目的:基于误差反向传播(error back propagation,BP)神经网络评估监护仪配置数量的合理性。方法:选用平均住院人数、平均手术量、平均住院天数、设备报废数量、设备平均使用年限和设备维修次数6个指标作为BP神经网络的输入,选用设备在...目的:基于误差反向传播(error back propagation,BP)神经网络评估监护仪配置数量的合理性。方法:选用平均住院人数、平均手术量、平均住院天数、设备报废数量、设备平均使用年限和设备维修次数6个指标作为BP神经网络的输入,选用设备在用台数作为BP神经网络的输出,建立BP神经网络模型。以季度为单位收集2020—2021年全年以及2022年前2个季度9个内科科室的数据作为训练集,以2022年第三季度的数据作为测试集对学习结果进行验证。采用均方根误差、平均绝对误差及决定系数对模型的性能进行验证。结果:该模型的预测值与期望值的均方根误差为1.1357、平均绝对误差为0.89372、决定系数为0.95871,预测性能较好。结论:基于BP神经网络对监护仪的配置数量进行评估具有可行性,可为设备的优化配置提供科学的指导依据。展开更多
文摘目的:基于误差反向传播(error back propagation,BP)神经网络评估监护仪配置数量的合理性。方法:选用平均住院人数、平均手术量、平均住院天数、设备报废数量、设备平均使用年限和设备维修次数6个指标作为BP神经网络的输入,选用设备在用台数作为BP神经网络的输出,建立BP神经网络模型。以季度为单位收集2020—2021年全年以及2022年前2个季度9个内科科室的数据作为训练集,以2022年第三季度的数据作为测试集对学习结果进行验证。采用均方根误差、平均绝对误差及决定系数对模型的性能进行验证。结果:该模型的预测值与期望值的均方根误差为1.1357、平均绝对误差为0.89372、决定系数为0.95871,预测性能较好。结论:基于BP神经网络对监护仪的配置数量进行评估具有可行性,可为设备的优化配置提供科学的指导依据。