支持向量回归机在四川省孕产妇、婴儿和5岁以下儿童死亡率统计预测中的应用研究

论文摘要

目的：1．引入支持向量回归机对四川省的孕产妇死亡率(MMR)、婴儿死亡率(IMR)和5岁以下儿童死亡率(U5MR)(以下简称“三率”)进行统计预测，并将该模型的预测性能与径向基函数神经网络进行比较。2．为制定合理的“两纲”(妇女发展纲要和儿童发展纲要的简称)目标提供方法学参考。方法：分别采用支持向量回归机和径向基函数神经网络对四川省的“三率”指标进行预测，并采用有关统计预测指标对回代拟合效果和预测效果进行比较评价。结果：支持向量回归机能更好地用于本资料的预测，其回代拟合效果和泛化能力明显优于RBF神经网络。结论：1、与基于经验风险最小化准则的径向基函数神经网络比较，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、本研究为制定合理的两纲目标在方法学上进行了一次有益探索。

论文目录

• 摘要
• Abstract
• 1、前言
• 1.1 研究背景
• 1.2 研究目的
• 2、资料来源与研究思路
• 2.1 资料来源
• 2.2 资料特点
• 2.3 "三率"指标解释
• 2.4 数据处理（样本设计）
• 2.5 研究思路
• 3、描述性分析——"三率"的变化趋势
• 4、预测方法
• 4.1 径向基函数神经网络（RBFNN）模型
• 4.1.1 人工神经网络的基本原理和特点
• 4.1.2 RBF神经网络
• 4.1.2.1 RBF神经网络的结构
• 4.1.2.2 RBF神经网络学习过程
• 4.1.2.3 RBF神经网络的计算机实现
• 4.2 支持向量回归机（SVR）模型
• 4.2.1 统计学习理论（SLT）
• 4.2.1.1 函数集的VC维
• 4.2.1.2 经验风险最小化（ERM）
• 4.2.1.3 推广性的界和结构风险最小化（SRM）
• 4.2.2 支持向量回归机（SVR）
• 4.2.2.1 支持向量机（SVM）的原理
• 4.2.2.2 支持向量回归机（SVR）的原理
• 4.2.2.3 核函数
• 4.2.2.4 支持向量回归机的计算机实现
• 4.3 预测效果比较
• 5、结果
• 5.1 RBFNN和SVR预测"三率"结果
• 5.1.1 孕产妇死亡率预测结果
• 5.1.2 婴儿死亡率预测结果
• 5.1.3 5岁以下儿童死亡率预测结果
• 5.2 预测效果比较
• 6、讨论
• 6.1 关于支持向量机应用的体会
• 6.2 支持向量回归机与RBF神经网络的比较
• 6.3 关于预测效果的评价
• 6.4 关于"三率"本身的讨论
• 6.5 对于合理制定两纲目标的建议
• 7、总结
• 7.1 结论
• 7.2 本研究存在的不足及展望
• 7.3 本研究特色
• 参考文献
• 文献综述 支持向量机在时间序列预测中的研究进展
• 1 传统的时间序列预测方法
• 1.1 经典的时间序列分析方法
• 1.2 灰色预测模型
• 1.3 人工神经网络模型
• 1.3.1 神经网络的基本原理和特点
• 1.3.2 神经网络的分类
• 1.3.3 BP神经网络
• 1.3.4.1 RBF神经网络的结构
• 1.3.4.2 RBF神经网络学习过程
• 1.4 组合预测方法
• 2 支持向量机（SVM）在时间序列预测中的应用
• 2.1 机器学习问题
• 2.1.1 学习问题的表述
• 2.1.2 经验风险最小化（ERM）
• 2.1.3 复杂性与推广能力
• 2.2 统计学习理论（SLT）
• 2.2.1 函数集的VC维
• 2.2.2 推广性的界
• 2.2.3 结构风险最小化（SRM）
• 2.3 支持向量机（SVM）
• 2.3.1 支持向量机（SVM）的提出和研究现状
• 2.3.2 广义最优分类面
• 2.3.3 支持向量机（SVM）
• 2.3.5 支持向量回归机（SVR）模型
• 2.3.6 支持向量机与神经网络的比较
• 2.3.7 支持向量机的计算机实现
• 2.3.8 支持向量机在时间序列预测中的应用现状
• 2.3.9 支持向量机存在的问题
• 综述参考文献
• 附录1 RBFNN预测程序
• 附录2 SVR预测程序
• 致谢