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

5 v$ t# _0 ?* c4 \
" Y! A- S$ `, [7 L$ {$ 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,
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
+ g# _8 N# R& w* G,
5 d" ?/ b6 w3 n( e; `( o4 g2 a是科学决策的依据。因此
& H7 ]' x2 q, L2 T,
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。
% g7 N/ @% F7 a, p* ^8 P' j' T

& P9 `9 h* f" k" d2 Z7 z# O) k) \) }本文尝试将支持向量机技术引入到传染病预测分析中来
8 M( _- f3 x) g8 k,
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
$ S# s" O' p2 H/ `% X, G,
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。
- S6 i+ ^/ e) B9 `  W* ?) b% H0 c! d
5 t' D3 ^, f/ j" ~
1 O3 ]  n  U0 t1 {/ b本文首先介绍了常用的传染病预测方法
& w0 x$ M4 ?& z3 j,
% B' `- d* L  g( M0 u5 Q其中重点研究了
BP
& q0 S2 m3 ^) L/ U神经网络算法及其建模步骤
,
/ U9 f% v6 D9 \7 a. h6 R  G/ u并分析了各
4 E* t$ j  R3 |* d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; B! S( V( B$ P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
6 w. \9 H, R9 ^* @% [4 \,
8 t8 i6 b9 m# Q8 o) W1 O( O7 t# m给出了
LS-SVM
. o1 G5 M/ w( R; `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
9 `* Z# m3 L& {1 J! v,
并与
BP
神经网络模型进行了对比分析
; k) V2 z, ]6 y# r,
实验证明了
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
,
同时也支
0 c+ p2 Y0 M! S* L% f- G* h" e7 _! q4 [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。
; x  C* z6 K' h. ~! W. s* P
+ V3 Q) U3 d$ F0 c, R7 j
8 b- H' E& w1 S) N7 B. T关键词：传染病
;;
0 M1 v' }) q0 i. k7 V4 O预测
;;
- Q% ?' l5 v0 O! K. X  F0 V2 J最小二乘支持向量机
* B! G6 f0 d) R) Q5 |7 i


4 X6 ?7 P0 V; k$ A, \" @
8 E# \% X+ P+ {9 K; x1 a