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

防止传染病疫情的发生,直接关系到人民群众的身体健康,
/ F- \: |) d7 I* j关系到经济社会的顺利发展。传染病预测是科
# i! y. M5 L" K* ]学预防控制传染病的重要手段
  _9 |9 p8 l: D1 w,
- G; @1 j" k. q9 H是科学决策的依据。因此
,
对传染病预测方法的研究具有极其重要的理论意义
和应用价值。
0 L* W8 B& T" C  K1 }, r2 V
( k6 x5 U  a. J, D0 S6 k( e
本文尝试将支持向量机技术引入到传染病预测分析中来
( f& g6 e  O1 m1 k. G. Z5 H9 Q,
对最小二乘支持向量机技术应用到传染病预
( S" g' W# `' a9 Q测中进行了一些探索
,
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。
/ D7 R# ^" e/ T, a1 y

本文首先介绍了常用的传染病预测方法
,
, P% c* e/ Y) X# p# g$ `. T, b其中重点研究了
BP
神经网络算法及其建模步骤
,
并分析了各
' ~3 X5 ~6 ]6 x) {1 S( m  `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
,
包括机器学习理论、统计学习理论等内容。详
* q* a4 k' R' Q$ E% c/ j( }) _' Q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
) j. ^4 U& V( g) }" A(LS-SVM)
的算法
. n% g! }! c1 o' ^; Z( l,
给出了
LS-SVM
+ Q9 Z% b- r" k- u/ C建模中参数
+ H3 c+ |* p* D: J选择的方法。建立了最小二乘支持向量机预测模型
,
并与
9 [1 Q8 r2 P3 g9 ]. v, }$ K- sBP
; I# T  k, S7 P/ d2 p5 s7 Z神经网络模型进行了对比分析
$ a$ t- K) z* \6 n! K2 F% O,
, m7 ?4 Q0 x6 e' O  Z1 Q实验证明了
3 {; |% M+ o& }# \LS-SVM
用于传染病预测的优越性
- k7 |: x5 k3 {  r; Y,
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
,
1 i+ g  O0 A$ N# C( {- L同时也支
: s$ u) Z# m5 D4 S# f! o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
- c( J' j3 o% B+ m- A统中。

# \" V- |% W! L- T0 k3 v6 w
关键词：传染病
& u% Y: b& h: ], r9 ~' S/ I;;
预测
;;
最小二乘支持向量机


; Q8 f; ~; H( b' ^
1 H% Z3 c% h# j, E# p8 C) ~
- m7 q8 F2 W+ l& a