基于最小二乘支持向量机的传染病预测与研究

杨利霞

基于最小二乘支持向量机的传染病预测与研究

, u6 z" a$ Q7 N7 m8 Y3 M- j) l3 i
* D' w6 o7 V- U8 C! p3 I$ I
- F9 O3 P8 P, _$ L: w$ P6 v
防止传染病疫情的发生,直接关系到人民群众的身体健康,
& {3 u* L: ^6 t5 x! J% Y/ J$ O! i关系到经济社会的顺利发展。传染病预测是科
学预防控制传染病的重要手段
& i7 o: q! k+ K+ @" a, ]) R,
0 O4 j, R  `% L# D0 V是科学决策的依据。因此
) x# s+ U6 n6 W, S& y+ l9 e,
对传染病预测方法的研究具有极其重要的理论意义
- z$ @- t/ u5 S  T9 A和应用价值。
2 n$ I& \/ H3 E$ b  K
& g0 }9 A2 E" b- ~# R/ u5 ]
8 _# g3 T2 I, R; O' O: s' V4 @# _本文尝试将支持向量机技术引入到传染病预测分析中来
,
对最小二乘支持向量机技术应用到传染病预
2 o% r# o* r' M1 i3 K8 t0 l, f( C0 C测中进行了一些探索
# w) t7 G. _& S4 O* Y$ _" T,
以期能够找到比传统预测方法更加优秀的传染病预测模型。

/ _" t* ]; n. @! A: _
本文首先介绍了常用的传染病预测方法
3 x+ C& y' J2 F) _,
其中重点研究了
/ Z- N" D3 P. V& x1 [' cBP
0 |; a: m; Q: n( t" E) |, Q+ I神经网络算法及其建模步骤
,
3 r% [4 [* V- ^并分析了各
% F0 ]3 z) E6 L常用方法的特点。详细阐述了支持向量机的理论基础和原理
,
. H% j) F3 q5 m* Y0 f$ m包括机器学习理论、统计学习理论等内容。详
2 b8 _% Y. `, `& V6 N细研究了标准支持向量机的改进形式—最小二乘支持向量机
; }# ~+ _/ T' S(LS-SVM)
2 B, `/ ]% b; U/ ?) w) w3 F6 k) I' U的算法
,
给出了
LS-SVM
建模中参数
1 M$ r/ J  _; H  A# W/ ~选择的方法。建立了最小二乘支持向量机预测模型
,
并与
BP
神经网络模型进行了对比分析
3 `. _3 \, b0 q4 O: n, D* R& _,
' O2 U' B/ m8 x, b3 U4 Y& @实验证明了
LS-SVM
用于传染病预测的优越性
2 {/ ?" O5 {  O: G: a/ r,
证明了将支持向量机方法引入传染病预测分析是有效可行的
,
同时也支
持了支持向量机方法预测能力出色的理论优点。最后将最小二乘支持向量机预测模型应用到传染病预测系
1 H  O5 A' `# E% l0 O9 W! w统中。
" f* d) c- f  a* @' ?2 P

! E5 f8 T0 t. f关键词：传染病
+ s7 G& p9 P0 ?;;
预测
( O' e7 R0 S* {) @;;
最小二乘支持向量机
4 k, C4 y5 j0 K
! s7 [/ R2 m9 u7 x  L* S+ J
2 g$ N. L9 Q$ x8 K. ~& M
) ?5 @  d; o! Y
! g1 t5 Q: @- E% I/ K3 |" V