摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第一章 绪论 | 第9-17页 |
1.1 论文背景及意义 | 第9-11页 |
1.1.1 研究背景 | 第9-10页 |
1.1.2 研究意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-13页 |
1.2.1 国外研究现状 | 第11-12页 |
1.2.2 国内研究现状 | 第12-13页 |
1.2.3 存在的主要问题 | 第13页 |
1.3 研究内容 | 第13-15页 |
1.3.1 研究路线 | 第13-14页 |
1.3.2 关键问题 | 第14-15页 |
1.4 论文结构 | 第15-17页 |
第二章 审计预警模型理论基础与相关技术介绍 | 第17-26页 |
2.1 信息融合技术 | 第17-18页 |
2.1.1 信息融合概述 | 第17页 |
2.1.2 信息融合过程 | 第17-18页 |
2.2 审计危机预警模型概述 | 第18-21页 |
2.2.1 审计危机预警的定义 | 第18页 |
2.2.2 审计危机预警模型研究现状 | 第18-20页 |
2.2.3 预警指标的选取原则 | 第20-21页 |
2.3 医院审计预警系统概述 | 第21-24页 |
2.3.1 系统概述 | 第21-22页 |
2.3.2 系统网络结构 | 第22-23页 |
2.3.3 系统总体框架及重点模块介绍 | 第23-24页 |
2.4 系统实现相关技术介绍 | 第24-25页 |
2.4.1 J2EE体系结构 | 第24-25页 |
2.4.2 Spring MVC框架 | 第25页 |
2.5 本章小结 | 第25-26页 |
第三章 基于神经网络BP算法的审计预警模型的研究 | 第26-45页 |
3.1 数据分析与处理 | 第26-28页 |
3.1.1 医院审计数据采集 | 第26-27页 |
3.1.2 医院审计数据处理 | 第27-28页 |
3.2 基于经典神经网络BP算法构建审计预警模型 | 第28-32页 |
3.2.1 审计预警算法的对比与分析 | 第28-29页 |
3.2.2 经典神经网络BP审计预警模型的构建 | 第29-32页 |
3.3 基于改进神经网络BP算法构建审计预警模型 | 第32-37页 |
3.3.1 经典审计预警模型存在的问题以及改进方法 | 第32-33页 |
3.3.2 OBGA-FHBP审计预警模型的构建 | 第33-37页 |
3.4 优化审计预警模型结果分析与对比 | 第37-44页 |
3.4.1 输入变量组合对审计预警模型的影响与分析 | 第37-40页 |
3.4.2 隐含层神经元个数对审计预警模型的影响与分析 | 第40-44页 |
3.5 本章小结 | 第44-45页 |
第四章 基于D-S证据理论的审计危机预警模型的构建与分析 | 第45-58页 |
4.1 审计危机预警指标的分析与确定 | 第45-48页 |
4.1.1 指标特性分析 | 第45-46页 |
4.1.2 构建审计危机预警指标体系 | 第46-48页 |
4.2 构建DR-Z审计危机预警模型 | 第48-57页 |
4.2.1 基于D-S证据理论建立审计危机指标等级排序框架 | 第48-49页 |
4.2.2 DR-Z审计危机预警模型的实现与分析 | 第49-57页 |
4.3 本章小结 | 第57-58页 |
第五章 医院审计预警系统的设计与实现 | 第58-69页 |
5.1 系统设计目标 | 第58页 |
5.2 系统总体设计 | 第58-60页 |
5.2.1 工作人员角色设计 | 第58-59页 |
5.2.2 功能模块设计 | 第59-60页 |
5.3 系统详细设计 | 第60-65页 |
5.3.1 系统用例图 | 第61-62页 |
5.3.2 系统类图 | 第62-64页 |
5.3.3 系统时序图 | 第64-65页 |
5.4 主要功能模块实现 | 第65-68页 |
5.4.1 审计数据预警模块结果分析 | 第66-67页 |
5.4.2 审计危机预警模块决策分析 | 第67-68页 |
5.5 本章小结 | 第68-69页 |
第六章 总结与展望 | 第69-71页 |
6.1 本文研究工作总结 | 第69-70页 |
6.2 今后工作展望 | 第70-71页 |
参考文献 | 第71-76页 |
攻读硕士期间的学术成果 | 第76-77页 |
致谢 | 第77页 |