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

1 g, R" f. q$ D. M
2 n4 P( a: |0 R9 r. j  f6 f# T( t# v

6 q! z. d$ C* ^9 b' d2 e, U防止传染病疫情的发生,直接关系到人民群众的身体健康,
$ C- p" v8 k2 C关系到经济社会的顺利发展。传染病预测是科
  l: K5 L) n6 P9 h0 {1 L学预防控制传染病的重要手段
,
是科学决策的依据。因此
5 N' R6 l5 P  e- c+ U8 },
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。

+ x6 K7 {; p  S* ~# x0 e  ?
% p8 q7 P* B3 c1 ^; ^; A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
,
6 r' O- o- K( L. {/ P& {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。
$ v# c! ~- u0 H

本文首先介绍了常用的传染病预测方法
,
1 l; A# ]2 T8 {其中重点研究了
% V& q8 S. K* j$ N# h8 VBP
& G/ y$ x7 d1 W9 [/ y+ Q0 L神经网络算法及其建模步骤
( J* b; G9 @; W5 F; ],
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
: y) P2 p& i" V8 W+ l8 h. X,
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
# [9 o! I1 ]$ {  t' P9 M,
+ ]; O5 K3 D$ c) G- R给出了
LS-SVM
* q; U) l- F4 O( a5 i, s+ |建模中参数
* \; c' |+ p) Z/ c" p. u5 t  n2 `选择的方法。建立了最小二乘支持向量机预测模型
' m" l! f! n4 n,
并与
, ^) S5 {- D# m: rBP
% [+ _6 t" Y7 F6 f神经网络模型进行了对比分析
. w/ N  y" t0 f$ r3 D  r$ I. q,
实验证明了
LS-SVM
用于传染病预测的优越性
  K& H4 J% O; I: x% G,
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
: p' u7 ~8 }5 d6 J7 V" N1 F4 T,
; T" x: I+ e0 i1 e3 d, |同时也支
4 g( W" x* y! ^( B7 I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。

1 v/ }0 t$ B) p6 ]
关键词：传染病
;;
7 Y% \/ R: D* |( s7 h预测
;;
最小二乘支持向量机

7 j& I  x: V! h6 n7 w
7 B; @" _0 t8 ?
- Q7 R& s- X6 t, z0 q1 z