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

) [& P, i7 n' R4 C" p( U


防止传染病疫情的发生,直接关系到人民群众的身体健康,
关系到经济社会的顺利发展。传染病预测是科
/ [- e/ x- \* m: d1 k2 l# N$ u+ h! w学预防控制传染病的重要手段
,
& C" e5 w1 F3 f% D; B% d; n4 E是科学决策的依据。因此
,
* B2 C2 @' L6 ^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。
1 O- X! t; C) J0 a) v

  {( Q8 q2 V8 g& c  _$ V- _! S* o8 y本文尝试将支持向量机技术引入到传染病预测分析中来
: B0 q. W! L, k, d* Y9 l3 B0 @,
9 e: z( q& u3 w, |& u' X对最小二乘支持向量机技术应用到传染病预
测中进行了一些探索
  K" r/ G3 U6 _' r, y) h7 b) W,
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。


本文首先介绍了常用的传染病预测方法
,
4 j1 e8 h  K* o9 t# b8 e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
9 K. m$ j  t7 _/ a5 f9 g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
,
- I! |/ Y+ |/ J包括机器学习理论、统计学习理论等内容。详
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
(LS-SVM)
; Z( M+ m3 x$ q# ^; D9 C的算法
,
. h" S7 H/ q& f1 v  l给出了
8 B8 O( L3 [" Y% Z/ v! P: YLS-SVM
建模中参数
# l; d6 T, e, u5 e选择的方法。建立了最小二乘支持向量机预测模型
$ L! c7 C: o, c' }7 _7 u: G,
" A; V9 D6 q. z" R6 c4 u并与
BP
- {1 |% i1 g* b; k4 F( C神经网络模型进行了对比分析
$ c; M9 L9 V$ u. c5 ],
* k2 j; x; X- f- \实验证明了
LS-SVM
用于传染病预测的优越性
,
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
# |% V' V' N1 I2 \+ \6 ~,
  d# K; |1 z- i同时也支
4 I# u& u' ?. q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
统中。
" A+ }) Z1 A& ]1 j4 j

9 B& l, b+ o- t- N! _  H% n6 y  W关键词：传染病
;;
预测
;;
- ], m, n2 S: A5 i4 f最小二乘支持向量机



( u# C- t5 g3 K) k# D9 P4 [
  n. @% x% N9 c. v8 d" R