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

8 O7 b2 P9 l6 E, a+ K
+ C) ^' S# |# O0 c0 S
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
6 p1 Z# g* w/ f8 `6 m3 U学预防控制传染病的重要手段
,
9 C8 C, k* d& p+ [3 p# S是科学决策的依据。因此
; z+ a- e  n/ F0 l8 ~) G5 M,
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。
  M# m" b  S3 n: }7 Q( z% U8 |
! q* Q/ k9 [5 _( T4 s
' a- _/ V; C$ g6 Y* x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
. \: T7 V) N* ?+ `) l,
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。

7 {" ?3 N  Q. T; R, [8 G/ k& y
4 e# s- p$ e+ h' S! y$ A/ E本文首先介绍了常用的传染病预测方法
,
# c7 a: ?* K( p! p0 i其中重点研究了
BP
, l6 ~+ R$ V+ J! g  ]% o神经网络算法及其建模步骤
,
* E+ T  Y) y5 A$ P* A) F1 j并分析了各
5 G# ~# x1 A( S3 g; c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
8 I. G2 [: p& T# k! _,
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
  h. {% W0 K: n  D(LS-SVM)
的算法
9 d4 l9 U* |% h, r% n3 ^- D,
给出了
" u  k& m8 B# _5 m8 ^6 E* NLS-SVM
$ D+ l8 K% J6 I. `5 |- R4 _9 s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
) W9 Q& `0 X5 I6 H8 D; Q$ },
7 U% w& h4 Y/ q  u并与
BP
; f3 V  P4 u- t4 m: u% }神经网络模型进行了对比分析
,
% \1 R  z6 k' \& h实验证明了
8 e8 k% |9 K1 s1 B4 D1 ?LS-SVM
用于传染病预测的优越性
,
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
,
4 D* G; [, A) U( ]6 C" T1 g- D同时也支
. Z# T4 g( ?+ q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
1 q3 P. P3 g- w* Y2 A# |统中。
; q( {% A! Z. o3 z7 D

+ r2 T0 ]3 n, I关键词：传染病
;;
, [* P* i; U: ]$ C4 ~0 V预测
;;
- K. m; K% c6 s4 ^, W  S- F+ P最小二乘支持向量机

7 r2 l5 [& t! l) l

; P' X* {9 \9 M. N( C; Q
5 |  D; \/ t0 j, t% a6 w) a: J