论文聚类算法与其在护理管理中的应用是关于本文可作为聚类算法方面的大学硕士与本科毕业论文聚类算法论文开题报告范文和职称论文论文写作参考文献下载。
摘 要：在传统的医疗过程中,医护人员随机分配,患者被动接受治疗的护理管理模式不仅会浪费有限的医疗资源,使患者承受较高医疗费用,有时还会延误最佳治疗时机,引发并发症,给患者和其家庭带来更多的痛苦和困扰.文章通过将几种常见的聚类算法在护理管理中的应用进行比较,最终选择了先验假设较少的层次聚类算法,基于R语言探讨了層次聚类算法分类护理患者的实现过程,说明了层次聚类算法在患者与护理资源的最优匹配中的应用方法,为医院开展科学护理管理提供一定的参考依据.
关键词：聚类算法；护理管理；层次
中图分类号：TP399 文献标识码：A
Abstract：In the process of traditional healthcare,health care providers are randomly assigned and patients are passive to accept various treatments.Besides the high expense of medical treatment and the waste of limited medical resources,it would delay the best treatment time and cause complications,bringing great suffering to patients and their families.By comparing clustering algorithms,this paper chooses the hierarchical clustering algorithm with fewer priori assumptions.Based on R Language,this paper elaborates on the implementation process of hierarchical clustering algorithm in clustering patients,and the methods of using hierarchical algorithm to optimally match the patients and nursing resources,thus providing certain reference and basis to the scientific nursing management.
Keywords：clustering algorithm；nursing management；hierarchical
1 引言（Introduction）
护理管理是医疗机构以改善和提高医疗水平,合理利用医疗设备,最大程度发挥医护人员护理能力为目标的过程.然而,在传统的医疗护理管理过程中,医护人员随机分配,患者被动接受治疗方案,不仅会浪费医疗资源,使患者承受较高医疗费用,有时还会延误治疗,引发并发症,给患者和其家庭带来更多痛苦和困扰.随着信息化“智慧医疗”时代的到来,医院信息系统的普及,医疗数据采集、整理、分析不再受到传统人工操作在时间、效率、成本和疗效等方面的制约,取而代之的是高效、便捷、智能、科学的大数据分析处理过程.“互联网+医疗护理”的模式已悄然走近我们身边.许多学者开始尝试通过计算机算法精准识别患者、最优分配护理医生、优化患者转诊流程等方式来提高护理效果和降低医疗费用.在识别患者和分配医生时,为了更好地进行分类识别,聚类算法受到了广泛关注.
2 聚类算法（Clustering algorithm）
聚类就是按照“物以类聚”的思想,将抽象数据集划分成若干簇的过程,其中在每一簇中数据间具有高度的相似性[1,2].聚类分析是当前数据挖掘中的重要手段.迄今,研究者已提出了多种聚类算法[3].常用的聚类算法有基于划分、密度、网格、模型和层次的方法等[4].
2.1 基于划分的聚类方法
基于划分的聚类方法需要提前设定聚类的数目,如K均值法和K中心点法等.这类方法分析时需要首先在数据集中随机选择聚类数目的对象,每个对象作为该聚类的中心或平均值,通过距离远近等方法将其余对象逐步聚类到每个类中.基于划分的聚类分析结果与初始值关系非常密切,不同的初始值往往会导致不同的聚类结果,通常会呈现出局部最优解.基于这种情况,基于划分的聚类方法在实际应用中往往要求穷举所有可能的划分.
2.2 基于密度的聚类方法
基于密度的聚类分析依据数据是否属于相连的密度域将数据对象进行归类.常用的基于密度的聚类算法为DBSCAN.这种聚类方法可以剔除噪声点,同时可以发现任意形状的聚类而不局限于球状的类[5].但DBSCAN必须指定邻域半径和最少点数这两个参数,同时聚类的结果对这两个参数的依赖性很强.
2.3 基于网格的聚类方法
基于网格的聚类方法将空间分成有限数目的多维网格,利用网格结构实现聚类.如CLIQUE算法和STING算法.CLIQUE算法主要适用于处理高维数据,同时它综合了密度算法,可以发现其中的密集聚类.STING算法是一种将空间划分成直方形网格单元,不同方形对应不同分辨率,以实现聚类分析的方法[6].
2.4 基于模型的聚类算法
基于模型的聚类算法是通过寻找数据对每个类预先设置好的模型的最佳拟合而实现的.最典型的基于模型的聚类算法是COBWEB算法.COBWEB算法不需要用户提供参数,可以自动划分簇的数目[7].
2.5 基于层次的聚类算法
基于层次的聚类算法对数据集按照凝聚或分裂的层次方式进行聚类.凝聚型将每个对象看作一个单独的类,然后通过合并相近的类实现聚类.分裂型将所有数据归到一个类中,然后通过迭代,分层分裂成小类.常见的基于层次的聚类算法有CURE、ROCK和Chamelemon.Chamelemon算法在合并类的过程中,可以综合考虑类的内在特征、近似度和互连性,可以构造任意大小的聚集簇[8].
总结:关于免费聚类算法论文范文在这里免费下载与阅读,为您的聚类算法相关论文写作提供资料。
参考文献：
1、 基于聚类SIFT人脸检测算法 摘要：为解决在人脸识别领域的特征提取问题，提出一种尺度不变特征转换的SIFT算法与聚类分析相结合的算法，在对人脸特征分类时，通过选取最优化的距离。
2、 基于动态粒子群优化和Kmeans聚类图像分割算法 摘 要： 为了解决K?means聚类算法图像分割质量过度依赖于初始聚类中心选取，且易于陷入局部最优解等问题，提出一种基于动态粒子群优化（DPSO。
3、 改进模拟退火算法K—means聚类方法在学生成绩上应用 【摘 要】本文以学生管理系统中学生的成绩作为测试集，提出一种新的基于改进模拟退火的k-means算法的评价函数，挖掘学生成绩中的有效数据，用改进。
4、 基于聚类分析智慧城市事部件数据 [摘 要]在智慧城市的建设过程中，大量运行数据伴随着城市管理事部件的处置产生并积累。为分析此类数据，本文利用聚类分析技术，以温岭市太平街道为例，。
5、 基于聚类改进KANO模型B2C网站质量要素 [摘 要] B2C网站质量极大的影响其顾客购买意愿和使用黏性，同时随着市场竞争的日益激烈，对网站改善策略的思考也在不断丰富与深入。对于B2C网站。
6、 聚类分析在郫县烟草卷烟营销方面应用 摘 要：“大数据时代”的来临，为新时期郫县烟草的转型提升提供了创新的发展思路。为准确研判市场、实现精准营销，调研了郫县卷烟市场，用聚类分析、层次。