基于支持向量机的医院动态财务信息预警优化

陈星,刘静,狄雪平

（1．湖北省十堰市妇幼保健院，湖北十堰 442000；2．十堰市人民医院，湖北十堰 442000）

1 引言

随着医疗财务改革和建设的不断发展和推进，需要结合计算机信息化管理方法，进行医院的财务动态信息监控和预警，通过建立医院动态财务信息预警系统，进行医院信息化管理建设，从而提高医院财务的信息化管理能力[1]。医院动态财务信息预警方法是通过对医院动态财务信息的动态特征挖掘和大数据融合调度基础上，采用相似度特征分析方法，进行医院动态财务信息智能融合控制[2]，通过医院动态财务信息预警设计，分析医院财务信息的相关性特征量，结合水平动态评估和异常监测方法，进行医院财务信息的动态预警和感知，从而提高医院财务信息的动态分析和监测能力。

相关的医院财务信息预警系统设计方法研究受到人们的极大关注[3]。国外对财务风险的研究已经建立出较为完整的财务预警模型，适用范围较广。特别是“Z-score模型”成果的诞生，拉开了欧美学者对财务风险预警的序幕，为公司财务实证研究开辟了新的领域。在国外研究的基础上，我国学者在财务风险预警及相关理论方面取得了重大突破和进步。但是目前阶段的研究成果仍然集中在定义和管理上，没有真正做到与时俱进，应用较为宽泛，解决行业问题的方法缺少有效的针对性实践性。医药行业方面，没有根据企业实际特有的情况为医药行业建立完整的财务风险控制系统。文献[4]中提出基于模糊度特征检测的医院动态财务信息方法，采用多样本特征信息采样方法构建医院动态财务信息大数据分析模型，通过模糊信息融合，实现医院动态财务信息预警，但这种方法进行医院动态财务信息预警的特征分辨力不高，信息提取能力不好。文献[5]中提出基于动态信息评估和模糊PID 神经网络学习的财务信息预警监测方法，采用局部信息拟合方法，进行动态预警监测，但该方法进行医院动态财务信息预警的计算开销较大，实时性不好。针对上述问题，本文提出基于支持向量机的医院动态财务信息预警方法。构建大数据检测和统计信息分析模型，采用支持向量机学习方法，进行医院动态财务信息挖掘的分类识别，实现对异常医院动态财务信息的实时监测和预警。最后进行仿真测试分析，其测试结果表明，本文方法在提高医院动态财务信息预警能力方面的具有优越性能。

2 医院动态财务信息大数据分析模型和特征融合

为了实现医院动态财务信息预警，通过B/S 技术进行医院动态财务管理，结合模糊PID控制方法，构建医院动态财务信息大数据检测和统计信息分析模型，进行医院动态财务预警的过程控制，从而构建医院动态财务信息大数据特征融合模型。

2.1 医院动态财务信息大数据分析模型

采用Revit 软件进行医院动态财务预警的大数据采样和统计特征分析，结合嵌入式的PLC和B/S构架协议，进行医院动态财务信息的大数据采样检测分析，得到医院动态财务信息的统计信息采样的稳定条件为：

采用自适应的参数寻优方法，进行医院动态财务信息预警和优化调度[6]，利用聚类拓扑分析的方法，得到自适应加权特征量：

式中，Tri为医院动态财务信息的数据聚簇总数，表示相关性统计分布均值。通过上述分析，根据医院财务信息的线性数据检测和统计分析结果，进行医院动态财务信息分布式的动态管理和监测[8]。结合检测统计分析方法进行医院财务信息的动态管理和数据分析，结合交叉编译控制方法，进行医院动态财务预警系统的总体模块设计，如图1所示。

图1 医院动态财务信息预警总体设计

2.2 医院财务信息数据特征融合

采用支持向量机学习方法，通过动态调节参数进行线性规划设计，构建医院动态财务信息统计分析数据库，提取医院动态财务信息预警的支持向量机示函数，得到医院动态财务信息动态分布特征量为：

对于每个簇的簇头节点H，医院动态财务信息预警的检测统计特征量为Trj，j=1，2，3，…，计算医院动态财务信息预警的数据离散度函数，其表达为：

经过上述分析，求得prj(k)的最优值，得到加权系数ωrj(k)2，根据支持向量机学习方法及参数寻优结果，完成医院动态财务信息监测的数据特征融合，继而进行医院动态财务信息监测和预警。

3 医院动态财务信息预警优化

3.1 医院动态财务信息预警监测

通过模糊信息融合方法，进行医院动态财务信息预警和自适应学习，采用模糊信息融合方法，进行医院动态财务信息预警过程中的辅助决策，运用支持向量机学习的时间窗口进行医院动态财务信息预警的动态测量，得到动态测量函数为：

为确定各数据向量的差异性，将医院动态财务信息预警模型转化为支持向量机学习的凸优化问题，得到动态信息测量误差系数：

进行医院动态财务信息预警过程中的运维管理，分析财务信息的异常分布特征量，存在P(异常|x1)≠P(异常|x2)，其中x1∈X训练1或X分类1，且x2∈X训练2或X分类2，得到医院动态财务信息预警监测模型，其表达为：

当存在，X训练，X分类X数据，X训练={xt-n，xt-n+1，…，xt}时，得到医院动态财务信息预警检测的最优解，记为。根据上述分析，进行医院动态财务信息预警监测，提高动态财务信息预警系统的监测能力。

3.2 医院动态财务预警的过程优化

基于支持向量机学习方法，挖掘医院动态财务信息同时分类识别，对所有医院动态财务信息异常特征进行求解，满足，医院动态财务信息预警的特征变量为μ1、μ2和μm，使得医院动态财务信息预警寻优问题满足：

其中，μm代表满足收敛解。

结合财务信息训练集的差异度，根据训练集X训练i选择差错辨识特征量αi，发现医院动态财务信息预警的支持向量机学习函数为Φ(i)，通过非线性映射得到财务信息预警的支持向量机分类结果为：

通过结合上述分析，基于支持向量机算法，得到医院动态财务信息预警的过程优化函数，其表达为：

综上所述分析，完成医院动态财务预警的过程优化，从而实现医院动态财务信息智能预警和监测，提高智能预警监测能力。

4 仿真测试分析

采用Matlab 进行财务信息动态预警的数据处理分析，采用SPSS 统计分析软件进行财务信息的统计分析，在嵌入式ARM中进行医院动态财务预警监测软件开发，系统软件开发的实现流程如图2所示。

图2 系统软件开发的实现流程

假设对医院动态财务信息采样的大数据分布样本数为800，特征采样率f0=1KHz，关联系数为0．45，模糊统计特征分布集大小为14，测试在不同的预警阈值下医院动态财务信息分类预警输出如图3所示。

图3 不同的预警阈值下医院动态财务信息分类预警输出

根据图3的预警输出分析得知，采用本文方法进行医院动态财务信息预警的输出稳定性较高，预警能力较好，测试预警的准确性，得到对比结果见表1，分析表1得知，本文方法进行医院动态财务信息预警的精度较高，融合度水平较好。

表1 医院动态财务信息预警准确性对比

5 结束语

通过医院动态财务信息预警设计，分析医院财务信息的相关性特征量，本文提出基于支持向量机的医院动态财务信息的预警方法。结合水平动态评估和异常监测方法，进行医院财务信息的动态预警和感知，结合交叉编译控制方法，进行医院动态财务预警系统的总体模块设计，提取医院动态财务信息动态分布特征量，采用支持向量机学习方法，结合财务信息训练集的差异度，得到财务信息预警的支持向量机分类结果。分析结果表明，采用本文方法进行医院动态财务信息预警的准确性较高，对财务信息的异常特征信息分类管理能力较好，在医院财务管理和监管中具有很好的应用价值。