【正文】 豐富了自身的內(nèi)容（如快速訓(xùn)練算法等），從而更加推動了它在其他模式識別領(lǐng)域的應(yīng)用。 課題研究背景基于支持向量的學(xué)習(xí)是現(xiàn)代智能技術(shù)中的重要方面，研究從觀測數(shù)據(jù)（樣本）出發(fā)尋找規(guī)律，、神經(jīng)網(wǎng)絡(luò)等在內(nèi)，樣本數(shù)往往是有限的，因此一些理論上很優(yōu)秀的學(xué)習(xí)方法實際中表現(xiàn)卻可能不盡人意。支持向量機（ SVM ）是一種比較好的實現(xiàn)了結(jié)構(gòu)風(fēng)險最小化思想的方法。 線性判別ABSTRACTSupport vector machine (SVM) is a new method of study based on statistical learning theory which has attracted extensive attentions by academic circles both at home and abroad in recent years. It has been widely used in pattern recognition and function estimation. The biggest characteristic of support vector machine (SVM) theory is that a small error limited by the training set of sample can ensure the independent test set’s small error. Thus a support vector regression (SVR) forecasting model can be built by support vector machine (SVM) theory and it can solve various practical problems.SVR algorithm model is one of pattern recognition algorithm, which is more widely used in approximation of function and the application of the regression estimate. In the SVR regression analysis, using support vector machine (SVM) can smooth regression function as far as possible. Its generalization ability is strong.This paper discusses the basic principle of support vector regression and introduces support vector regression algorithm and several mon kernel functions (the linear kernel, polynomial kernel and radial basis function (RBF) kernel, the Gaussian kernel etc.). This essay successfully makes these functions work: the creation of data sets, the selection of kernel function, parameter settings, return of the training set, the preservation and open of the data set. We acplish the return of input of data set through the selection of different kernel functions and the setting of corresponding parameter. This model is mainly to solve the nonlinear regression model prediction. Then, the same issue is done through the experiment to change the values of different parameters, and the statistics, the number of support vector regression， performance of program running time are accounted. Finally, we have analysis the results of regression and gained the influence of various parameters on the return performance.Key words: Support Vector Regression。最后對回歸的結(jié)果進(jìn)行分析，得出各參數(shù)對回歸性能的影響。本設(shè)計主要實現(xiàn)的功能有：數(shù)據(jù)集的創(chuàng)建、內(nèi)核函數(shù)的選取、參數(shù)的設(shè)置、訓(xùn)練集的回歸、數(shù)據(jù)集的保存與打開。從而通過支持向量機(SVM)理論,可以建立支持向量回歸(SVR)預(yù)測模型，以解決各種實際問題。支持向量機理論的最大特點是由有限的訓(xùn)練集樣本得到的小的誤差保證對獨立的測試集仍保持小的誤差。　　本文論述了支持向量回歸的基本原理和思想，介紹了支持向量回歸算法以及所用到的幾種常見的核函數(shù)（即線性內(nèi)核、多項式內(nèi)核、徑向基函數(shù)內(nèi)核、高斯內(nèi)核）。通過實驗改變各個參數(shù)的不同取值對訓(xùn)練集進(jìn)行回歸，并分別統(tǒng)計出支持向量的個數(shù)，回歸性能，程序運行時間。 核函數(shù)。 Linear Discrimination Analysis目 錄第1章 緒論 1 課題研究背景 1 國內(nèi)外研究現(xiàn)狀 1 課題研究目的 2 課題研究使用的開發(fā)工具 3 3第2章 支持向量機回歸原理 5 支持向量機 5 支持向量回歸 5 回歸初步形式 5 線性支持向量回歸 6 非線性支持向量回歸 6 7 支持向量回歸算法 8 支持向量回歸的算法的基礎(chǔ) 8 回歸算法 10 關(guān)于算法的幾點說明 11第3章 基于Matlab實現(xiàn)SVR的總體設(shè)計 13 總體設(shè)計思想 13 功能模塊的劃分及相關(guān)流程圖 13 主要功能模塊的劃分 13 實現(xiàn)程序的主要框架圖 13 支持向量回歸模型的流程圖 14第4章 基于支持向量回歸模型的實現(xiàn) 16 16 運行結(jié)果 17 主界面 17 功能描述界面 17 18 命令窗口的顯示結(jié)果 244. 3系統(tǒng)的性能分析及結(jié)論 24第5章 總結(jié) 27致 謝 28參考文獻(xiàn) 29第1章緒論第1章 緒論支持向量機(SVM)是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上提出的一種新的學(xué)習(xí)方法。本課題研究的SVR是支持向量機在函數(shù)回歸中的應(yīng)用。通過結(jié)果風(fēng)險最小化準(zhǔn)則和核函數(shù)方法，較好地解決了模式分類器復(fù)雜性核推廣性之間的矛盾，引起了模式識別領(lǐng)域?qū)W者的極大關(guān)注。 國內(nèi)外研究現(xiàn)狀支持向量機一經(jīng)提出，就得到國內(nèi)外學(xué)者的高度關(guān)注。隨著支持向量機理論上深入研究，出現(xiàn)了許多變種支持向量機，如Smolaetal.（1999）提出的用于分類和回歸支持向量機。實驗還觀察到，三種SVM求出的支持向量中有80%以上是重合的，它們都只是總樣本中很少的一部分，說明支持向量本身對不同方法具有一定的不敏感性（遺憾的是這些結(jié)論僅僅是有限的實驗中觀察到的現(xiàn)象，如果能得到證明，將會使SVM的理論和應(yīng)用有更大的突破）。 課題研究使用的開發(fā)工具此課題主要運用MATLAB開發(fā)平臺，MATLAB既是一種直觀、高效的計算機語言,同時又是一個科學(xué)計算平臺。開發(fā)工具的優(yōu)點:1．編程效率高：Matlab是一種面向科學(xué)與工程計算的高級語言，允許用數(shù)學(xué)形式的語言來編寫程序，這樣就更接近我們書寫計算算法公式的思維方式。這給編寫程序帶來很大方便。在執(zhí)行繪圖函數(shù)時是通過使用不同的圖形對象來實現(xiàn)圖形創(chuàng)建功能的這些圖形對象包括直線、文本、曲面等等。第2章詳細(xì)推導(dǎo)了線性