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

2 Y: R4 b, t/ q0 ]( j
3 V: ~9 ^. F7 d4 T$ b( k' j
5 b0 `( q. b; U+ B1 H
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
+ j0 B8 z. S# _/ r7 H, L+ M学预防控制传染病的重要手段
,
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
和应用价值。

1 e) {- s7 c! {8 P5 H1 f) x
8 i, }: ~4 i8 C本文尝试将支持向量机技术引入到传染病预测分析中来
6 n# }& @7 f' [, G: b4 F! I,
对最小二乘支持向量机技术应用到传染病预
: f, x+ X% Y5 l8 y+ r8 k5 ?6 E测中进行了一些探索
: s8 d. b' Z- J. f/ q% c,
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。

$ b' r# p: _% E# C1 f! g5 {5 e8 e" z
6 D! p5 r) B; I" d7 k  `8 w本文首先介绍了常用的传染病预测方法
  i; h! K8 E& |# K) k,
其中重点研究了
BP
神经网络算法及其建模步骤
( I5 N4 M2 V9 F# l) @7 d) y7 p,
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
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
9 a6 C( w8 |. u- @# b(LS-SVM)
1 T4 c% ^- a9 b$ x- {- G5 `的算法
' Y& ^8 Y& O. }4 E: d" e* r,
给出了
LS-SVM
! o4 \: R5 w$ \- @0 j1 _建模中参数
; j+ b$ E  `" k* U选择的方法。建立了最小二乘支持向量机预测模型
+ S  l% z( ^9 D: T% l9 ~9 j,
4 _/ v9 i  C% o$ e5 e5 i并与
BP
神经网络模型进行了对比分析
( X8 a# k2 Y/ O/ o,
5 g+ a: ^# J" `3 b$ _实验证明了
# n+ ^  ]# y4 v4 \' S3 d$ g( L1 GLS-SVM
用于传染病预测的优越性
9 Q$ I2 h; P8 \+ W,
7 }4 y: G3 Q2 ?1 q& M7 \4 F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
/ O5 E) C9 g. I- N统中。

" {5 P) {1 F: l- E
1 Q( t7 D, m* F* ^关键词：传染病
;;
预测
;;
- v3 h% E- u: W5 E" B0 q7 i6 J最小二乘支持向量机
( }$ a/ V" {3 w, X1 o9 q4 g- I


7 q2 }% {! v! F, r) @+ a