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

! E& U% O6 k: d2 d/ R8 Z4 _. ]

0 D( p( ^0 d" J! B' P
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
. K% c+ ]# A5 M2 ~, o- X学预防控制传染病的重要手段
' K, I1 F! p) m' z( k,
$ I1 M! ]; o  ^, j& T: \& ~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。
* m! ~8 V. W+ z# B" T6 q) u

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
  O6 a5 y0 k# _5 p( E" Y2 C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。

( g: s# _3 |% E4 @; l- F- }
0 g3 K- p: A+ X. J; A本文首先介绍了常用的传染病预测方法
, Q  M8 q: J# Y  m( E' }1 O,
其中重点研究了
7 t: O2 L7 A0 D! n& P# G* dBP
神经网络算法及其建模步骤
,
# X  ?6 l0 m6 f. U+ ?: b并分析了各
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
! R0 _; G* q9 K  ], S: B: [1 L: I$ X,
) B0 e+ Z1 d; u# `2 A% ^( w包括机器学习理论、统计学习理论等内容。详
; L7 h: e- p  [, n7 |3 K' }' i( [/ W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
, f& ]9 \6 U+ n) Q$ q(LS-SVM)
的算法
* K2 w- k; q: ^' {,
' r) {# _6 |) {3 m9 f给出了
LS-SVM
建模中参数
" Z* p  ^$ r6 K选择的方法。建立了最小二乘支持向量机预测模型
9 ?7 z# \7 R  g,
0 w, Z9 Z4 n3 _并与
$ O# a0 W$ b8 h3 P9 zBP
7 k; m# H/ ^! Q6 [! v神经网络模型进行了对比分析
, p4 z# \2 x' ~: R,
实验证明了
* C2 N# I* _) a: ELS-SVM
2 a2 u' F% G- S/ @4 s用于传染病预测的优越性
( ]' O+ Y) n. f,
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
: {/ d& w9 Z; ]% Y6 e1 \统中。
/ B2 S. M9 N0 I" D0 [# H5 a
5 u! W/ K  l$ f
关键词：传染病
1 s$ G: B9 {" s1 `) _' c4 Y;;
预测
;;
最小二乘支持向量机

6 C- Q8 \- D3 N9 c, K