支持向量机非线性回归通用MATLAB源码 支持向量机和BP神经网络都可以用来做非线性回归拟合，但它们的原理是不相同的，支持向量机基于结构风险最小化理论，普遍认为其泛化能力要比神经网络的强。大量仿真证实，支持向量机的泛化能力强于BP网络，而且能避免神经网络的固有缺陷——训练结果不稳定。本源码可以用于线性回归、非线性回归、非线性函数拟合、数据建模、预测、分类等多种应用场合。

SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中（Hilbert空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题．简单地说，就是升维和线性化．升维，就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起“维数灾难”，因而人们很少问津．但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分（或回归）．一般的升维都会带来计算的复杂化，SVM方法巧妙地

《DPS数据处理系统 第一卷 基础统计及实验设计（第3版）》从应用角度简要地阐述了现代统计学500多种实验数据统计分析和模型模拟方法，包括混料实验设计在内的各种实验设计、方差分析、列联表分析及非参数检验；专业统计包括量表分析、数据包络分析、随机前沿面分析、顾客满意指数模型、实验诊断ROC曲线、生物测定、生存分析、动植物遗传育种、品种区域实验、空间分布型、地理统计、数值生态学方法等；各种多元分析技术；非线性回归模型参数估计、模型模拟技术；单目标和多目标线性规划、非线性规划等运筹学方法；以及状态方