基于概率神经网络的核保风险分析模型.docVIP

基于概率神经网络的核保风险分析模型 　　摘 要：本文就主要基于概率神经网络的核保风险分析模型进行了探究，采用多远计算的方法建构一个风险模型，结合研究的实际情况，分析医疗保险中的核保风险分析模型，通过构建的模型，可以充分的了解到投保人所患疾病具有的风险等级以及投保人所患疾病风险的种类。利用相关的软件对模型进行构建，可以使得模型的操作具有一定的便利性，并且所建构的模型可以应用到各个领域中，进行风险分析，其具有较大的实用价值。希望本文的研究能够为相应的人员提供一定的参考。 　　关键词：概率神经网络；核保风险；模型 　　就我国目前的医疗保险体制来说，其还不够健全，单单是社会保险并不足以构建较为完善的医疗保险制度，因此，还需要商业医疗保险的支持，通过采用商业医疗保险可以构建出一个多层次和多格局的医疗保障体系。但是，商业医疗保险具有较高的风险，针对其进行风险管理也具有较大的难度，我国的相应体制也不够健全，这样就使得商业医疗保险的发展相对缓慢，为了解决这一问题，相关的工作人员也做了大量的工作，不断的提升对投保人患病的可行性预测，工作人员将概率神经网络的患病分析模型应用到该工作中，在很大程度上提升了预测的精确度，使得投保人患病的可行性预测更加的可靠。 　　1 概率神经网络的构成 　　就概率神经网络来说，其主要是由隐层以及输出层所构成的，其中，隐层为第一层，在这一层中，主要包括径向基神经元，而输出层则属于第二层，所谓的输出层也就是竞争层。概率神经网络从根本上来说，其可以表示为前馈型神经网络。而在概率神经网络中的径向基神经元则主要是以净输入为主，从这一点来对输入向量与权值向量之间的距离进行有效的测量，另外，也可以依据这一点来对隐层的传递函数进行概率密度的有效反映。 　　2 实际项目中的风险分析 　　2.1 相关性检验 　　应用相关的分析软件，计算得出相应的分子变量，对所计算得出的分子变量进行有效的统计。依据相关的医学专业理论知识可以了解到，统计值的分界线为0.1，以这一分界线为依据，将患有不同疾病的患者进行患病程度的划分，而划分所要依据的变量主要分为年龄、家族病史等。 　　2.2 概率神经网络的建立以及学习 　　就相关性分析可以了解到，将划分依据的变量作为相应的输入神经元，针对患者所患疾病的程度的轻重，来对患者的病情进行等级的划分，其中0则代表没有患病，1则说明锁环疾病的程度较轻，2说明所患疾病的程度属于中等，而3则说明患者所患疾病的程度较重。针对概率神经网络进行学习，主要的步骤包含如下： 　　首先，要对输入向量以及权值向量之间的距离进行有效的计算，所计算出的距离结果就可以表示为两向量之间的相似程度。 　　其次，将阈值向量与距离输出向量各自的元素进行一一的对应，并将对应的元素进行有效的相乘，在径向基函数非线性映射作用的影响下，对输出的向量进行获取。 　　在最后，要注意分析出竞争输出层中的权值向量的点，并将其与上一层的输出向量进行有效的相乘，从而可以的出具体的加权和向量值，选出加权和向量值中最大的一个值，将其确定为输出的最终值。 　　3 模型检验及结果分析 　　本文主要依据实例来进行分析，并选取了17000条相关的数据作为实际的训练集，其中100条为测试集。依据这1000条测试集来对所构建的概率神经网络进行分析，检验改网络在检测疾病上所具有的能力和准确度，在检验样本相同的情况下，所采用的训练数据样本不同，则网络检测的精确度也会有所不同。具体可见表1。 　　就上述表中可以了解到，在训练样本的数目增加的过程中，其?n能够得到的模型精确度也会更高，然而，虽然精确度会有所提高，但是提高的速度则相对较慢。可以说，这种方式具有一定的优势也有一定的弱点，但是总体来说，其优势较为明显。 　　4 针对概率神经网络核保风险分析模型的探讨 　　在目前的各个领域中，概率神经网络都得到了广泛的应用。而在概率神经网络基础上锁构建的核保分析模型，具有学习简单以及模式分类能力强等特点，这就使得其在实际的应用中，具有良好的效果。在该网络结构中，只有两层结构，其中一层为隐层，另外一层就是输出层。在进行计算的过程中，可以忽略对网络权值的更改，这就使得其计算执行的速度相对较快，就本文的实验结果可以看出，该网络结构的建立相对用时较短，能够在最短的时间内构建出已经成型的网络结构，利用该网络结构对所选取的1000条测试集进行分析的时候，所耗费的时间相对较长，而在实际的应用中，其分析的精确度则相对较高，判定的疾病与实际的情况符合率能够高达80%，这就使得风险分析的模型得到了有效的充实，这对于全球性的疾病预测和治疗都有着重要的影响意义。 　　此外，从保险角度来看，保险公司可以依据模型建立智能化系统，要求投保人在投保时填写个人信息，然后把同疾病相关的信息