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 y8 U/ f1 w) X7 U7 s8 m
防止传染病疫情的发生,直接关系到人民群众的身体健康,
: c; i+ \: s, ^; h. \5 h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 I" E$ b* Z/ I0 S4 N; O4 N' P,
) S  c  U/ u  F是科学决策的依据。因此
3 J* [  `7 S* e,
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。

- r2 j2 x- s( q3 n* V" E
本文尝试将支持向量机技术引入到传染病预测分析中来
5 Q  N  m4 e% Y' O/ g4 s5 I% D% v,
& s  ^& ?8 U. N+ |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
- h6 ]+ ?5 k  G/ M8 Y,
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。

) E% n, {8 O: f" g5 o; L% c
/ v  _/ d" K8 H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
,
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
+ b3 g1 _3 p& R3 z4 V& K,
包括机器学习理论、统计学习理论等内容。详
7 P7 t0 ?9 Z/ P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
2 v6 d' t  i8 i& ^# L(LS-SVM)
* O* J' }+ }5 P的算法
8 ]+ }9 h5 e, q6 S,
8 D; I. M4 V+ V* a  B( b6 I5 O给出了
7 b' s# q) h7 oLS-SVM
4 }, ]- D8 Y4 `$ G7 B  D9 }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
8 a- j4 b8 y. ~2 I! p1 k,
% f3 j/ Z6 |$ a6 x并与
! A  T. v, O+ \! q* r+ J- dBP
神经网络模型进行了对比分析
& |) z: R5 k" U,
实验证明了
- @$ L- G! o; d4 {. y) W* }( h5 MLS-SVM
' O6 x, C% Y6 z% |; n. K用于传染病预测的优越性
0 c3 N# M/ [5 R: D,
! M6 L2 f8 z" Q7 K! J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
1 Z: l+ d- M5 P4 d7 U' q& ?,
同时也支
+ t9 Y+ W, i0 ^- r5 w, S& X# d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。
6 ~" C; w( K# n+ k  z% A- v/ `: Q4 G
* r: s4 v" w4 \; {5 y" h3 z
* Z9 E' ~4 F! Q0 h/ ^2 @关键词：传染病
;;
预测
) U: e6 d- v  A. o+ a9 T;;
最小二乘支持向量机

) {" W! p8 V9 u- P) e
6 L* h2 q$ X3 h5 h3 z) x0 i7 e9 W
( E! ~, d( P! X