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

防止传染病疫情的发生,直接关系到人民群众的身体健康,
$ ~1 c& H( ^/ ]6 B关系到经济社会的顺利发展。传染病预测是科
/ v) L1 T! C( ^- Q) t# w学预防控制传染病的重要手段
,
. p% e* B+ Z  z# ]是科学决策的依据。因此
,
3 Q  k7 t. D$ {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。
$ O, ?5 _: e: g- u& `: Y
' A: p( M0 r, K  F
! `8 J/ B8 ]% r: K( 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
,
6 Y3 h( l! H& v: m& `' q: y对最小二乘支持向量机技术应用到传染病预
8 x( v4 l9 j5 o2 A2 j' `$ V+ U测中进行了一些探索
% {# ?; E8 x; z+ H% 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。

/ c, W. U9 _" J4 l
4 Q- h& r8 W6 ^* F本文首先介绍了常用的传染病预测方法
,
其中重点研究了
BP
神经网络算法及其建模步骤
. [4 [4 f+ s2 R,
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
,
7 Q0 ~. d1 r4 w; p" e包括机器学习理论、统计学习理论等内容。详
; e8 V( F- J) ~3 p. k9 W0 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
  u9 i: l) L: @! V9 T. j0 c; }(LS-SVM)
( z6 e3 b$ ^4 \. [的算法
,
给出了
; ^% a9 o; @* ]4 L; H! I! r7 _LS-SVM
: }# _: D8 Q6 A# P4 P/ u建模中参数
% q2 b* T, D* p选择的方法。建立了最小二乘支持向量机预测模型
,
并与
: g) f3 r. p) PBP
+ c+ e) P/ F* g3 X神经网络模型进行了对比分析
3 n/ J6 e2 |4 h; a,
实验证明了
LS-SVM
用于传染病预测的优越性
# Q' i$ y% B) `4 p0 m,
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
% I5 i+ X4 }8 j* p  r,
( K9 O/ K$ ?- `& {- y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
% h: Q1 V& U. e0 u: y8 v% l( g统中。
. G- `+ Z; ~5 ]1 ~% O) O' l

" R; n, T. v4 G关键词：传染病
;;
9 R8 \* X8 ~/ Q2 q; m* u1 W预测
8 w" o% f( i9 ~. w- b. };;
$ f: `7 O: h. M2 m最小二乘支持向量机
6 u9 q6 x6 d8 a/ Y5 B
- B; y+ s" ~" l$ b+ n1 t: k! m) e
1 v+ Z4 M) b9 x% ?
1 \8 y- x8 U' u( ?- R1 c
* p/ f* z& u1 e. m$ Q) Z