基于R S-B P 神經網絡的三甲醫院災害脆弱性預測方法

段然 肖天輝

（河北省承德醫學院附屬醫院，河北承德 067000）

近幾年來，我國的醫院數量在逐年增加，同時，三甲醫院的醫療技術也在逐步提升，這主要是因為我國的基礎醫療設施結構在不斷地完善發展。但是在這樣的高速發展下，仍然存在部分的缺陷和問題。

目前階段，三甲醫院災害發生率以及致死率漸漸提升，這對于我國的醫療事業邁入新的臺階產生了極為重大的影響，所以，需要對三甲醫院的相關災害作出精準的預測，并在災害發生之前，做好相應的防護措施，盡量避免或者減少人員傷亡和經濟損失[1]。通常情況下，建設醫院的位置會確定在相對安全的內陸地區，這就極大地減少了部分災害的發生和影響，所以，醫院的災害多數以地震災害為主。這種災害實際上具有一定的隨機性和不穩定性，同時形成條件也較為復雜，不易監測和控制，誘發原因也無規律。

傳統的醫院災害預測方法大致是采用數據維穩的方式來進行的，通過日常監測數據的對比分析，來獲取災害發生的幾率，但是這種方式存在一定的延時性，不能及時地作出應對，容易造成預測脫節的現象[2]。所以，需要建立更加靈活多變的預測方法，從多角度、多層次、多結構上去獲取相關的數據信息，并將其細化、討論，再結合實際的情況，得出較為全面、科學的預測結果，并依據結果制定出維穩的執行方案。RS-BP 神經網絡技術是目前應用較為廣泛的一項數字化管控技術，主要是通過大數據以及互聯網平臺軟件的輔助，建立三維影像模型，利用所制造的模型來解決相關的問題，以避免在實際的操作過程中出現失控的情況。除此之外，RS-BP 神經網絡技術還可以遠距離精準預測災害，對比于傳統的方法，檢測預測的范圍更大，層次更多，結構更加完整[3]。因此，對基于RS-BP 神經網絡的三甲醫院災害脆弱性預測方法進行設計，變更傳統的預測結構和內容，結合智能化技術，提升我國的綜合監管預測水平，增加醫院的安全性，降低脆弱條件。

1 三甲醫院災害脆弱性預測方法設計

1.1 進行災害三維數據預處理

在對三甲醫院災害脆弱性預測方法進行設計之前，需要對日常醫院的數據信息進行三維預處理。一般情況下，需要先采用位移監測儀獲取醫院附近的環境數據，并對周圍的地質環境作出數字化三維掃描，建立三維實體的預測處理模型。將獲取的數據信息匯總整合，同時形成關聯性分析報告，此項報告主要是對醫院周圍可能產生、引發災害的外部影響因素歸納總結，并篩選出最關鍵的一部分，進行重點的關注、監測。但是需要注意的是，位移監測儀在獲取數據的過程中由于溫度、風向、土質等外部因素的影響，可能會出現一定的誤差，同時也會出現數據的采集與傳輸不穩定的狀態出現，所以，需要利用BIM信息處理技術，建立輔助建模，計算建模的維穩函數，如下公式（1）所示：

公式（1）中：J 表示建模的設計維穩函數，δ 表示位移偏差數值，通過以上計算，最終可以得出實際的維穩函數。將維穩函數作為預處理的動態標準，具體如下表1 所示。

表1 預處理維穩標準表

根據表1 中的數據信息，進行維穩標準的精度設定。完成之后，為確保預處理不存在誤差，建立多位移的災害預測結構，可以靈活應對所出現的各種類型的災害，另外，在進行預處理的過程中，可以通過建立BIM 信息模型來獲取實際的權重值，并根據實際的情況的變化作出適當的更改，輔助建模中HIA 可以安裝多個傳感器，用來監測實時變化的數據，更快地獲取到災害預測情況的預測值[4]。

1.2 建立線性歸一化轉換脆弱性預測模型

在完成災害的三維數據預處理之后，接下來，利用線性的歸一化技術轉換預測模型。先對預測模型的各項參數進行設置。包括各個層級的信號選擇，例如：輸入層、輸出層。這部分可以將不同的災害特征以及影響因子作為信號標準，在合理的預測范圍之內，對信號節點、學習速率、動態因子、慣性函數、訓練精度等進行處理分析，并獲取相對應的數據信息，簡化操作模型，并將預處理的結構添加在模型之中，一定程度上增強了預測模型的實用價值。計算轉換比例，如下公式（2）所示：

公式（2）中：H 表示轉換比例，d 表示脆弱標準值，s 表示線性極值。通過以上計算，最終可以得出實際的轉換比例。根據比例進行數據信息的轉換，在此基礎上，繼續計算其線性期望值，如下公式（3）所示：

公式（3）中：D 表示線性期望值，β 表示實際輸出值，e 表示訓練總節點。通過以上計算，最終可以得出具體的線性期望值。依據期望目標，建立相關的線性歸一預測結構，在此結構之中，進行對應的脆弱性細節預測，并將所得出的預測及過程整合分析[5]。線性歸一的預測方法更加貼近現實，同時在三維數字化技術的輔助之下，也可以更好地進行災害的實景預測，擴大預測的范圍和質量。對模型預測的各個層級需要實施復合觀測，一旦出現誤差，則表明預測存在不準確的可能，需要對相關的數據進行核驗，及時更正誤差的數值以及信號，增加預測模型的精準性。

1.3 RS-BP 網格訓練技術實現醫院災害脆弱性的預測

在完成線性歸一化轉換預測模型的建立后，需要通過RS-BP 網格訓練技術來最終實現三甲醫院災害脆弱性的全面預測。由于醫院的災害預測往往都是隨機性的，所以，隨機的預測值是無法用固定的函數來描述的，需要結合動態函數來拼湊計算，如下公式（4）所示：

公式（4）中：G 表示動態脆弱值，θ 表示隨機誤差，α 表示描述距離。通過以上計算，最終可以得出實際的動態成析值。將其與預測的基礎數據作出對比，采集誤差，并總結出對應的運行規律，在BIM 信息模型與預測模型之中建立關聯關系，并制定關聯預測條件，如下表2 所示。

表2 關聯預測脆弱條件表

根據表2 中的預測條件，進行關聯預測模型的二次構建。在此基礎上，建立一個預測序列，首先，需要識別預測的模型，并在原本的處理序列之中，增加RS-BP 殘差序列，并進行預測的網格訓練，每一個殘差序列都需要設立一個修正節點，便于訓練過程中預測的準確性[6]。計算殘差訓練節點預測值，如下公式（5）所示：

公式（5）中：χ 表示殘差訓練節點預測值，G 表示動態成析值，通過以上計算，最終得出具體的殘差訓練節點預測值，在模型中進行三維的RS-BP 網格訓練，利用成像技術，再結合預測方法，觀察醫院災害的脆弱性，在此基礎上，計算其脆弱維穩程度比值，如下公式（6）所示：

公式（6）中：U 表示脆弱維穩程度比值，G 表示動態成析值，χ 表示殘差訓練節點預測值，t 表示脆弱程度。計算得出的實際數值進行分析，獲取到最終醫院災害脆弱性的預測結果。

2 預測實例分析

2.1 三甲醫院災害脆弱性現狀簡述

通常醫院在建設初期會對實際的位置以及周圍的情況作出較為細致的核查調研，確保無嚴重的外部影響因素，這就很大程度地避免了海嘯、泥石流、沙塵暴等災害的影響，所以，地震這種內陸型的災害的發生率就相對較高了，影響也會較廣，相對地災害的脆弱性也會較強。我國三甲醫院目前的基礎防護設施是較完善的，但是由于災害的發生具有一定的隨機性，同時醫院的監測模式較為單一，導致災害脆弱性較強，對醫院的正常運行以及安全程度產生了極為嚴重的影響。

2.2 進行災害預測過程及結果討論

選取A 市某區的醫院作為本次實例分析的研究對象，具體的分析過程如圖1 所示。

圖1 災害脆弱性分析流程示意圖

根據圖1 的分析，組中可以得出相應的預測數據，對其進行分析討論，如表3 所示。

表3 災害脆弱性預測結果分析表

根據表3 中的數據信息，可以得出最終的分析預測結果：在相同的分析環境之下，醫院災害的脆弱性預測值由動態預測值和實測值所組成。通過觀察，可以了解到預測平方誤差為0.36和0.15，均在合理的范圍之內，這表明預測方法存在一定的合理性，并且效果較好，具有一定的實際應用價值。

3 結論

綜上所述，便是對基于RS-BP 神經網絡的三甲醫院災害脆弱性預測方法的設計與研究。對比于傳統的預測方法，RS-BP神經網絡法對醫院災害的預測精度相對更高，同時具有極強的可操作性，在不同的災害情況下，可以靈活對周圍環境作出分析，并且制定針對性較高的預測處理方案，通過對不同的影響因子進行分析討論，進一步增強其實用性。另外，基于RS-BP 神經網絡技術在醫院災害脆弱性預測中的應用還在一定程度上提高了醫院整體的安全性。