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

6 R* a+ [/ ^, l6 W. L0 a* i


2 \% `! h* c  J: ~" f1 [& X6 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,
$ ?- [3 b0 c  R关系到经济社会的顺利发展。传染病预测是科
, V5 D' T2 ]4 z( Z7 Z- g- B学预防控制传染病的重要手段
( G# f# e% F* P,
是科学决策的依据。因此
,
7 e, v) Q0 C2 b对传染病预测方法的研究具有极其重要的理论意义
3 B: |9 `% p" a7 F& w( d- h和应用价值。

3 D( R% ?6 Q( B; T# H" `( @
& V% E/ O2 R! g+ t" T2 J0 s5 Q# r/ l本文尝试将支持向量机技术引入到传染病预测分析中来
* y: J' ^! v2 ~( Q,
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
,
2 `! O3 Z) W% s) X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。
: D, [. @- j9 U, T' b

4 Z. o$ L9 U* ?* @. h" E8 V: |' k本文首先介绍了常用的传染病预测方法
,
其中重点研究了
) y/ }* B0 H2 ]/ m9 ~/ {, rBP
神经网络算法及其建模步骤
' a4 U7 b; ?0 z+ J1 a3 p& c,
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
4 f: m8 Y, m1 x. G/ H$ Q,
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
  o& F. ]" h5 ^* W. h! }2 t(LS-SVM)
的算法
,
给出了
/ B) f! J; T) \3 n: `LS-SVM
3 F# R2 Q9 [# h5 `9 F& P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
" _' Q, |2 i  _! r. x9 h" n: |# e- L,
并与
. a# E4 ]" H1 J6 Y9 c4 FBP
4 w: t+ N) S. w. Y: J神经网络模型进行了对比分析
; w1 i  E* b) j- `6 A,
实验证明了
. ~& m' x7 _3 ILS-SVM
用于传染病预测的优越性
,
* r. a! ~! R! i) k4 D  x+ L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
/ t4 D" O9 H  @7 T+ R,
3 A: B8 e0 g8 k8 t2 B$ Q9 i同时也支
3 X( m8 q9 V0 I/ o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
# ?# O: q! h- ^' u: O  e统中。
3 Q+ e) |# P$ @" N% B+ W

# ~8 ^7 v) Q) a* F) ^关键词：传染病
$ M" e  A) B" ^;;
预测
;;
最小二乘支持向量机

7 S  d, S+ P9 r: G. T
$ @' p- O9 `) F' b( g4 w

& u. U$ ^( m/ }7 J5 X% K, N+ p: l