目的:在移動平均趨勢剔除法、最小二乘法兩種趨勢剔除法中找出一種能較好反映某醫院門診量季節變化規律的方法。方法:根據該醫院2005~2008年各月門診數據,運用移動平均趨勢剔除法、最小二乘法分別計算該醫院門診患者的季節指數(seasonal index)和各月預測值,并對預測結果進行平均絕對偏差(MAD)、平均平方誤差(MSE)、平均預測誤差(AFE)、平均絕對百分誤差(MAPE)分析。同時,判斷實際值與預測值的容許區間的關系。結果:移動平均趨勢剔除法和最小二乘法預測值的MAD、MSE、AFE、MAPE分別為766.94,888236.8542,-0.23,5.478249.8%和739.0196,802281.2,0.125,5.259-453%。移動平均趨勢剔除法有4個實際值落在容許區間之外,最小二乘法有2個。結論:最小二乘法能夠更好反映出該院門診量季節變化的規律,是預測的最佳選擇方案。
“M+N”理論是針對光譜分析提出的用于提高預測精度的一種理論方法。將被測量、M種非測量組分和N種外界干擾一同歸于整個測量系統中，系統全面地考慮“M”因素和“N”因素對測量精度的影響。建立基于“M+N”理論的血氧飽和度人體試驗系統，采用動態光譜法消除個體差異及不同測量部位（“N”因素中的系統誤差）對預測精度的影響；利用差值提取法消除運動偽差（“M”因素中的隨機誤差），獲得了62組有效樣本數據。采取偏最小二乘法建模預測，預測值與真值的相關系數為0.796 8，相對誤差為±0.026 6；而目前臨床上普遍采用的血氧監護儀與真值的相關系數為0.595 7，相對誤差為±0.076 0。表明基于“M+N”理論的近紅外血氧飽和度無創測量方法其預測精度明顯優于血氧監護儀。
利用偏最小二乘法（PLS）結合拉曼光譜技術，建立了血液中紫杉醇含量的預測模型。本實驗利用拉曼光譜對 312 個樣本進行了掃描，采用高效液相色譜技術（HPLC）對血液中紫杉醇含量進行了常規分析，利用蒙特卡羅偏最小二乘法（MCPLS）剔除異常樣本，確定了校準集和預測集，采用可移動窗口偏最小二乘法（MWPLS）以逼近度（Da）為指標優化了最佳預處理方法、波長變量和隱變量數等參數，并最終建立了紫杉醇的預測模型。其校準集和預測集的預測值與真實值之間的相關系數（Rc2 和 Rp2）分別為 0.933 1 和 0.926 4。最后對預測模型進行了獨立驗證實驗，結果表明 20 個驗證樣本的相關誤差為 9.36%±2.03%，表明模型具有很好的擬合度和預測能力。
遠程醫療的復雜環境中，心電信號極易被噪聲淹沒，從而影響心血管疾病的智能診斷。基于此，本文提出了一種基于遞歸最小二乘法的回聲狀態網絡心電信號降噪算法。該算法通過遞歸最小二乘法對該網絡進行訓練，可自動學習得到含噪心電數據中非線性的且具有區分度的深層次特征，并利用這些特征自動分離心電信號與噪聲。實驗中，采用信噪比和均方根誤差為指標，將本文方法與基于子帶自適應閾值的小波變換法和 S 變換法進行比較。實驗結果表明，本方法降噪精度更優，同時信號的低頻成分也得到了很好的保持。本文方法可做到消除心電信號中的復雜噪聲并完整保留心電信號的形態，為心電圖的特征檢測和心血管疾病的智能診斷奠定了基礎。