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

& Y0 h5 v, F# g  W
+ m7 p& r3 s; b
, a' G* b. [" y/ r% I+ D
防止传染病疫情的发生,直接关系到人民群众的身体健康,
# U  V' ?# Y; L关系到经济社会的顺利发展。传染病预测是科
% B0 s* G+ X; o8 }# A学预防控制传染病的重要手段
,
( r( _0 U9 S( N$ h; H: D1 E( O是科学决策的依据。因此
,
对传染病预测方法的研究具有极其重要的理论意义
: c& f  j: k( e2 q) q$ q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
,
对最小二乘支持向量机技术应用到传染病预
* H& j. _. G$ u0 v( b9 H3 \测中进行了一些探索
/ T" `2 V& P: K; p' i" S,
) }) h$ E) |9 T& I4 u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。
9 h/ ]/ V) S0 ?: \

本文首先介绍了常用的传染病预测方法
,
1 m" V9 S7 h, c/ ~" C2 N其中重点研究了
BP
* I8 _6 A' M; S4 V' D- {1 U1 Z. p神经网络算法及其建模步骤
,
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
,
包括机器学习理论、统计学习理论等内容。详
: R5 @7 R. d- e7 e1 {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
,
给出了
' G0 n. k$ W) z4 l. D0 {2 O: H6 [LS-SVM
7 ]  M" \; C8 j) L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
,
8 {1 G" b/ R1 b9 J; r* q: J并与
BP
神经网络模型进行了对比分析
- ], H9 P3 k+ ?, T,
实验证明了
LS-SVM
用于传染病预测的优越性
,
2 }8 ]0 s$ \% h! Y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。
4 a. H/ }. g2 j. ?9 [
% r. q# u) r* t: D
关键词：传染病
4 j5 J( l0 E# m' t;;
) s2 |3 L# u: y3 X1 ~$ ]预测
5 ~: N6 A& u, H- o3 @;;
$ q7 j, y# J  I# B, F3 `, z9 I最小二乘支持向量机

; v+ b. @' D. e7 m
! I; M% R! D& R* |1 m' r: d5 _$ Q9 z

5 k- V) P+ C, X& _/ ]0 V8 i