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

: u4 v  d; m& u2 U* W% R

防止传染病疫情的发生,直接关系到人民群众的身体健康,
( p! H! V- `# ]: E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
8 u& R: a( E; i- Q; C,
" [. H0 d4 A/ z% e9 u$ ]是科学决策的依据。因此
,
: r" p5 E5 Z! [& a: n6 E+ g7 @6 W# j对传染病预测方法的研究具有极其重要的理论意义
6 j$ a! s5 K2 o' J+ p4 p+ m4 ~和应用价值。
4 u  k% a: b( M$ k5 p; M

- ^+ N6 C  n& b本文尝试将支持向量机技术引入到传染病预测分析中来
( P$ p$ Y8 N2 J  n' b( c9 z,
; q' V6 I& X: ~7 `对最小二乘支持向量机技术应用到传染病预
; E/ d; J7 V: T# ]6 j4 O# M! i测中进行了一些探索
,
1 v* W# _- L, A1 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。

, w  r. ^5 ~7 B0 {: D! H
本文首先介绍了常用的传染病预测方法
, s5 v( y8 G  e' q3 l  @,
/ [/ w( K+ y" X$ s- ?其中重点研究了
BP
9 I+ q- o/ A% B, \" L神经网络算法及其建模步骤
# Y2 e* f& N- g+ o/ U,
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
- ^0 }; Q- w* D& b! k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
5 m* i9 Z0 r& S( q1 C$ a* ~,
/ K9 p* ?2 Z+ O1 }. @: w给出了
; B& w4 V" Z' w# oLS-SVM
! B  Q! W  @8 H: Q5 ^* B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
,
并与
, ?8 r& y$ g2 ]& `+ d. p/ E5 J9 EBP
/ w4 p7 y1 U% u. K神经网络模型进行了对比分析
, ?8 y) k) z- J9 u4 B) k% d- U,
实验证明了
LS-SVM
用于传染病预测的优越性
* J! h2 c  N2 W) J* `' Q,
& Y; x8 J( C$ ^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
; V9 W- R# {8 L0 _1 [) k2 p,
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。
/ J5 H8 Q) C/ ^- J7 r: F9 h  S' m0 Y" C+ B

: r$ X" R% k1 m4 @+ W5 R& e关键词：传染病
;;
预测
;;
最小二乘支持向量机




  g7 Z' C  d/ @) y