Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình mạng nơ-ron xám cải tiến để dự đoán tái chế chất thải y tế
Tóm tắt
Bài báo này đề cập đến vấn đề dự đoán nhiều yếu tố của việc tái chế chất thải y tế nhằm thúc đẩy việc xây dựng nền văn minh sinh thái trong bối cảnh triển khai toàn diện chiến lược "Trung Quốc khỏe mạnh". Trong bài báo này, một mô hình mạng nơ-ron xám cải tiến được phát triển để dự đoán mức độ tái chế. Mô hình xám đơn biến bậc một và phương pháp làm mượt ba hàm số mũ được sử dụng để dự đoán những yếu tố ảnh hưởng đến tái chế. Một mạng nơ-ron truyền ngược (BP) được tối ưu hóa bằng thuật toán tối ưu bầy đàn được đào tạo qua việc chọn kết quả dự đoán cao hơn bằng so sánh độ chính xác, và mạng nơ-ron BP đã được đào tạo được sử dụng để dự đoán mức độ tái chế chất thải y tế. Lấy Thượng Hải làm ví dụ, bài báo này sử dụng dữ liệu thực về chất thải y tế ở Thượng Hải trong giai đoạn 2013–2017 và dữ liệu lịch sử của 11 yếu tố ảnh hưởng đến lượng tái chế; những dữ liệu này được sử dụng cho phân tích thực nghiệm. Kết quả nghiên cứu cho thấy rằng mạng nơ-ron xám hoạt động tốt hơn so với các mô hình tham chiếu khác và các mô hình dự đoán truyền thống. Dự đoán chính xác lượng chất thải y tế được tái chế có thể giúp các nhà ra quyết định thực hiện tái chế, và có thể đóng vai trò tham khảo cho các cơ quan chính phủ, giúp họ soạn thảo các luật và quy định liên quan, phát triển các nhiệm vụ đa dạng và phân bổ tài nguyên một cách hợp lý.
Từ khóa
#tái chế chất thải y tế #mô hình mạng nơ-ron xám #dự đoán #tối ưu hóa bầy đàn #phân tích thực nghiệmTài liệu tham khảo
Adamović VM, Antanasijević DZ, Ristić M, Perić-Grujić AA, Pocajt VV (2018) An optimized artificial neural network model for the prediction of rate of hazardous chemical and healthcare waste generation at the national level. J Mater Cycles Waste Manag 20(3):1–15
Bahrami S, Hooshmand RA, Parastegari M (2014) Short term electric load forecasting by wavelet transform and grey model improved by pso (particle swarm optimization) algorithm. Energy 72(7):434–442
Bai Y, Xiao H, Tong C, Hua Y (2015) Quadratic kernel-free least squares support vector machine for target diseases classification. J Comb Optim 30(4):850–870
Bing W, Han X, Zhang X, Zhang S (2015) Predictive-reactive scheduling for single surgical suite subject to random emergency surgery. J Comb Optim 30(4):949–966
Cheng H, Yang W, Tong C (2017) Prognostics and health management of life-supporting medical instruments. J Comb Optim 1:1–13
Luo D, Liu SF, Dang YG (2003) The optimization of grey model GM (1,1). Eng Sci 5(8):50–53
Deng J (1987) Gray system basic method. Huazhong University of Science and Technology Press, Wuhan
Fan HM, Qi TX, Mu XW (2013) Forecasting of medical waste generation amount based on gm (1, n) model. Adv Mater Res 726–731:2850–2854
Feng Y, Kitzmiller DH (2006) A short-range quantitative precipitation forecast algorithm using back-propagation neural network approach. Adv Atmos Sci 23(3):405–414
Guo ZH, Wu J, Lu HY, Wang JZ (2011) A case study on a hybrid wind speed forecasting method using bp neural network. Knowl Based Syst 24(7):1048–1056
Hao H, Wang Z, Lin H, Zhang Q, Huang M, Zhu J (2017) Fifth profit source: commercial value and mode of reverse logistics in China. Logist Technol 36(8):47–50
Hao H, Zhang Q, Wang Z (2018a) Feasibility evaluation for reverse logistics of end-of-life vehicles battery based on improved fuzzy neural network. China Busi Market 32(6):15–24. https://doi.org/10.14089/j.cnki.cn11-3664/f.2018.06.002
Hao H, Zhang Q, Wang Z, Zhang J (2018b) Forecasting the number of end-of-life vehicles using a hybrid model based on grey model and artificial neural network. J Clean Prod 202:684–696
Hu B, Fang P, Lei W (2017) A scheduling algorithm for medical emergency rescue aircraft trajectory based on hybrid estimation and intent inference. J Comb Optim 4:1–22
Jiang SJ, Jiang CG (2008) Urban water demand forecasting by combining improved BP neural network and grey model with optimum weight. J Chongqing Jianzhu Univ 30(2):113–115
Liu S (2005) Prediction technology and method. Higher Education Press, Beijing
Niu W, Cheng J, Wang G (2013) Applications of extension grey prediction model for power system forecasting. J Comb Optim 26(3):555–567
Wang Z, Hao H, Gao F, Zhang Q, Zhang J, Zhou Y (2019) Multi-attribute decision making on reverse logistics based on dea-topsis: a study of the Shanghai end-of-life vehicles industry. J Clean Prod 214:730–737
Wu D, Gao H (2016) A BP and switching PSO based optimization approach for engine optimization. Natl Acad Sci Lett 40(1):1–5
Yu X, Jin H, Shi L, Ying W, Zhao Y (2017) Application of a BP neural network in predicting destroyed floor depth caused by underground pressure. Environ Earth Sci 76(15):535
Zhang E, Hou L, Shen C, Shi Y, Zhang Y (2016) Sound quality prediction of vehicle interior noise and mathematical modeling using a back propagation neural network (BPNN) based on particle swarm optimization (PSO). Meas Sci Technol 27(1):015801
Zhao R, Liu D, Li Q, Liu J (2008) Medical waste production forecasting research. J Chengdu Med Coll 3(2):115–119