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 q: B+ d8 M0 [$ r, W
  {/ v1 H& p* O/ H+ z$ g6 p$ P
/ e8 c( H% l9 G- c  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,
* a! k  W& c- `2 z8 |. t6 @关系到经济社会的顺利发展。传染病预测是科
/ E( l; h( W! d1 Y学预防控制传染病的重要手段
* F" f- |/ K4 E# o1 W,
是科学决策的依据。因此
,
# ~3 T/ g6 j1 d8 i' A$ N9 l7 R对传染病预测方法的研究具有极其重要的理论意义
. X2 C: o1 y+ Q4 \$ R) o和应用价值。
" j9 E! p0 H  X, g, M
; s1 F) n$ u6 S
本文尝试将支持向量机技术引入到传染病预测分析中来
,
. q9 _9 l3 s0 W8 M: A5 M$ ~! q0 R对最小二乘支持向量机技术应用到传染病预
  s+ y$ D, x* {! J, D- H8 a测中进行了一些探索
9 Q5 f' M8 e1 y,
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。
" r8 q4 @7 D* m

7 q$ }: K& X  v0 T本文首先介绍了常用的传染病预测方法
+ k5 E) u! \: G) u- X3 I8 w,
其中重点研究了
' W* y) J& l1 rBP
- E3 t2 j; @! E( r% I神经网络算法及其建模步骤
" E9 s  h: k: M! }. L,
并分析了各
0 d, Y% q# k7 g, 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
# I5 J2 w9 s: E* p# Q,
包括机器学习理论、统计学习理论等内容。详
7 G& T9 g1 r5 K7 W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
2 M$ b$ r# P, [6 D+ T(LS-SVM)
) F' A  ?! z* v+ [: U的算法
8 w% u' s4 s/ j  t! ]4 }: i- x+ N,
% S9 N1 c8 S0 x' V给出了
) `" [7 X( i) {+ t" s2 ^LS-SVM
) m. A* C% l( V% r4 U3 w3 n, V' A3 F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
,
6 k5 n7 k$ Q, ?' m8 `并与
BP
神经网络模型进行了对比分析
,
9 O! O9 s/ G- y9 l. c9 s8 ^实验证明了
2 E$ V& |! ]" v1 r8 i+ aLS-SVM
" E1 @' ~+ g9 j% c, \用于传染病预测的优越性
. S/ x" f7 ^8 V$ V2 h" n,
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
- a( b$ |2 k+ U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。
( F& l1 p0 f5 Q- C' `' f( D
' `: \9 e4 j3 J
- N$ N% V" R2 f5 b" W$ k) S关键词：传染病
8 z8 ]. P# t7 j; x% C;;
& b3 a# W2 |+ I8 K+ G# ?: m预测
$ D  o7 C% u' i& U' L. _# x;;
最小二乘支持向量机
) F1 f/ K0 ]  F" |9 s
/ Q8 ~# R- ~6 s' g/ O- ]$ ?% a
& t' B1 R# c; R  u6 C