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

0 J; g: z  ^8 _" ]

% r2 @( I, c# j
5 v& Z8 h: E3 e1 C' q6 b防止传染病疫情的发生,直接关系到人民群众的身体健康,
+ p% Y9 c/ S% F( A关系到经济社会的顺利发展。传染病预测是科
学预防控制传染病的重要手段
, I! x3 ^/ i+ c# n) D4 U,
是科学决策的依据。因此
8 r- d* x# p, m9 t4 V% ~5 g1 d) W,
7 u8 A7 `+ p. B对传染病预测方法的研究具有极其重要的理论意义
) d9 }9 u- e# _/ j/ T8 T- {3 F$ h和应用价值。


本文尝试将支持向量机技术引入到传染病预测分析中来
3 S, V# H2 P# k,
对最小二乘支持向量机技术应用到传染病预
& ~9 m. }3 c+ g: _测中进行了一些探索
  n) {* K0 P2 m9 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。
' ~5 L2 j  Z9 w& H; V: Z9 b

本文首先介绍了常用的传染病预测方法
, f+ ^, e2 C. f. w,
其中重点研究了
& Z- y1 H) n: O$ W% fBP
: h" P) G' ^# @& o9 [/ w神经网络算法及其建模步骤
: ~5 G; z- N0 V; @' {,
6 q* O+ p4 q" n( H. x并分析了各
$ R0 ?0 x7 a7 Z# e* F. Z1 Y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
( U9 g/ W  U. ],
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
4 Q) W: p- A$ ]7 [(LS-SVM)
的算法
,
给出了
- w# W. e' t' ^3 T: p2 X3 I& A5 I5 U' wLS-SVM
4 U5 \; U7 ?! B, T+ j建模中参数
6 N1 k8 P! f4 |# K5 i选择的方法。建立了最小二乘支持向量机预测模型
,
" b0 r* F/ y! ^0 ~+ H并与
BP
神经网络模型进行了对比分析
,
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
" n1 J7 h3 }9 t' i6 R2 Q$ N,
* V) b: G8 F0 G同时也支
# m( H4 w" t! G1 c! K# z% X+ N. T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。

- g3 W* a/ N5 `
, c8 _5 }: U. I) A; {! z& _关键词：传染病
;;
8 k. D0 e9 u( c/ @; O; h预测
, g4 m0 @7 G9 _: T  ~  X% O;;
最小二乘支持向量机

; ]' X. d+ a5 ^$ M