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* O) j, N+ _4 |1 K7 t; \3 F
# J) H) R/ e% b

& P$ q, |; C( K0 S$ F/ f4 L$ n' V! a防止传染病疫情的发生,直接关系到人民群众的身体健康,
; e$ _; O  G( g( }# m0 O$ D5 F: J+ _关系到经济社会的顺利发展。传染病预测是科
( \7 G5 h1 @# G* T( \& L& Q学预防控制传染病的重要手段
,
是科学决策的依据。因此
+ u+ a9 b! _" C- A9 O* _,
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。


# D# U0 [6 l/ q本文尝试将支持向量机技术引入到传染病预测分析中来
; o; Q1 z& H/ r6 E2 Z. h,
# `( _1 }% D' \6 Q对最小二乘支持向量机技术应用到传染病预
6 g  e3 _1 R  d! ?9 P4 y测中进行了一些探索
. _) f' O8 p8 ]4 N1 x; N* M( c,
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。

1 B/ d4 Q1 X! `  P! N
9 I, r4 ^7 \0 W2 y3 C9 a2 O本文首先介绍了常用的传染病预测方法
- M# U, D* T& d& h5 O,
其中重点研究了
BP
神经网络算法及其建模步骤
* F, ~. l: z) @. ]; ~,
  \2 J& g' T" @. v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
8 M' W! i& L/ m: ?' F% m,
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)
0 Y* t1 V3 Z( }2 w的算法
,
" M( o, w& I- ]& ^5 a/ \' M给出了
8 G% z6 V' k" Z5 w9 tLS-SVM
! x# B/ F8 e1 s# t2 |建模中参数
0 r; F4 ^: Z& X# I- A% l选择的方法。建立了最小二乘支持向量机预测模型
,
* w% F/ Q# a# a: g. @* m5 f并与
BP
神经网络模型进行了对比分析
,
! r1 W( y0 O/ W5 e+ y1 `7 F实验证明了
LS-SVM
用于传染病预测的优越性
,
- `, x/ R0 h4 ~5 x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
,
$ x+ v& D' z$ I, z同时也支
/ H7 }1 V& A4 v/ `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
2 z' E- i/ T5 d. q统中。
) q. t7 k  q) h& i- Z

" l0 Q- w" P3 X- \& b关键词：传染病
0 m; R& b% r. U;;
预测
;;
* M* z! q: f! v0 a! Q5 s5 o9 z最小二乘支持向量机
6 o- Z& r1 l6 M& e$ \/ k
7 b2 E) h8 O1 L3 V: @! i' F" m

" H$ T9 b# v1 n