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

6 l# y. N! @+ `1 ?- y


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
) q  F2 V6 z- D; I* w5 `" f9 g学预防控制传染病的重要手段
( Q, Q5 e, W) E# v$ |4 S,
是科学决策的依据。因此
7 R' p# U* y% M" j- ]- w: M* ^9 Y,
& E- P4 W) x; |# Q  B; `8 n对传染病预测方法的研究具有极其重要的理论意义
& C3 j  @$ h( Y) [- |. H) j0 u和应用价值。
% d* s% i" z( I2 n% 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
: ^4 s" i2 c* P5 }* d; I. 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
4 X. m' q) i% N4 V,
- ]0 l/ G6 ^$ ]+ ?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。

8 ~& k* F: [+ R  y  j
& n/ V3 [4 Q2 x- K  A6 e4 S0 G( o本文首先介绍了常用的传染病预测方法
. u3 l* b$ _* t4 Q! U: Z,
( H2 S: X4 s. }3 `9 K! @2 N1 \, J其中重点研究了
8 s* C. b/ U) j" s) K# @BP
神经网络算法及其建模步骤
% k9 Q6 _1 V4 A,
* T: u/ Y7 H: T* N( V9 C1 O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
- ]; `+ t9 t9 F1 k0 F,
& R+ c! h" q8 I7 B! G5 {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)
的算法
,
. F8 ]" N; V2 T& h- M+ P# a给出了
6 j( I2 ?& p+ c1 `* aLS-SVM
建模中参数
选择的方法。建立了最小二乘支持向量机预测模型
,
并与
9 e5 E4 d0 a4 ]2 O: t8 WBP
% w' S/ q& ^5 t- ], p神经网络模型进行了对比分析
,
! [2 ~. _/ t2 R. B实验证明了
LS-SVM
+ r; `9 m$ R+ x5 b7 T3 `3 A用于传染病预测的优越性
( ^  u# m# l3 [0 x  ?- J# q8 n,
1 W7 ?/ v9 H* Q+ `3 A3 I( e' I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
统中。
$ u0 X$ Y8 d9 K# \$ U) d$ c5 z

9 s6 X- w0 f) [- e" x! Z关键词：传染病
8 Z" A4 K2 _3 h4 X;;
预测
1 S4 @; r% I/ J  p;;
( W) v: [- G( D最小二乘支持向量机

9 F, U0 g7 v3 f. v$ I6 g/ Q

- R' G$ h0 R& m# Z; H0 Z- y, e5 m
6 h0 L9 l  O/ T( M' V1 ^2 b. q7 b  L% t