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

2 v) U& [4 w8 ?6 S: W3 D5 }% ~
* ]% Y# d- H2 g) h3 H
0 R+ F1 g! T! U3 M8 L5 b+ }
6 p- x1 O$ s' C) ^" P8 o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
  r( }( H% v6 L9 X. h  K学预防控制传染病的重要手段
,
2 T# O/ @$ T2 c是科学决策的依据。因此
0 M. j# E5 [1 `% P' E6 v,
对传染病预测方法的研究具有极其重要的理论意义
# _. z& t1 Q+ L; y3 W% H! p和应用价值。

9 \1 {8 M! j# [$ A; ~4 o7 U& X
本文尝试将支持向量机技术引入到传染病预测分析中来
: L$ ~! Q/ l' @5 y+ x# V! T,
9 y% A- R; o3 v# V: `& \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
& _0 A; M$ j# v" g6 r,
2 A( A2 l6 }! E; v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。
! Z" L1 P3 `" q" N  c8 i) Y% _9 p

本文首先介绍了常用的传染病预测方法
  L, P  Q6 W  [,
其中重点研究了
7 Q; i/ r4 \( l2 G% j- y5 uBP
8 o* j( [' C' P3 u: K) ^神经网络算法及其建模步骤
,
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
,
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
9 i  G% m1 w9 L0 |3 I& n6 w(LS-SVM)
) m1 m! N; |: o( b+ f的算法
5 ]3 L3 C1 Z  B* D" i) ?,
给出了
7 O9 v% y! Y6 \% gLS-SVM
建模中参数
' h; ?% A4 l. a8 r5 e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
- `! \, D! M0 j* N,
8 d" B4 S- w  P, l实验证明了
5 P# ~9 Y7 k  D# LLS-SVM
# D& V- M7 L, g用于传染病预测的优越性
) [2 q6 @  b4 O3 z' D* g- e$ D,
7 T# g8 {7 b- @* m3 j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
8 Z7 ]+ `  t; Y2 J& O8 U8 p( U' D. o,
$ D$ b! j3 e% k/ g2 I0 g3 i同时也支
* y0 O" Q8 E2 m& R3 a5 j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。

' `: [- P" v( @" s: P4 R! _
# S+ O4 e: v) ~' \: Z关键词：传染病
% z6 M+ a1 l* b+ Q- P;;
+ p8 z# j$ E2 ^' X9 k6 ~$ a预测
;;
最小二乘支持向量机