下载文档原格式
支持向量机（SVM ）原理及应用一、SVM 的产生与发展自1995年Vapnik(瓦普尼克)在统计学习理论的基础上提出SVM 作为模式识别的新方法之后，SVM 一直倍受关注。
同年，Vapnik 和Cortes 提出软间隔(soft margin)SVM ，通过引进松弛变量i ξ度量数据i x 的误分类(分类出现错误时i ξ大于0)，同时在目标函数中增加一个分量用来惩罚非零松弛变量(即代价函数)，SVM 的寻优过程即是大的分隔间距和小的误差补偿之间的平衡过程；1996年，Vapnik 等人又提出支持向量回归 (Support Vector Regression ，SVR)的方法用于解决拟合问题。
SVR 同SVM 的出发点都是寻找最优超平面(注：一维空间为点；二维空间为线；三维空间为面；高维空间为超平面。
)，但SVR 的目的不是找到两种数据的分割平面，而是找到能准确预测数据分布的平面，两者最终都转换为最优化问题的求解；1998年，Weston 等人根据SVM 原理提出了用于解决多类分类的SVM 方法(Multi-Class Support Vector Machines ，Multi-SVM)，通过将多类分类转化成二类分类，将SVM 应用于多分类问题的判断：此外，在SVM 算法的基本框架下，研究者针对不同的方面提出了很多相关的改进算法。
例如，Suykens 提出的最小二乘支持向量机 (Least Square Support Vector Machine ，LS —SVM)算法，Joachims 等人提出的SVM-1ight ，张学工提出的中心支持向量机 (Central Support Vector Machine ，CSVM)，Scholkoph 和Smola 基于二次规划提出的v-SVM 等。
此后，台湾大学林智仁(Lin Chih-Jen)教授等对SVM 的典型应用进行总结，并设计开发出较为完善的SVM 工具包，也就是LIBSVM(A Library for Support Vector Machines)。
支持向量回归模型,径向基函数1.引言1.1 概述概述支持向量回归模型是一种机器学习算法，用于解决回归问题。
它基于支持向量机（Support Vector Machine，简称SVM）算法发展而来，相比于传统的回归模型，支持向量回归模型具有更强的鲁棒性和泛化能力。
支持向量回归模型的核心思想是通过在训练数据中找到能够最好地拟合数据的超平面，以预测目标变量的值。
与传统的回归模型不同，支持向量回归模型不仅考虑样本点的位置关系，还引入了一个叫做“支持向量”的概念。
支持向量是在模型训练过程中起关键作用的样本点，它们离超平面的距离最近，决定了超平面的位置和形状。
径向基函数是支持向量回归模型中常用的核函数。
径向基函数通过将原始特征映射到高维空间，使得原本线性不可分的数据在新的空间中变得线性可分。
在支持向量回归模型中，径向基函数可以用于构建非线性的映射关系，从而提高模型的预测能力。
本文将围绕支持向量回归模型和径向基函数展开讨论。
首先，我们将详细介绍支持向量回归模型的原理和算法。
然后，我们将探讨径向基函数的概念和应用场景。
接下来，我们将设计实验来验证支持向量回归模型在不同数据集上的表现，并对实验结果进行分析。
最后，我们将对本文进行总结，并展望支持向量回归模型和径向基函数在未来的研究和应用中的潜力。
通过本文的阅读，读者将对支持向量回归模型和径向基函数有更深入的了解，并能够将其应用于实际问题中。
支持向量回归模型的引入和径向基函数的使用为解决回归问题提供了一种新的思路和方法，对于提高预测精度和模型的鲁棒性具有重要意义。
1.2文章结构文章结构部分可以描述整篇文章的组织和章节安排，使读者能够清楚地了解文章的框架和内容概要。
在本篇文章中，主要分为以下几个章节：1. 引言：- 1.1 概述：简要介绍支持向量回归模型和径向基函数的背景和概念。
- 1.2 文章结构：对整篇文章的章节和内容进行概述，让读者知道接下来会涉及到哪些内容。
- 1.3 目的：明确本文的研究目的和动机。
3．支持向量机（回归）3.1.1 支持向量机支持向量机（SVM ）是美国Vapnik 教授于1990年代提出的，2000年代后成为了很受欢迎的机器学习方法。
它将输入样本集合变换到高维空间使得其分离性状况得到改善。
它的结构酷似三层感知器，是构造分类规则的通用方法。
SVM 方法的贡献在于，它使得人们可以在非常高维的空间中构造出好的分类规则，为分类算法提供了统一的理论框架。
作为副产品，SVM 从理论上解释了多层感知器的隐蔽层数目和隐节点数目的作用，因此，将神经网络的学习算法纳入了核技巧范畴。
所谓核技巧，就是找一个核函数(,)K x y 使其满足(,)((),())K x y x y φφ=，代替在特征空间中内积(),())x y φφ（的计算。
因为对于非线性分类，一般是先找一个非线性映射φ将输入数据映射到高维特征空间，使之分离性状况得到很大改观，此时在该特征空间中进行分类，然后再返会原空间，就得到了原输入空间的非线性分类。
由于内积运算量相当大，核技巧就是为了降低计算量而生的。
特别， 对特征空间H 为Hilbert 空间的情形，设(,)K x y 是定义在输入空间nR上的二元函数，设H 中的规范正交基为12(),(),...,(),...n x x x φφφ。
如果221(,)((),()),{}k k k k k K x y a x y a lφφ∞==∈∑，那么取1()()k k k x a x φφ∞==∑即为所求的非线性嵌入映射。
由于核函数(,)K x y 的定义域是原来的输入空间，而不是高维的特征空间。
因此，巧妙地避开了计算高维内积(),())x y φφ（所需付出的计算代价。
实际计算中，我们只要选定一个(,)K x y ，并不去重构嵌入映射1()()k k k x a x φφ∞==∑。
所以寻找核函数(,)K x y （对称且非负）就是主要任务了。
满足以上条件的核函数很多，例如● 可以取为d-阶多项式：(,)(1)dK x y x y =+ ，其中y 为固定元素。
基于模糊sigmoid核的支持向量机回归建模
刘涵;刘丁
【期刊名称】《控制理论与应用》
【年(卷),期】2006(23)2
【摘要】支持向量机中对核函数的要求为对称的半正定矩阵.来自于神经网络的sigmoid核函数在其参数满足一定条件时才成为半正定矩阵,但是这种核函数在SVM中却有很多成功的应用.本文将sigmoid核函数与模糊逻辑相结合并使其模糊化,从而简化了SVM的计算并便于用硬件实现.通过对混沌时间序列预测以及图像去噪滤波器两个实例的实验研究发现,使用模糊sigmoid核函数可以使SVM回归建模在损失较小精度的代价下,较大地降低平均CPU执行时间,便于硬件实现【总页数】5页(P204-208)
【作者】刘涵;刘丁
【作者单位】西安理工大学,自动化与信息工程学院,陕西,西安,710048;西安理工大学,自动化与信息工程学院,陕西,西安,710048
【正文语种】中文
【中图分类】TP181
【相关文献】
1.基于模糊核聚类的乙烯裂解深度DE-LSSVM多模型建模 [J], 陈贵华;王昕;王振雷;钱锋
2.基于GRA的模糊核聚类DRVM软测量建模与优化 [J], 黄永红;吴红生;虞永胜
3.基于多模型模糊核聚类方法的污水处理过程软测量建模 [J], 索幸仪; 侍洪波
4.基于改进核模糊聚类算法的软测量建模研究 [J], 徐海霞;刘国海;周大为;梅从立
5.一种基于自适应模糊高斯核聚类的软测量建模方法 [J], 夏源;杨慧中
因版权原因，仅展示原文概要，查看原文内容请购买。
机器学习中的支持向量机与逻辑回归支持向量机（SVM）和逻辑回归是机器学习领域两种广泛使用的分类算法。
它们在处理分类问题时具有很高的准确性和稳定性，因此在实际应用中得到了广泛的应用。
本文将分别介绍支持向量机和逻辑回归的原理、优缺点以及在实际应用中的使用情况，以便读者能够更好地理解这两种算法。
1.支持向量机支持向量机是一种用于分类和回归分析的监督学习模型，它利用统计学习理论来构建一个线性分类器。
其基本原理是找到一个最优的超平面，使得该超平面能够将不同类别的样本分开。
在支持向量机中，超平面的选择是基于训练数据集，通过寻找能够最大化间隔的超平面来实现对数据的分割。
支持向量机的优点之一是其在高维空间中的表现良好。
由于其核技巧，支持向量机可以很容易地处理高维数据，并且可以在非线性问题上表现出色。
此外，支持向量机对于训练样本的数量和特征的维度并不敏感，因此适用于各种不同规模和复杂度的数据集。
然而，支持向量机也有一些缺点。
首先，在处理非常大的数据集时，支持向量机的训练时间可能会很长。
其次，支持向量机在处理多类分类问题时的效果可能不如其他算法，因为它通常只适用于二分类问题。
此外，支持向量机在处理噪声比较大的数据时可能会出现过拟合的情况，需要进行参数调优。
在实际应用中，支持向量机广泛用于各种领域，如生物信息学、文本分类、医学诊断、图像识别等。
例如，在医学诊断领域，支持向量机可以利用医学图像数据进行癌症诊断；在文本分类领域，支持向量机可以用于对文档进行分类。
2.逻辑回归逻辑回归是一种用于解决分类问题的统计学习方法，它使用一个逻辑函数来进行分类。
逻辑回归适用于二分类问题，并且可以通过扩展成多分类问题。
在逻辑回归中，模型通过对样本数据集进行线性回归分析，并利用特殊的逻辑函数将连续的输出转换为离散的值。
逻辑回归的优点之一是它是一种简单而有效的分类算法。
由于其模型结构相对简单，逻辑回归的训练速度相对较快，并且在处理大规模数据集时也能够取得不错的效果。
支持向量机算法在农业领域的应用案例分析随着科技的不断发展，农业领域也逐渐引入了各种先进的技术和算法来提高农业生产的效率和质量。
支持向量机（Support Vector Machine，SVM）作为一种强大的机器学习算法，已经在农业领域的应用取得了一定的成果。
本文将通过分析几个实际案例，来探讨支持向量机算法在农业领域的应用。
首先，支持向量机算法在农作物病虫害识别和预测中的应用。
农作物病虫害是农业生产中的一大难题，对农作物的产量和质量造成了严重的影响。
支持向量机算法通过对已知的病虫害数据进行学习和训练，可以建立一个分类模型，用于对未知的病虫害进行识别和预测。
例如，在某个农场的番茄种植中，通过采集大量的番茄叶片图像和相应的病虫害标签，利用支持向量机算法训练出一个分类器，可以准确地对番茄叶片的病虫害进行识别和预测，帮助农民及时采取相应的防治措施，提高番茄的产量和质量。
其次，支持向量机算法在农产品市场需求预测中的应用。
农产品市场需求的波动性较大，农民和农业企业需要准确地预测市场需求，以便调整生产计划和销售策略。
支持向量机算法可以通过对历史销售数据的学习和分析，建立一个回归模型，用于预测未来一段时间内的农产品市场需求。
例如，在某个果蔬批发市场，通过采集历史销售数据和相关的市场因素数据，利用支持向量机算法训练出一个回归模型，可以准确地预测未来一周内某种农产品的需求量，帮助农民和农业企业做出合理的生产和销售决策，提高经济效益。
此外，支持向量机算法还可以在农业土壤质量评估中发挥作用。
土壤质量是农业生产的关键因素之一，对于不同的作物种植来说，土壤的要求也不尽相同。
支持向量机算法可以通过对土壤样本数据的学习和分析，建立一个分类模型，用于评估土壤的质量。
例如，在某个农田中，通过采集大量的土壤样本数据和相应的土壤质量标签，利用支持向量机算法训练出一个分类器，可以准确地对土壤的质量进行评估，帮助农民选择合适的作物种植和施肥方案，提高农作物的产量和质量。
最小二乘支持向量机算法及应用研究最小二乘支持向量机算法及应用研究引言：在机器学习领域中，支持向量机（Support Vector Machines, SVM）算法是一种广泛应用于分类和回归分析的监督学习方法。
而最小二乘支持向量机算法（Least Square Support Vector Machines, LS-SVM）则是支持向量机算法的一种变种。
本文将首先简要介绍支持向量机算法的原理，然后重点探讨最小二乘支持向量机算法的基本原理及应用研究。
一、支持向量机算法原理支持向量机是一种有效的非线性分类方法，其基本思想是找到一个超平面，使得将不同类别的样本点最大程度地分开。
支持向量是指离分类超平面最近的正负样本样本点，它们对于分类的决策起着至关重要的作用。
支持向量机算法的核心是通过优化求解问题，将原始样本空间映射到更高维的特征空间中，从而实现在非线性可分的数据集上进行线性分类的目的。
在支持向量机算法中，线性可分的数据集可以通过构建线性判别函数来实现分类。
但是，在实际应用中，往往存在非线性可分的情况。
为了克服这一问题，引入了核技巧（Kernel Trick）将样本映射到更高维的特征空间中。
通过在高维空间中进行线性判别，可以有效地解决非线性可分问题。
二、最小二乘支持向量机算法基本原理最小二乘支持向量机算法是一种通过最小化目标函数进行求解的线性分类方法。
与传统的支持向量机算法不同之处在于，最小二乘支持向量机算法将线性判别函数的参数表示为样本点与分类超平面的最小误差之和的线性组合。
具体而言，最小二乘支持向量机算法的目标函数包括一个平滑项和一个约束条件项，通过求解目标函数的最小值，得到最优解。
最小二乘支持向量机算法的求解过程可以分为以下几个步骤：1. 数据预处理：对原始数据进行标准化或归一化处理，以确保算法的稳定性和准确性。
2. 求解核矩阵：通过选取适当的核函数，将样本点映射到特征空间中，并计算核矩阵。
3. 构建目标函数：将目标函数表示为一个凸二次规划问题，包括平滑项和约束条件项。
２００７年第３期 总第７２期 中 国 航海 ＮＡＶＩＧＡ ⅡＯＮ ＯＦ ＣＨＩＮＡ Ｎｏ．３ Ｓｅｐ．２００７ Ｓｅｒｉａｌ Ｎｏ．７２
文章编号：１０００—４６５３（２００７）０３—００７３—０４
基于单参数的Ｌａｇｒａｎｇｉａｎ支持向量 回归算法及其应用
李冬琴 ， 王呈方 ， 王丽铮 （１．江苏科技大学，江苏镇江２１２００３；２．武汉理工大学，湖北武汉４３００６３）
摘要：支持向量机（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ，ＳＶＭ）是基于统计学习理论框架下的一种处理非线性分类和非线性回 归的有效方法。由于具有完备的理论基础和出色的学习性能，该方法已成为当前国际机器学习界的研究热点，能 较好地解决小样本、高维数、非线性和局部极小点等实际问题。这里提出了一种基于单参数的拉格朗日 （Ｌａｇｒａｎｇｉａｎ）支持向量回归算法，并将该算法应用在外贸货物吞吐量预测中。估算结果证明了这种改进的支持向量 回归算法在吞吐量预测中的有效性和实用性。 关键词：交通运输经济学；支持向量机回归；单参数；预测．夕 贸货物吞吐量 中图分类号：Ｕ６９５．２ 文献标识码：Ａ
Ａ Ｓｉｎｇｌｅ—Ｐａｒａｍｅｔｅｒ Ｌａｇｒａｎｇｉａｎ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ ＬＩ Ｄｏｎｇ－ｑｉｎ ， ＷＡＮＧ Ｃｈｅｎｇ－ｆａｎｇ ， ＷＡＮＧ Ｌｉ－ｚｈｅｎｇ （１．Ｊｉａｎｇｓｕ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｚｈｅｎｊｉａｎｇ ２１２００３，Ｃｈｉｎａ； ２．Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ ４３００６３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ（ＳＶＭ）ｉｓ ａｎ ｅｆｆｅｃｔｉｖｅ ｍｅｔｈｏｄ ｏｆ ｔｒｅａｔｉｎｇ ｎｏｎ－ｌｉｎｅａｒｉｔｙ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｒｅｇｒｅｓｓｉｏｎ，ｂａｓｅｄ ｏｎ ｔｈｅ ｆｒａｍｅ ｏｆ ｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ．Ｂｅｃａｕｓｅ ｏｆ ｉｔｓ ｃｏｍｐｌｅｔｅ ｔｈｅｏｒｅｔｉｃａｌ ｂａｃｋｇｒｏｕｎｄ ａｎｄ ｅｘｃｅｌｌｅｎｔ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ， ｉｔ ｈａｓ ｂｅｃｏｍｅ ｔｈｅ ｈｏｔｓｐｏｔ ｏｆ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｉｎ ｔｈｅ ｗｏｒｌｄ．Ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ｓｏｌｖｅ ｔｈｅ ｐｒａｃｔｉｃａｌ ｐｒｏｂｌｅｍｓ ｓｕｃｈ ａｓ ｌｉｍｉｔｅｄ ｓａｍｐｌｅｓ， ｈｉｇｈ ｄｉｍｅｎｓｉｏｎｓ，ｎｏｎ—ｌｉｎｅａｒｉｔｙ ａｎｄ ｌｏｃａｌ ｍｉｎｉｍｕｍ．Ａ ｎｅｗ ａｌｇｏｒｉｔｈｍ ｏｆ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ ｉｓ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ａｒｔｉｃｌｅ， ｗｈｉｃｈ ｉｓ ｎａｍｅｄ Ｓｉｎｇｌｅ—Ｐａｒａｍｅｔｅｒ Ｉ￣ｇｒａｎｇｉａｎ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ，ａｎｄ ｉｔ ｉｓ ｕｓｅｄ ｉｎ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｈｅ ｆｏｒｅｉｇｎ－ｔｒａｄｅ ｃａｒｇｏ ｔｈｒｏｕｇｈｐｕｔｓ ｏｆ Ｓｈａｎｇｈａｉ Ｐｏｒｔ．Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈｅ ｐｒａｃｔｉｃａｂｉｌｉｔｙ ａｎｄ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｉｓ ｍｏｄｉｆｉｅｄ ａｌｇｏｒｉｔｈｍ ｉｎ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｆｉｅｌｄ ｏｆ ｔｈｒｏｕｇｈｐｕｔｓ． Ｋｅｙ ｗｏｒｄｓ：Ｔｒａｆｆｉｃ ｔｒａｎｓｐｏｒｔ ｅｃｏｎｏｍｉｃｓ；Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ；Ｓｉｎｇｌｅ ｐａｒａｍｅｔｅｒ；Ｐｒｅｄｉｃｔｉｏｎ；Ｆｏｒｅｉｇｎ—ｔｒａｄｅ ｃａｒｇｏ ｔｈｒｏｕｇｈｐｕｔｓ
支持向量机回归（Support Vector Regression，SVR）是一种监督学习算法，用于回归分析。
它扩展了支持向量机（SVM）的概念，使其适用于回归问题，而不是仅仅用于分类。
SVR的目标是找到一个最佳的超平面，这个超平面不仅能够最大化数据点之间的间隔，还能最小化误差的平方和。
工作原理：1. 核函数映射：- 与SVM类似，SVR首先使用一个核函数将输入空间映射到一个更高维的特征空间。
这样做是为了在特征空间中找到一个最优解，因为在高维空间中，线性分割可能更容易实现。
2. 构建约束条件：- SVR在特征空间中构造一个最优超平面，该超平面最大化数据点与超平面之间的距离（即间隔），同时最小化误差的平方和。
为了实现这一点，SVR引入了两个约束条件：- 数据点必须位于超平面的一侧，即对于每个支持向量，误差的绝对值必须小于1（对于非线性SVR，这个半径是正数）。
- 超平面的法向量必须与拉格朗日乘子向量正交。
3. 拉格朗日乘子：- 为了处理这些约束，SVR使用拉格朗日乘子（ Lagrange multipliers）来放松约束条件，将它们转化为可求解的优化问题。
拉格朗日乘子是一个对每个支持向量和支持向量之间区域的权重。
4. 优化问题：- SVR通过解决一个凸二次规划问题来找到最优的超平面。
这个优化问题旨在最小化误差的平方和，同时满足超平面的约束条件。
5. 支持向量：- 在回归问题中，支持向量是那些位于超平面附近的数据点，它们对于定义超平面至关重要。
对于线性SVR，支持向量是那些直接位于超平面上的点；对于非线性SVR，支持向量是那些在超平面邻域内的点。
6. 决策函数：- 一旦最优超平面确定，SVR使用它来构建一个决策函数，该函数预测新数据点的值。
对于线性SVR，决策函数是线性的；对于非线性SVR，决策函数是线性的，但在特征空间中。
### 关键点：- SVR适用于非线性回归问题，通过使用核技巧，它可以将数据映射到高维空间，并在那里应用线性分割。
基于支持向量机的回归应用研究
摘要：本文通过 -支持向量机进行非线性回归的实例研究，通过
交叉验证确定最优系数。结果在大部分的数据点，都取得了良好的效
果。
关键词：svm；非线性回归；交叉验证
1 引言[1]
支持向量机是在统计学习理论的基础上产生出了一种新型的学
习机器。支持向量机算法在解决小样本问题的同时，又能解决神经网
络算法中的高维问题和局部极值问题，使其具有更大的优势，其结构
也非常简单，为统计学习理论的实际应用提供了有效的工具。
支持向量机使用了大间隔因子来控制学习机器的训练过程，使其
只选择具有最大分类间隔的分类超平面从而使其在满足分类条件的
情况下，又具有高的推广能力。寻找最优超平面的过程最终转化为二
次型优化问题，从理论上讲，得到的是全局最优解。与传统的学习机
器不同的是，支持向量机是将原始的模式矢量映射到非常高维的特征
空间，仍然使用大间隔因子在高维特征空间中寻找最大间隔超平面。
得到的高维特征空间中的超平面对应着原始模式空间中的非线性分
类面。而实际上，其优化过程并没有真正在高维空间中进行，只是通
过一些具有特殊性质的核函数，将高维空间中的内积运算转化为原始
空间中核函数的运算，从而巧妙地避免了在高维空间中处理问题的困
难。[2]
支持向量机的结构非常简单，从表面上看，它类似于三层前馈神
经网络。但实际上它与神经网络有着根本性的不同。简单地说，支持
向量机的隐层是随着所要解决的问题和规模而自动调节的，从而使学
习机器的复杂度总是与实际问题相一致，因而可以自适应地解决各种
不同的问题。[3]
2 回归研究
本文采用支持向量机做非线性回归研究。训练数据X为10维向
量，Y为1维向量。训练数据Y值如图1所示。
由图2和图3可见，大部分预测数据都比较准确，只是在个别点
（第二十个点）误差较大。
3 结论
本文应用只支持向量机做回归预测研究，结果在大部分数据都取
得良好效果，个别点误差较大。如果在参数的选择上能有更好的方法，
预测会取得更好的效果。
参考文献
[1] 邓乃扬.田英杰著.数据挖掘中的新方法――支持向量机 .科
学出版社，2004,6.
[2] 许焕新,田沛,许小刚.小波包分析在汽轮机故障诊断中的应，
电力科学与工程，2005,3.
[3] 刘志刚,李德仁,秦前清,等.支持向量机在多类分类问题中的
推广，计算机工程与应用，2004.7.
