基于支持向量机的三峡库区重庆段水质状况及其对人群健康影响的预测研究

论文摘要

目的:1.用重庆市渝中区2003-2005年水质信息数据作为研究对象。选择高锰酸盐指数、粪大肠菌群数作为水质参数的代表。引入支持向量回归机对高锰酸盐指数、粪大肠菌群数月平均浓度进行统计预测。并将该模型的预测性能与BP神经网络、RBF神经网络模型进行比较。2.用重庆市渝中区2003-2005年各医院统计的介水性传染病住院人数为研究对象,引入支持向量回归机建立水质对人群健康影响的预测模型。并将该模型的预测性能与BP神经网络、RBF神经网络模型进行比较。3.为水资源管理和污染控制以及介水性传染病的预测和控制提供方法学参考。方法:分别采用支持向量回归机和人工神经网络对重庆市渝中区2003-2005年的水质（粪大肠菌群月平均浓度、高锰酸盐指数月平均浓度）以及每月因患介水性传染病而住院的人数进行预测,并采用有关统计预测指标对预测效果进行比较评价。结果:采用均方百分比误差（RMSE）和平均绝对百分比误差（MAPE）来评价模型预测效果。实例表明,对于水质以及介水传染病住院人数预测,支持向量机回归机模型预测精度均高于BP神经网络与RBF神经网络。结论:1、与基于经验风险最小化准则的人工神经网络比较,基于结构风险最小化准则的支持向量回归机更适合于有限样本的研究,并且可以减少过拟合,因而有较好的泛化能力,更适合于本资料的预测。2、本研究为水资源污染控制及介水性传染病的预防和控制在方法学上进行了一次有益探索。

论文目录

• 英汉缩略语名词对照
• 中文摘要
• 英文摘要
• 论文正文：基于支持向量机的三峡库区重庆段水质状况及其对人群健康影响的预测研究
• 前言
• 第一章 人工神经网络预测模型
• 1 人工神经网络的基本原理和特点
• 2 BP 神经网络
• 3 径向基函数神经网络（RBFNN）模型
• 第二章 支持向量机预测模型
• 1 统计学习理论（SLT）
• 2 支持向量机（SVM）模型
• 第三章 SVR 与人工神经网络水质预测方法仿真与分析
• 1 研究资料
• 2 描述性分析
• 3 水质数据处理（样本设计）
• 4 预测效果比较
• 5 支持向量机与神经网络水质模型预测结果比较
• 第四章 SVR 与人工神经网络疾病预测方法仿真与分析
• 1 研究资料
• 2 描述性分析
• 3 住院病人数数据处理（样本设计）
• 4 支持向量机与神经网络疾病预测模型结果比较
• 5 支持向量机与人工神经网络预测效果比较表
• 第五章 讨论
• 1 支持向量机的优点
• 2 支持向量机存在的问题
• 3 本次研究的体会
• 结论
• 参考文献
• 文献综述：人群疾病预测模型及其应用
• 附录1 BPNN 预测程序
• 附录2 RBFNN 预测程序
• 附录3 SVR 预测程序
• 致谢
• 攻读学位期间发表的学术论文