artificial neural network is constructed to forecast each intrinsic mode functions. To improve network performance and avoid falling into a local minimum, particle swarm optimization is employed to optimize the weights and thresholds of back-propagation artificial neural networks. Finally, the superposition of forecasting results of the intrinsic mode functions is regarded as the ultimate forecasting value. Simulation indicates that the proposed method attains a better performance index than the other four methods.
机译：通过数学模型准确预测门诊就诊的趋势，可以帮助决策者有效地管理医院，合理地组织人力资源和财务计划，并适当分配医院的物资资源。在这项研究中，开发了一种基于经验模式分解和通过粒子群算法优化的反向传播人工神经网络的混合方法，以基于月数预测门诊人次。检索2005年1月至2013年12月的数据门诊就诊时间，并首先将其作为原始时间序列获得。其次，通过经验模式分解技术将原始时间序列分解为有限的且通常为少量的固有模式函数。第三，构建了三层反向传播人工神经网络来预测每个固有模式函数。为了提高网络性能并避免陷入局部最小值，采用了粒子群优化算法来优化反向传播人工神经网络的权重和阈值。最后，将本征模式函数的预测结果叠加作为最终预测值。仿真表明，所提出的方法具有比其他四种方法更好的性能指标。

著录项

  • 期刊名称 other
  • 作者

    Daizheng Huang; Zhihui Wu;

  • 作者单位
  • 年(卷),期 -1(12),2
  • 年度 -1
  • 页码 e0172539
  • 总页数 17
  • 原文格式 PDF
  • 正文语种
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号