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

& ?( P' o# x- U2 ~
" K4 X& ^; l; ^9 R9 `, I. T# c

' e. Z$ V/ `  ?1 n6 l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
学预防控制传染病的重要手段
,
6 ]  a/ `6 |$ Z# `. m- l是科学决策的依据。因此
  p. N, L$ p: n' s8 @% b,
对传染病预测方法的研究具有极其重要的理论意义
1 u* z' s4 n$ G: p和应用价值。


1 Q& ~# Y" i% a; y2 c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
测中进行了一些探索
+ I2 ?/ O6 G0 L* R,
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。
& }; f# a3 r7 A$ d

本文首先介绍了常用的传染病预测方法
# |$ w; G0 a8 k0 u- C* }! v,
其中重点研究了
; n5 ^+ v6 S- WBP
' |0 L4 a7 A- ~# T( }* O神经网络算法及其建模步骤
! W' W4 g; v7 v4 t,
并分析了各
. W: ?5 n2 a1 ]4 H/ [4 P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
,
0 J0 L/ H( z  P2 w3 F5 r# S包括机器学习理论、统计学习理论等内容。详
  t) g2 h/ ]0 t0 B+ n% b& Q: c: e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
' Z7 I" B8 C# Z* f6 {(LS-SVM)
5 h( J/ Y9 M! d( a/ N的算法
,
给出了
% [- F  ~4 a: Z8 H9 H7 J0 i( L9 E7 nLS-SVM
建模中参数
2 Z7 P: B) i. \4 `& K) Q选择的方法。建立了最小二乘支持向量机预测模型
0 n1 I# g! C" ]& s( e- P,
并与
BP
神经网络模型进行了对比分析
,
% a; y6 Q- }  X实验证明了
LS-SVM
( t% F* s; r& }, E. G9 g用于传染病预测的优越性
0 u; M6 v; ~5 ]+ N, s,
) [& L6 K$ M+ U5 p  n' W6 [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
,
+ R9 i7 G- a* K2 b! A/ N同时也支
' W' V" i: V( f( _2 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
  m0 e4 l3 E9 s; ~) m7 Z- s统中。
3 D. Q" x( |" b

关键词：传染病
;;
& O+ B2 N1 A# N; k7 c! I1 F" r预测
;;
! q1 T4 _2 U. f2 t. s0 L! R最小二乘支持向量机
! }4 M* g# g5 u/ P; W6 p2 B# \
& X9 D, D2 w8 I( z
# m, Y" p) Y" r0 T* ~" p