| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题研究的背景 | 第13-14页 |
| 1.2 课题研究的目的和意义 | 第14页 |
| 1.3 课题研究的主要内容 | 第14-16页 |
| 1.4 课题研究的技术路线与方法 | 第16-17页 |
| 1.5 论文结构安排 | 第17-19页 |
| 第2章 药品需求量预测问题的相关理论基础与研究综述 | 第19-37页 |
| 2.1 引言 | 第19页 |
| 2.2 数据挖掘概述 | 第19-26页 |
| 2.2.1 数据挖掘的任务 | 第20-21页 |
| 2.2.2 数据挖掘的方法 | 第21-22页 |
| 2.2.3 数据挖掘的软件 | 第22-23页 |
| 2.2.4 数据挖掘在医药领域的研究综述 | 第23-26页 |
| 2.3 预测方法概述 | 第26-32页 |
| 2.3.1 时间序列预测模型 | 第27-29页 |
| 2.3.2 因果关系预测模型 | 第29-32页 |
| 2.4 药品需求量预测问题的研究综述和背景知识概述 | 第32-36页 |
| 2.4.1 药品需求量预测问题概述及其研究综述 | 第32-33页 |
| 2.4.2 医院药品的采购现状及流程 | 第33-34页 |
| 2.4.3 医院药品的分类 | 第34-36页 |
| 2.5 本文小结 | 第36-37页 |
| 第3章 药品需求量的ARIMA-BP神经网络预测模型研究 | 第37-53页 |
| 3.1 引言 | 第37页 |
| 3.2 ARIMA模型概述 | 第37-39页 |
| 3.3 BP神经网络预测模型概述 | 第39-40页 |
| 3.4 ARIMA-BP神经网络预测模型设计 | 第40-43页 |
| 3.4.1 预测模型的算法设计 | 第40-41页 |
| 3.4.2 BP神经网络参数设定 | 第41-43页 |
| 3.5 药品需求量的ARIMA-BP神经网络预测实例分析 | 第43-52页 |
| 3.5.1 预测模型的建模步骤 | 第43-45页 |
| 3.5.2 基于SPSS和MATLAB的建模实现过程 | 第45-47页 |
| 3.5.3 预测结果分析 | 第47-49页 |
| 3.5.4 实例测试结果分析 | 第49-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 基于处方数据的高用量药品的关联分析 | 第53-67页 |
| 4.1 引言 | 第53页 |
| 4.2 Apriori算法概述 | 第53-55页 |
| 4.3 关联规则的测度指标 | 第55-56页 |
| 4.3.1 关联规则的有效性测度指标 | 第55-56页 |
| 4.3.2 关联规则的实用性测度指标 | 第56页 |
| 4.4 基于处方数据的药品关联分析 | 第56-66页 |
| 4.4.1 数据来源与预处理 | 第57页 |
| 4.4.2 基于Clementine的Apriori关联分析实现过程 | 第57-59页 |
| 4.4.3 Apriori关联规则挖掘结果分析 | 第59-61页 |
| 4.4.4 Apriori关联模型比较 | 第61-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 基于遗传算法的BP神经网络预测药品需求量 | 第67-83页 |
| 5.1 引言 | 第67页 |
| 5.2 遗传算法概述 | 第67-69页 |
| 5.2.1 遗传算法的实现步骤 | 第67-68页 |
| 5.2.2 遗传算法对BP神经网络的改进 | 第68-69页 |
| 5.3 基于遗传算法的BP神经网络预测模型设计 | 第69-73页 |
| 5.3.1 预测模型的网络拓扑结构设计 | 第69页 |
| 5.3.2 预测模型的算法设计 | 第69-70页 |
| 5.3.3 BP神经网络的参数设定 | 第70页 |
| 5.3.4 遗传算法的参数设定 | 第70-73页 |
| 5.4 基于遗传算法的BP神经网络预测模型实例分析 | 第73-82页 |
| 5.4.1 预测模型的建模步骤 | 第73-74页 |
| 5.4.2 基于MATLAB的建模实现过程 | 第74-77页 |
| 5.4.3 预测结果分析 | 第77-79页 |
| 5.4.4 实例测试结果分析 | 第79-82页 |
| 5.5 本章小结 | 第82-83页 |
| 第6章 药品需求量的组合预测模型研究 | 第83-95页 |
| 6.1 引言 | 第83页 |
| 6.2 组合预测模型概述 | 第83-86页 |
| 6.2.1 线性组合预测模型 | 第84-85页 |
| 6.2.2 非线性组合预测模型 | 第85页 |
| 6.2.3 非线性组合预测模型的优势 | 第85-86页 |
| 6.3 基于GA-BP神经网络的非线性组合预测模型实现过程 | 第86-88页 |
| 6.3.1 非线性组合预测模型的算法设计 | 第86-87页 |
| 6.3.2 非线性组合预测模型的建模步骤 | 第87-88页 |
| 6.4 基于GA-BP神经网络的非线性组合预测实例分析 | 第88-94页 |
| 6.4.1 预测结果分析 | 第89-90页 |
| 6.4.2 实例测试结果分析 | 第90-94页 |
| 6.5 本章小结 | 第94-95页 |
| 第7章 总结与展望 | 第95-97页 |
| 7.1 论文工作总结 | 第95-96页 |
| 7.2 论文工作展望 | 第96-97页 |
| 参考文献 | 第97-107页 |
| 致谢 | 第107-109页 |
| 攻读硕士期间发表的论文、获奖情况及发明专利等项 | 第109-110页 |
